Foglamp

👋 我是 Gustavo，Foglamp 的开发者之一。

我一直在发布自己实际上根本看不到的 AI 智能体。成本悄悄上涨，却不知道哪个智能体该背锅。某个智能体会悄无声息地进入死循环，白白烧掉一小时的 token。没找到 AI SDK 的优质替代品，于是我自己造了一个。

Foglamp：AI 智能体的可观测性。

一行代码包装你的模型，每次调用你都能获得：
- 💸 成本、延迟和 token 用量 —— 按智能体、按工作流，甚至包含 reasoning tokens
- 🔭 整个运行过程的分布式追踪，支持回放
- ✅ 基于生产流量的评估（LLM-as-judge + 代码检查，比如“无 PII”）
- 🚨 当支出飙升或通过率下降时发送告警

它是开源的（Apache 2.0），支持自托管，也有免费的托管版本，不到两分钟就能看到你的第一条 trace。

我们接下来的方向：闭环从观察到行动 —— 推荐更便宜但仍能通过评估的模型，在失控的智能体烧钱之前自动终止，以及从你自己的失败追踪中优化 prompt。

真心期待你的反馈 🙏

在生产环境中，智能体最让你吓一跳的意外情况是什么？

“成本翻倍、答案变差、然后客户开始投诉”这个流程是我今年见过最让人共鸣的 AI 恐怖故事。终于有东西能在 Twitter 帖子出现之前就把它逮住。恭喜发布！

智能体可观测性感觉会变成标配。对业务型智能体来说，问题不只是成本/token，而是“智能体尝试了什么、为什么做那个决定、什么时候需要人工帮助？”你们有没有考虑业务层面的追踪，比如交接、审批、以及工作流失败的结果？

恭喜发布！我想知道它与 Langfuse 或 Arize 这类可观测性平台有什么不同？

@gustavofior 对智能体来说，可见性是一个巨大的缺失层。如果你看不到它尝试了什么、在哪里失败、以及过程中发生了什么变化，就很难信任一个自主工作流。智能体可观测性大概会成为默认预期。