Tracing（链路追踪）是记录 AI 应用与智能体执行过程中每一步调用、决策和数据的可观测性技术，通过结构化日志让开发者看清模型调用链、工具使用和成本分布，已成为 LLM 应用开发的基础设施之一。随着智能体任务越来越长、调用链越来越复杂，Tracing 正从调试工具升级为排查问题、控制成本的核心手段。
Tracing 的近期进展
当前焦点与观察点
目前 Tracing 赛道呈现两个趋势：一是从单次调用记录走向全链路、跨系统的智能体轨迹分析，例如用 Google ADK 与 Gemini Live 构建语音智能体时通过 LangSmith 实现全链路追踪；二是从被动排查走向主动评测与成本优化，Agent Arena 这类用真实长程任务评测模型的方式，也在依赖对执行轨迹的记录与分析。
值得关注的争议点在于：各平台的 Tracing 数据格式尚不统一，跨工具迁移成本较高；同时追踪本身带来的性能开销与隐私合规问题，也逐渐成为团队选型时的考量因素。未来标准化协议（如 OTel 生态的适配）能否收敛，将决定这一领域能否形成开放格局。