可观测性
Observability
学到 认得 就够：听到能明白
你可能会说
“助手有时给错文献，有时卡在工具调用，我想知道错误发生在哪一步；只保存最终答案，为什么通常查不出原因？”
可观测性让人通过日志、指标和运行轨迹理解系统内部发生了什么，定位失败与性能问题；它关注可检查记录，不是让模型自述自己可靠。
使用 AI
科研里的例子
发现论文样本量错误时，沿记录查看原文提取、检索片段和最终生成，确定是 OCR 丢字、取错文献还是回答改写出错。
AI 应用的观察对象包括输入版本、模型调用、检索候选、工具参数、返回状态、时间和产物位置。记录得当可以区分检索漏失、生成误读或写入失败，也方便比较更新前后的变化。过量记录会带来噪声与隐私负担，因此需要选择必要字段、访问范围和保留方式。科研使用中，应让运行证据与实质核验相互连接，而不把一屏日志当成研究有效性证明。
判断
亲手检查一次
挑一个已知失败，确认记录足以定位发生层和相关输入；若只能看到最终错误答案，就补充真正有诊断价值的字段。
它做不到的
日志齐全不等于系统无错，缺少记录也不证明没有发生动作；应注意日志可能包含个人数据、文件路径和服务返回内容。
增量，由你来写
读完这张，你的理解变了什么？
留言功能会在后面的版本开放。现在可以先在 X 上 @knowledgedelta 告诉我。