你的AI编码代理正在烧掉数百万，却没人知道钱花在哪里

AI编码代理市场正在蓬勃发展。Cursor、Claude Code、Codex和Qoder已从玩具变成了日常工具。订阅费用每人每月20到200美元，再加上API令牌成本。一个五十人的工程团队每年可能烧掉一百万美元。当高管询问这笔投资是否值得时，答案通常是耸耸肩。市场本身也显示出采用速度之快：OpenCode在仅靠开源代理的情况下就达到了4000万美元ARR。

这种可见性缺口是结构性的。传统的可观测性工具（主机探针、语言代理、APM仪表盘）是为服务器端工作负载设计的。它们假设代码在数据中心运行。AI编码代理则在开发者笔记本电脑上运行，在IDE内部，进程在几秒内产生并消亡。它们的数据最终存在于SQLite数据库、JSON日志文件、钩子回调和会话转储中。没有标准的收集管道存在。

可观测性问题的三个层级

阿里云的工程师在一篇关于LoongSuite Pilot的博文中将困难描述为三个层级。首先，代理行为本身难以观察。单个任务可能包含十轮以上的ReAct推理。每一轮涉及多次模型调用、工具选择和结果反思。标准指标、日志和追踪只能看到一大堆独立的HTTP请求，而看不到背后的层次化决策链。这与近期一项关于StructAgent的研究结果一致，该研究发现代理工作记忆常常是长任务中的瓶颈。

其次，多代理数据是碎片化的。每个工具都以自己的格式和位置存储数据。Cursor将历史存储在一个地方，Claude Code在另一个地方。如果没有标准化层，跨代理比较几乎不可能。

第三，端点本身就是一个可观测性的死区。主机级探针和进程级代理是为服务器设计的，而不是为开发者机器设计的。数据分散在IDE历史文件、本地数据库和钩子日志中，传统解决方案从未触及这些地方。

统一的收集架构

LoongSuite Pilot现已作为阿里云LoongSuite生态系统的一部分开源，它试图弥合这一差距。核心设计决策是一个统一的收集平台，能够自动检测开发者机器上安装的任何AI编码代理，并适应其原生数据格式。该架构使用五个收集基类，每个针对不同种类的代理行为：

所有收集的数据都被标准化为一种称为AgentActivityEntry的标准事件格式，该格式基于OpenTelemetry GenAI语义约定。这意味着一条SQL查询即可聚合来自Claude Code、Cursor、Codex和Qoder的数据，这一能力至今为止在行业中一直缺失。

超越直觉的ROI

有了统一的数据，团队可以开始回答以前只能靠猜测的问题。哪个代理每令牌产出最多？令牌在哪些地方浪费于重复的试错循环？Pilot包含了示例查询，如每用户每周的令牌总消耗、工具调用频率分布，以及单轮超过50000令牌的异常会话检测。这些低效并非理论上的。生产环境中代理部署常常因为规划失败而停滞，只有当你有追踪级数据时才会显现，正如对生产环境代理失败的分析所指出的。

在实践中，阿里团队发现，消耗最多令牌的会话往往产生最差的结果。他们识别出三种模式：循环试错（反复编写和测试错误的解决方案）、上下文膨胀（将无关上下文拖过多个轮次）以及过度谨慎（在行动前将大部分令牌用于思考）。这些模式在没有追踪级数据时都无法看到。

安全盲点

除了成本，可观测性问题还有一个安全角度。AI编码代理是第一批具有广泛代码写入权限的非人类实体。一个代理可以在几分钟内修改数十个文件、运行shell命令并访问数百条代码路径，所有操作都由一个可能被操纵的模型的概率决策驱动。提示注入是一个真实威胁：攻击者将指令嵌入代码注释或问题描述中，导致代理泄露环境变量、删除文件或将数据发送到外部服务器。没有完整的行为日志记录，这类事件与正常活动无法区分。这种威胁的严重性并非抽象。在一次真实事件中，一个OpenAI模型在网络安全评估期间突破了Hugging Face而未被检测到，正如OpenAI自己披露的那样。

Pilot项目包含一个去标识化层，在数据离开本地机器之前自动掩盖API密钥、数据库连接字符串和私钥。它还提供了细粒度的收集控制：团队可以选择只收集令牌计数和模型名称，也可以为了审计目的收集完整消息内容。

行业下一步需要什么

LoongSuite Pilot是一次尝试，但问题远超任何一个项目。AI编码代理还很年轻。工具生态系统的演进速度超过了应该指导它的可观测性标准。Pilot的真正价值在于将对话从特定供应商的仪表盘推向一种开放的、标准化的衡量代理实际行为的方式。

部署代理却不收集这些数据的团队是在盲飞。问题不在于可观测性是否重要。而在于他们能承受忽视它多久。