可观测性

推荐理由：AWS官方教程，教你用SageMaker AI和Bedrock AgentCore搭多智能体流程，还能拿到token级监控，比Strands Agents默认的细致。

推荐理由：智能体跑在 AWS 外也能用 AgentCore 监控，ADOT 加 IAM 就能把 trace 和 token 用量接到同一仪表盘。

推荐理由：LangSmith 的 Dashboard 大改版，能把 KPI、趋势和 Trace 拆解放一起看，做报告方便多了。

推荐理由：LangChain 把网关护栏和 trace 打通了，触发后直接看记录改配置，不用再翻日志。用 LangSmith 的可以试试。

推荐理由：MetaSk团队发了个监控注意力内存的工具，能跨四类缓存统一检测，实测定位了DeepSeek-V4的静默损坏，还有Lean证明。

推荐理由：想看清团队里Codex用得多不多、稳不稳？这篇教程教你用OpenTelemetry把数据接到CloudWatch，按人、按团队拆开看。

推荐理由：搞语音 agent 的兄弟别瞎猜了，LangSmith 直接帮你盯住 pipecat、livekit、OpenAI 和 Gemini 的调用，生产排障省大事。

推荐理由：AWS博客教你用Bedrock AgentCore内置观察功能排查生产智能体故障，比如无限循环和工具调用失败，省去自己搭建监控的麻烦。

推荐理由：Vercel给eve.dev加了agent调试跟踪，能看模型调用、错误和token，开发者福音。

推荐理由：如果你在用 LangGraph 做 agent，这招能帮你从 demo 变成可交付的系统——关键是 LangSmith 的 trace 和 eval。

推荐理由：想系统掌握 LLM 应用的可观测性与评估？这篇教程用 Langfuse 手把手带你走通追踪、提示管理、评分和实验全流程，还支持模拟 LLM 免费用。做 LLM 工程或运维的团队值得收藏。

推荐理由：LangSmith Engine 是 LangChain 生态的调试和监控核心，做 LLM 应用生产的开发者值得了解其内部机制，能帮你更精准地定位问题。

推荐理由：做智能体开发和运维的团队终于有了专门的数据层——SmithDB 解决了大规模追踪数据下的查询延迟和自托管痛点，值得关注。

推荐理由：做SRE或运维自动化的团队，终于有了让AI代理真正理解生产环境因果关系的方案——诊断时间砍半、成本降六成，值得直接拿demo试试。

推荐理由：LangSmith 性能快了 12 倍，部署更简单