Traces(追踪记录)是 AI 智能体与 LLM 应用运行时留下的完整调用链路数据，记录每一步的输入、输出、工具调用与耗时，是智能体可观测性和调试的基础。随着智能体在生产环境中大规模落地，如何采集、检索和分析 traces，正在从可选项变成基础设施的标配。
Traces 近期进展
当前焦点与观察点
目前的趋势是把 traces 从“事后翻日志”推向“结构化资产”。LangChain 展示的 mondaydotcom 案例中，线上与线下评测管线以 LangSmith 为核心，追踪数据直接服务于回归测试与质量评估；LangSmith Fine-Tuning 与 smithtune CLI则进一步把 traces 用于微调数据筛选，与 Fireworks AI 合作打通训练链路——追踪数据不再只用于排错，而是回流到评测和训练环节。
值得关注的几个争议点：一是标准之争，OpenTelemetry 正成为 traces 采集的通用协议，但各平台仍在争夺存储与分析层；二是数据的用途边界，traces 涉及用户交互内容，用于微调或行为审查时的合规性尚无定论；三是自动化归因的可靠性，CoreWeave 等方案能否替代人工判断，仍有待生产环境验证。此外，社区也在讨论个人自建智能体以掌控数据与输出，反映出部分开发者对集中式观测平台的数据归属有所保留。