《DeepSeek Harness 全景可观测实践》

AI 编码 Agent 真正跑起任务后，问题往往不再是“它有没有完成”，而是：这一轮为什么花了 47 秒？时间卡在模型还是工具？失败后重试了几次？Token 消耗来自主 Agent 还是 Subagent？
DeepSeek Harness（下文简称 DSH）已经保存了很完整的 Session 日志，但要回答耗时、调用关系和成本问题，还需要把事件组织成 Trace 和 Metrics，才能看清问题的全貌。
为了采集 DSH 全景可观测数据，阿里云可观测团队基于开源的 LoongSuite，为 DSH 提供了两条开源可观测路线：一条是可以从 DSH 插件市场独立安装的 LoongSuite Pilot 内置的 DSH 集成。它们都基于 OpenTelemetry GenAI 语义，数据可以进入用户自己选择的兼容后端，但部署形态和适用场景并不相同。
本文从实践角度出发，为 DeepSeek Harness 提供全景可观测的实践方案。
点击下方链接，查看详情：网页链接