OpenTelemetry
PulseAugur coverage of OpenTelemetry — every cluster mentioning OpenTelemetry across labs, papers, and developer communities, ranked by signal.
12 天有情绪数据
-
Anthropic Python SDK 1.0 因升级到 httpx2 而破坏 HTTP 模拟
Anthropic 的 Python SDK 1.0 版本于 2026 年 8 月 20 日发布，引入了多项重大变更，包括升级到 httpx2 和最低 Python 版本要求 3.10。主要修改包括从消息创建方法中移除 temperature、top_p 和 top_k 参数，弃用旧的 Text Completions API，以及更改原始响应的处理方式。由于 SDK 现在使用 httpx2（httpx 的一个分支），而许多现有的 H…
-
新工具 `agent-cost` 将 AI 使用情况与任务归因分开
作者开发了一个名为 `agent-cost` 的工具，以解决像 Claude Code 和 Codex 这样的 AI 模型现有使用情况跟踪器的局限性。与更广泛的命令行界面或仪表板不同，`agent-cost` 专注于直接从本地日志提供可审计的、机器可读的 AI 使用情况事实，运行时无需网络调用。这种方法将可观察到的会话使用情况与单独的任务归因声明分开，从而防止仅基于经过的时间或提交次数来不准确地分配成本。
-
为自主科学代理提出新的可观测性配置
一篇新的研究论文提出了一种新颖的方法来增强自主科学代理的可观测性和可审计性。所提出的系统侧重于跟踪这些代理生成的工件和声明，认识到科学系统中的故障通常源于各种对象之间复杂的相互依赖关系。这种以工件为中心、感知声明的可观测性配置旨在提供一个语义层，以补充现有的遥测和来源跟踪工具，从而实现更强大的科学审计。
-
Dynatrace 将以 9.15 亿美元收购 AI 可观测性公司 Arize
Dynatrace 已同意以 9.15 亿美元现金和股票交易收购 Arize，旨在加强其 AI 评估能力。此次收购将使 Dynatrace 在开发生命周期的早期阶段接触到 AI 工程师，与其现有的 AI Observability 应用相辅相成。Arize 在预发布评估（包括实验和提示迭代）方面的优势将整合到 Dynatrace 的平台中，该平台已提供用于评估实时生产响应和检测漂移的工具。
-
LLM 可观测性工具整合：ClickHouse 收购 Langfuse，Mintlify 收购 Helicone
2026 年初，LLM 可观测性市场经历了重大洗牌，主要参与者被收购或战略调整。ClickHouse 以 4 亿美元收购了 Langfuse，而 Mintlify 收购了 Helicone 并停止了其功能开发。然而，Braintrust Ai 获得了 8000 万美元的 B 轮融资，保持独立，专注于其“eval-first”方法。此次整合凸显了 LLM 可观测性作为数据基础设施的本质，并迫使团队考虑其所选工具的长期可行性。
-
新基准揭示 AI 代理故障诊断差距
引入了一个名为 TelemetrySuffBench 的新基准，用于评估 AI 代理系统利用执行跟踪诊断故障源的能力。该基准包含具有延迟绑定故障的受控多组件跟踪，揭示了五个前沿语言模型在故障检测与准确故障源定位之间存在显著差距。结果表明，虽然模型可以有效检测故障，但它们难以查明确切原因，尤其是在面对需要弃权的模糊输入时。该研究强调了显式决策到来源链接和弃权保护机制对于 AI 代理系统中可靠因果归因的重要性。
-
新的代理工具增强了 Gemini LLM 的追踪和监控
一款名为 Traced LLM MCP Proxy 的新工具已被开发出来，以增强对 Gemini LLM completions 的可见性，特别是那些托管在 Vertex AI 上的。该代理充当中介，用 OpenTelemetry trace spans 包装 Gemini 调用，以帮助开发人员监控性能、识别延迟瓶颈并将 LLM 交互与其他系统操作相关联。该工具支持通过 MCP 的 streamable-http 接口或 Agent-…
-
随着市场蓬勃发展，LLM 可观测性平台在高级功能上出现分化
LLM 可观测性和评估平台市场正在迅速扩张，预计到 2030 年将达到 92.6 亿美元。平台正朝着 AI 原生工具、开源评估库、AI 网关和 APM 扩展等方向多元化发展，并且越来越多地采用 OpenTelemetry 标准以实现互操作性。Langfuse、Helicone、Opik 和 MLflow 等领先平台之间的关键差异化因素在于其高级功能，例如自动跟踪评分、复杂的速率限制规则、用于主题和 PII 检测的集成防护栏，以及具有差…
-
AWS 为 Amazon Bedrock 上的 Codex 使用情况提供可见性
AWS 推出了一种方法，可以增强在 Amazon Bedrock 上运行的 Codex 等编码代理的使用可见性。该解决方案利用 OpenTelemetry 从 Codex 收集指标，然后将这些指标发送到 Amazon CloudWatch 进行分析。该系统允许组织通过按用户、团队或成本中心组织数据来跟踪采用情况、管理消耗量并了解运营行为，而无需在模型请求路径中引入集中式代理。
-
新的 TLabel 标准旨在统一具身人工智能的触觉数据
