可观测的下一站：人与 Agent 共同运维

过去几年，可观测性的主角一直是“人”：工程师搭仪表盘、写查询、看告警，再凭经验把指标、日志、链路和变更记录拼成一个答案。今天，大模型已经能解释异常、生成查询，甚至调用工具执行修复。于是，一个更重要的问题出现了：当 Agent 真正进入研发和运维流程，企业需要的还是一套“给人看的监控系统”，还是一个同时服务人与 Agent 的可观测底座？

我的判断是：未来的可观测平台将成为数字系统的事实层。人负责目标、边界与最终决策，Agent 负责高频分析、上下文拼接和受控执行。决定这套协作能否成立的，不只是模型参数，而是模型能否持续获得完整、实时、可关联、可治理的数据。

AI 的上限，首先由可观测数据决定

一次线上故障往往横跨基础设施、Kubernetes、数据库、应用链路、前端体验和业务指标。数据散落在不同工具中时，人尚且需要“切屏考古”，Agent 更容易因上下文缺失而得出一个听起来合理、实际上错误的结论。

因此，AI 时代的可观测底座至少要完成四件事：第一，统一接入指标、日志、链路、事件、用户体验等数据；第二，用统一标签和实体关系保存上下文；第三，让 AI 能查询、归因并生成可验证的证据链；第四，把建议接入审批、工单、发布和自动化流程，形成“发现—分析—决策—执行—验证”的闭环。

这也是一种“双重可观测性”。一方面，Vibe Coding 让代码生成和发布越来越快，但生成逻辑可能缺少充分评审，变更来源也更分散，更需要用生产环境的日志、链路、用户体验和业务结果校验“代码是否真的正确”。另一方面，Agent 应用本身具有非确定性：模型、提示词、上下文、工具调用和多步决策都会影响结果，因此还要观测 Agent 的执行轨迹、成功率、时延、Token 成本、输出质量与安全边界。未来既要观测 AI 写出的系统，也要观测正在工作的 AI。

从概念走向实践：观测云 AI Agent Teams 的三个入口

观测云正在把这套思路变成真实流程。AI Agent Teams 可按职责创建专属 Agent，用 Skill 固化方法，用 MCP 连接观测云及内部工具，再通过飞书、钉钉、企业微信等 Channel 进入协作现场。

第一种入口在源码侧。Codex 或 Claude Code 负责理解代码，观测云 RCA Agent 负责查询真实日志、链路和指标。实践中，Agent 将下单失败收敛到 inventory-service 访问 Redis 超时，Codex 再定位到具体调用逻辑和修复点。这样，AI 不再凭源码猜线上问题，而是用生产证据约束代码判断。

第二种入口在协作现场。告警进入飞书群后，值班人员直接 @ 排障助手，即可得到告警事件、服务错误率、关键日志、调用链和影响范围组成的 RCA 摘要。信息不再靠人工从多个系统复制，团队看到的是同一份故障事实。

第三种入口从分析走向受控执行。RCA Agent 给出根因、风险和恢复计划；写操作由独立的受控 MCP 提供，只开放白名单动作，并受到 Namespace、RBAC、审批口令和非生产环境限制。执行后，Agent 继续检查接口、Pod、发布状态与错误率，并生成审计摘要。这才是可靠的 AgentOps：先调查，再审批；执行之后必须验证。

可观测竞品 Dynatrace、Datadog 与观测云：三条不同的演进路径

Dynatrace 的优势是强上下文和自动化。Grail、Smartscape 与 Davis AI 将数据、拓扑和因果分析结合，Dynatrace Intelligence 进一步强调 Agent 在策略和护栏下执行，适合重视因果推断与治理的大型企业，但导入和商业成本也需要系统投入。

Datadog 的长板是产品广度与云生态，Bits AI Agents 已从对话查询走向调查、修复和自定义 Agent，适合海外公有云和 SaaS 团队；模块组合、数据成本以及国内网络与合规，则需要长期治理。

观测云的价值不在于复制一套海外产品，而在于给中国企业提供一条更开放、更可控的全域数据路径。DataKit 可在企业环境内采集数据，支持 OpenTelemetry 等开放协议，也能把基础设施、日志、APM、RUM、安全巡检和业务数据汇入统一工作空间。对多云、混合云、国产化或强调数据主权的团队而言，这意味着不必先推翻既有技术栈，便可以逐步补齐可观测能力。

更关键的是，观测云所强调的“统一存储、统一查询、统一展示”，恰好构成 Agent 所需要的上下文基础。Agent 不应只看到一条孤立告警，而应看到告警前后的部署事件、相关服务链路、异常日志、主机资源、用户影响和历史处置记录。上下文越完整，AI 的判断越能被验证；数据与工具接口越开放，AI 就越容易从“解释发生了什么”走向“在授权范围内采取行动”。

观测云更值得放大的，不只是性价比

观测云的竞争力不只是价格：它贴近混合云、专有云、离线环境和数据合规要求；统一数据让研发、运维与业务基于同一份事实协作；兼容 OpenTelemetry 和多种采集、转发方式，便于连接企业自己的模型、知识库与自动化平台；本地服务也更适合持续推进数据规范、告警治理和流程改造。

当然，观测云也需要继续把优势转化成更明确的 Agent 能力：让查询、仪表盘、监控器、事件和处置动作拥有标准化工具接口；为每次 AI 判断提供可追溯证据；提供细粒度权限、审批、回滚和效果验证；沉淀面向行业的诊断模板。只有这样，“AI 赋能”才不会停留在聊天窗口，而会进入真实生产流程。

结语：先打好底座，再谈自治

可观测的未来，不是人和 Agent 二选一，而是二者共同协作。人提出目标、判断影响并承担责任；Agent 读取全域数据、持续分析、执行重复工作，再把结果和证据交还给人。随着信任、治理和自动化能力成熟，更多闭环才会逐步交给 Agent。

在这个过程中，真正稀缺的不是又一个大模型入口，而是一套可信的数据底座：它能看见系统全貌，保留上下文，连接工具，并让每一次行动可审计、可回滚、可验证。Dynatrace 展示了因果智能与自动化的深度，Datadog 展示了云生态和产品矩阵的广度；观测云的机会，则是以开放、统一、可控和贴近本地场景的方式，让中国企业更低门槛地建立“人 + Agent”的生产协作体系。

当数据让一切可见，AI 才能真正理解；当执行受到治理，智能体才值得被托付。这也许就是 AI 时代，可观测性最值得期待的下一站。