agentops
AI Agent 可观测性平台，一行代码接入，实时追踪 LLM 调用、Tool 执行和成本
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
AI Agent 可观测性平台，一行代码接入，实时追踪 LLM 调用、Tool 执行和成本
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象一下：你写了一个 AI 客服 Agent，部署上线后每天处理 1000 条用户对话。但三天后产品经理问："这 Agent 今天表现怎么样？有多少次回答错了？平均响应延迟多少？Token 花了多少？"
你打开代码，翻日志，对着一屏幕的 traceback 挠头——这就是大多数 AI Agent 开发者的真实困境：Agent 跑起来像黑箱，看不见、摸不着、出了问题只能靠猜。
AgentOps 正是为了解决这个问题而生的。它是一个 Python SDK，给 AI Agent 装上"仪表盘"，让你对 Agent 的运行状态了如指掌。
图1：AgentOps 官方 Logo
AgentOps 由 Alex Reibman（@areibman）和 Shawn Qiu（@siyangqiu）于 2023 年创立，总部位于旧金山。这两位创始人均有分布式系统和可观测性领域的背景，亲眼见证了传统软件监控工具（如 Datadog、New Relic）的成熟，但对 AI Agent 领域的监控工具空白感到沮丧。
2023 年底，随着 LangChain、CrewAI、AutoGen 等 Agent 框架的爆发式增长，团队预见到：随着 Agent 系统越来越复杂，开发者的"调试焦虑"会指数级放大。于是他们决定做一个专门面向 AI Agent 的可观测性平台，2024 年正式开源。
目前项目已有 5584 Stars、587 Forks，支持几乎所有主流 Agent 框架和 LLM 提供商，成为 AI Agent 监控领域的事实标准之一。
AgentOps 的核心能力是零侵入式追踪。开发者只需要在代码中初始化一次：
import agentops
agentops.init()
之后所有通过支持的框架调用的 LLM 请求、Tool 调用、Agent 决策过程都会被自动记录。无需手动埋点，无需改业务代码。
追踪内容包括：
AgentOps 提供实时成本监控：每次 LLM 调用的美元成本精确计算，支持多模型横向对比（GPT-4 vs Claude vs Llama）和会话级成本聚合。对于需要优化成本的企业团队，换模型供应商后成本下降 60% 而效果几乎不变的案例并不罕见。
内置评估框架支持对 Agent 进行标准化的性能测试，定义评估指标（准确率、召回率、延迟、成本），在标准数据集上运行并生成可复现的基准报告——为 AI 产品提供客观的"Agent 质量标尺"。
通过 Dashboard 直观查看 Agent 运行状态：Session Tree 以树形结构展示完整执行链路，Waterfall 瀑布图展示各步骤执行时长分布，快速定位性能瓶颈。
图2：Session Tree 视图——以树形结构展示 Agent 的一次完整执行链路
支持 OpenTelemetry 标准，可将追踪数据导出到任何兼容 OTel 的后端（Jaeger、Zipkin、Grafana Tempo），无缝接入已有可观测性基础设施。
图3：Waterfall 瀑布图——展示各步骤的执行时长分布，快速定位性能瓶颈
agentops/
├── client/ # 核心客户端，管理会话和事件上报
├── sdk/ # 新版 SDK，支持 decorators（@trace, @agent, @task）
├── instrumentation/ # 各框架的插桩模块
│ ├── providers/ # LLM 提供商适配（OpenAI, Anthropic, Cohere...）
│ └── agentic/ # Agent 框架适配（LangChain, CrewAI, AutoGen...）
├── integration/ # 回调集成
│ └── callbacks/ # 各框架的回调实现
├── logging/ # 日志配置
└── semconv/ # OpenTelemetry 语义约定
| 层次 | 技术选型 | 说明 |
|---|---|---|
| 追踪标准 | OpenTelemetry | 行业标准的可观测性协议 |