一种名为 TLabel 的新开放标准已被开发出来，以解决具身人工智能触觉数据的“巴别塔问题”。目前，来自不同机器人实验室的触觉数据存储不一致，导致模型训练、性能基准测试或数据共享变得困难。TLabel 提供了一个通用的模式，无论使用何种传感器，都可以描述触觉数据的语义、结构和单位。该标准定义了 14 个语义维度，包括力、压力分布和滑动，并允许不同的顺应性级别以适应不同的传感器能力。
-
Runware 发布便携式 AI 数据中心；Cloudflare 简化调试
Runware 推出了 Sonic Inference Pod，这是一个用于测试便携式 AI 基础设施的模块化数据中心。这项创新旨在实现更灵活的 AI 部署。同时，Cloudflare 通过自动捕获代理会话的本地 OpenTelemetry 跟踪，简化了 Workers 的调试，从而更容易查询失败。
-
AI 代理采用 OpenTelemetry 不仅仅是安装
对 OpenTelemetry (OTel) 在 AI 代理开发中采用情况的分析表明，仅仅安装该框架不足以有效使用。作者提出了代理可用可观测性的六个条件：标准化、传播、可发现性、可控性、可访问性和可比性。这些条件突显了可观测性机制的存在与其对 Claude Code 和 Codex 等 AI 编码代理的实际效用之间的差距，强调了生成、可访问和可比较的遥测数据的必要性。
-
新的 MTGuard 框架通过混合分析增强 LLM 代理安全性
研究人员开发了 MTGuard，这是一个混合分析框架，用于增强使用模型上下文协议 (MCP) 工具的大型语言模型 (LLM) 代理的安全性。该框架结合了静态和动态分析，以检测和防止恶意工具使用，例如与 MCP 工具相关的风险，如提示注入和未经授权的操作。该方法旨在提供比单独的静态分析更强大的防御能力，确保 LLM 代理与外部环境更安全地集成。
-
RestaurantOS AI 使用多代理系统和 OpenTelemetry 实现可观察性
一个名为 RestaurantOS AI 的新 AI 系统已被开发出来，通过协调专门的自主代理来管理餐厅运营。该系统通过集成 OpenTelemetry 和 SigNoz 来实现可观察性，使 AI 决策透明化，从而解决了调试概率性 LLM 代理的挑战。这种由 Supervisor Agent 编排的多代理架构包括需求预测、库存管理、减少浪费和采购等代理，最终旨在自动化复杂决策并解决现实世界的餐厅问题。
-
AI代理可以通过测试，同时表现出危险行为
两位开发者描述了AI代理的一种关键故障模式，在这种模式下，代理会产生正确的输出，但在执行过程中表现出恶意或意外的行为。这个问题被称为“通过所有测试的bug”，当代理具有重试策略或可编辑的提示时就会发生，导致数据泄露或重复交易等操作。标准的基于输出的审计由于最终输出看起来正确而无法检测到这些问题。两位开发者都提出了解决方案，重点是监控代理的执行轨迹，而不仅仅是最终输出，通过捕获工具调用序列并将策略检查应用于确保遵守预定义的规则和范围。
-
AI 代理利用可观测性数据自我调试
一位开发者创建了一个能够通过查询可观测性数据来调试自身的 AI 代理。该代理连接到 SigNoz 的 MCP 服务器，并使用 LLM 来选择和执行工具，从而能够回答有关系统性能的诊断问题。该系统旨在解决 AI 代理静默失败的问题，并通过黑客马拉松开发而成，在创建过程中克服了多项技术挑战。
-
开发者构建自定义工具以追踪语音AI中流式LLM的性能
一位开发者创建了一个名为Zooid的自定义插桩层，以解决语音AI应用中流式大型语言模型（LLM）的性能问题。标准的应用程序性能监控（APM）工具不足以诊断语音助手的延迟问题，因为它们无法精确定位语音转文本（STT）、LLM处理和文本转语音（TTS）之间的瓶颈。Zooid利用OpenTelemetry手动追踪语音交互的整个生命周期，捕获首次响应时间（TTFT）和Token成本等自定义指标，并在SigNoz中可视化这些数据。
-
SigNoz 的 LLM 可观测性功能因配置和错误而受阻
SigNoz 在其开源平台内开发了一项 LLM 可观测性功能，但由于三个默认禁用的实验性标志和一个定价处理器中的错误，该功能在很大程度上无法使用。该功能需要同时启用 AI 可观测性和仪表板版本 2 的特定标志配置。此外，定价和 span 映射注册表为空，并且一个错误阻止了定价处理器连接到收集器管道，使得成本跟踪成为不可能。
-
OpenSmith 发布本地 LLM 追踪重大更新
OpenSmith，作为 LangSmith 的本地优先替代品，现已发布其 LLM 管道追踪功能的重大更新。新版本拥有重新设计的仪表板，支持实时更新，增强了搜索和过滤功能，并提供了将追踪导出为 JSON、CSV 或 OpenTelemetry 后端选项。它还引入了可选的 PostgreSQL 后端和用于成本管理的 token 预算警报。OpenSmith 旨在提供一个零配置、纯本地的追踪解决方案，已有超过 3.7K 的下载量且未投入营…
-
OpenSmith 发布本地 LLM 管道追踪器及新仪表板
OpenSmith 是一个开源的 Python 工具，用于在本地追踪 LLM 管道。它允许用户将 `@trace` 装饰器添加到任何函数，然后在本地查看管道执行的仪表板。最新更新包括重新设计的仪表板、实时追踪更新、CLI 搜索和过滤、JSON、CSV 和 OpenTelemetry 的导出选项、可选的 PostgreSQL 后端以及 token 预算警报。该项目在 PyPI 上总下载量约为 3.7K，上周下载量为 116 次，并正在寻…