Metrics
系统指标监控
追踪 AI 系统运行指标，掌握性能变化、错误与异常趋势。
- 推论延迟与资源使用监测
- 错误率与行为变化追踪
- 自定义业务与模型指标
AI 可观测性核心能力
整合指标、日志与流程追踪，协助团队理解 AI 系统行为，建立排查与改善依据。
Logs
互动日志记录
按资料政策记录必要互动资料，支援问题排查、回溯分析与审计需求。
- 记录必要输入、回应与中继资讯
- 支援关键字与异常搜寻
- 可配置保存周期与遮罩规则
Traces
流程与推论追踪
追踪多步骤 AI 任务流程，协助分析延迟、错误与依赖关系。
- Agent 与流程执行路径可视化
- 分析各步骤耗时与依赖关系
- 协助定位流程中的异常节点
Storage
观测数据集中管理
整合指标、日志与追踪数据，支援查询与历史分析。
- 多类型数据统一管理
- 支援高效查询与回溯分析
- 灵活的数据保存与分层策略
Visualization
监控与分析看板
透过仪表板呈现系统状态，协助团队分析问题、趋势与改善方向。
- 监控系统与模型表现
- 趋势分析与异常检测
- 支援跨维度数据分析
Deployment
私有化部署与数据安全
可按企业要求选择部署与资料保留方式，控制观测数据的存取与使用范围。
- 支援本地与私有云部署选项
- 可配置资料保留与遮罩策略
- 可控的数据存取与保留策略
AI Observability
观测 AI 系统运行状态
集中追踪指标、日志与推论流程，让 AI 系统由黑盒转为可观测，协助团队理解系统状态与排查问题。
- 指标监测（Metrics）： 追踪延迟、错误率与系统资源使用情况
- 日志记录（Logs）： 按资料政策记录必要内容，支援问题回溯
- 流程追踪（Traces）： 观测多步骤推理与任务流程，协助定位问题节点
Deep Analysis
问题定位与行为分析
透过指标与流程追踪数据，分析 AI 系统行为与异常线索，协助团队进行排错与优化。
- 数据关联分析： 结合 Metrics 与 Traces，还原系统运行全貌
- 问题定位（RCA）： 追踪每次推论流程，找出错误与异常来源
- 持续优化支援： 根据分析结果调整 Prompt 与模型设定
应用场景
支援 AI 系统的监控、排错与改善，协助团队建立可追踪的运行依据
导入流程
从观测资料收集到问题分析，建立可追踪的 AI 运行与排查流程
01
产生观测数据
AI 系统在运行过程中产生指标（Metrics）、日志（Logs）与流程追踪（Traces）。
02
收集与整合数据
透过统一机制收集不同来源数据，并按资料政策设定栏位、遮罩与保存方式。
03
储存与查询分析
将数据集中管理，支援查询、关联分析与历史回溯。
04
监控与问题定位
透过仪表板与分析工具观察系统状态，协助发现异常并定位问题。
常见问题
了解 AI 可观测性如何协助您监控系统并建立排查依据
系统会收集哪些数据？
可收集 AI 运行过程中的指标（Metrics）、日志（Logs）与流程追踪（Traces）。实际栏位会按业务需要、资料敏感度与保存政策配置。
可以观测哪些系统层面？
可观测系统效能（延迟、错误率）、AI 回应内容，以及多步骤流程中的执行状态。
数据是否需要传送到外部服务？
不一定。可按企业要求选择本地、私有云或其他受控部署方式，并设定观测资料的存取、保留与传输规则。
是否可以整合现有 AI 系统？
可以。可透过 SDK、API 或既有日志管道接入不同 AI 应用，逐步统一收集观测数据。
出现问题时如何协助排查？
透过指标、日志与流程追踪数据，协助团队比对错误、延迟、请求路径与上下文，缩短排查时间。
如何查看系统状态？
可透过仪表板查看系统指标、趋势与异常线索，并按团队角色配置不同视图。
如何处理敏感资料？
可设定敏感资料遮罩、栏位过滤、保存周期与存取权限，避免不必要地保留完整输入或输出内容。