| HTTP 客户端 | httpx + requests | 同步/异步 LLM 请求拦截 |
| 仪表盘前端 | Next.js（app/dashboard/） | 完整的 Web UI |
| 数据后端 | Supabase + ClickHouse | PostgreSQL 元数据 + ClickHouse 时序数据 |
| 依赖注入 | wrapt（猴子补丁） | 自动包装 LLM 调用，无需修改原始代码 |
这是 AgentOps 最巧妙的地方。通过 wrapt 库动态包装第三方库（如 openai, anthropic）的函数，在完全无感知的情况下插入追踪逻辑。这种"魔法"式的集成方式，是 AgentOps 能够支持 20+ 框架而不需要每个框架单独维护插件的根本原因。
支持的 Agent 框架： CrewAI、CrewAI Tools、LangChain、LangGraph、AutoGen、AG2（微软）、OpenAI Agents SDK、DSPy、Google ADK、CAMEL、Agno。
支持的 LLM 提供商： OpenAI、Anthropic、Google Gemini、Azure OpenAI、Cohere、Mistral、Groq、Ollama（本地模型）。
无论用哪个框架、哪个模型，AgentOps 几乎都能监控。
pip install agentops
import agentops
# 方式1：API Key 方式（推荐）
agentops.init(api_key="your-api-key")
# 方式2：开发模式（本地查看，不上传云端）
agentops.init(dev=True)
# 之后正常运行你的 Agent 代码
from crewai import Agent, Task
# ... 你的业务代码 ...
cd app
cp .env.example .env
# 填写 Supabase / ClickHouse 配置
docker compose up
Dashboard 使用 Next.js + Supabase + ClickHouse，需要自行准备数据库资源。
图4：API Keys 管理界面——在 Dashboard 中创建和管控访问密钥
图5：Session Link——AgentOps 自动生成会话链接，可直接分享给团队成员查看追踪详情
官方 Dashboard（app.agentops.ai）是云端服务，LLM 调用数据（包括 Prompt/Response）会上传到 AgentOps 服务器。对于处理敏感数据的企业，这是一个需要评估的隐私风险。解法是使用自托管或 dev=True 模式。
wrapt 猴子补丁虽然方便，但有潜在风险：与其他也使用 monkey patching 的库可能冲突；第三方库版本升级可能导致补丁失效；在某些严格的安全沙箱环境中可能无法生效。
自托管需要配置 Supabase + ClickHouse + Docker Compose，对于没有 DevOps 经验的开发者有一定门槛。
虽然声称支持 20+ 框架，但对某些小众框架的集成质量参差不齐。文档中推荐使用特定版本组合，跨版本可能出现兼容性问题。
AgentOps 的出现代表了 AI Agent 开发工具链的一个必然方向：可观测性。
传统软件有成熟的监控体系（APM、Logging、Tracing），但 AI Agent 引入了新的复杂性：LLM 的非确定性输出、多 Agent 协作的决策树、Prompt 工程对效果的巨大影响、Token 成本优化。AgentOps 填补了这个空白。
从行业趋势看，随着 Agent 系统越来越复杂（多 Agent 协作、RAG 增强、外部工具调用），对可观测性工具的需求只会增加。类似 Datadog 之于微服务，AgentOps 正在成为 AI Agent 领域的基础设施。
| 维度 | 评分 | 说明 |
|---|---|---|
| 集成广度 | ★★★★★ | 支持 20+ 框架，几乎覆盖主流生态 |
| 部署简便性 | ★★★★☆ | pip install 即可，Dashboard 可选 |
| 代码质量 | ★★★★☆ | 活跃维护，MIT 许可，文档完善 |
| 可扩展性 | ★★★★★ | OpenTelemetry 原生支持，生态可扩展 |
| 隐私合规 | ★★★☆☆ | 云端模式需注意数据隐私 |
AgentOps 是目前最值得关注的 AI Agent 监控工具之一。对于正在构建或维护 AI Agent 应用的团队，它能显著提升调试效率和成本透明度。