Summary
Agent Operation Tracing 是 LobeHub 自研的 Agent 可观测性基础设施，为每次 Agent 执行生成完整的 Execution Snapshot（执行快照），是 Self-Evolving Harness 的核心构件。
Key Points
为什么 Tracing 是 Self-Evolution 的前提
要让 Harness 改进自己，首先要让系统知道自己刚才发生了什么。没有可追溯的执行记录，Self-Evolution 就是空中楼阁。
行业困境
主流 Agent Framework 的 tracing 都是「后加」的：
- LangChain: callback 可选，忘了注册就丢 trace
- CrewAI: 事件监听器挂在事件总线上，事件丢失 = trace 断裂
- OpenAI Agents: 需要显式创建 trace，不自动传播
- AG2: middleware 可选安装，不装就零 tracing
根本原因：所有 runtime 架构都没把 observability 当作一等公民。
LobeHub 的方案
状态机模型 + 单步执行原则：
执行 → [需要手动加 callback] → 产生 trace (行业现状)
单步执行 → 自然产生 trace（run step = event boundary） (LobeHub)
Execution Snapshot 内容
每次 Agent 执行记录：
- 调用了哪个模型
- 每个 LLM 请求的 Token 消耗和 cache 命中率
- 每一步的类型（call_llm / call_tool）和耗时
- 执行总步数、总耗时、总成本
- 出错步骤和错误详情
- 单步执行时的 Context Engine 状态
价值
- 开发调试: 可视化执行流程
- 生产环境: 每次失败留下足够上下文，支持错误模式分析、上下文策略优化、新模型适配
- Harness 进化: Trace 是 Harness 的黑匣子，让问题可以回放、归因和比较
开源
Agent Tracing 已在 LobeHub 主仓库开源
Related Pages
- self-evolving-harness — 理念框架
- harness-engineering — 工程实践
- harness — Harness 概念
- lobehub — 实现项目
- claude-code-session-management — Claude Code 的 session 管理（类似的可观测性需求）