日志字段失真会让运维智能体误判
服务虽在日志正文中写入 ERROR,结构化严重级别字段却为空,导致智能体查询后误报服务健康。文章由此讨论遥测数据的可信度,以及智能体能否正确解释数据。
AI 深度解读
Agent 查完日志,告诉你支付服务过去一小时没有异常。查询语句没错,结果也确实为空,但服务正在报错:ERROR 写在日志正文里,真正用于过滤的 severity 字段却是空的。
OllyGarden 和 Causely 的这篇联合文章讨论了两个问题:Agent 读到的数据是否可信,以及数据准确时,它能否找对故障原因。前半篇来自遥测审计,后半篇介绍因果分析产品及实验。对准备让 AI 排障、自动提修复 PR 的团队,这两道检查比继续打磨提示词更值得先做。
为什么查不到错误,不能证明服务健康
遥测(telemetry)指日志、指标、链路追踪等运行数据。作者区分了两类问题:一分钟重复一万次的日志、属性里泄露的密码,都很显眼;更危险的数据则格式合法、查询正常,却悄悄改变了答案。
作者在 2026 年 7 月至 10 月抽样审计了多家组织的 OpenTelemetry 数据。这些组织主动寻求遥测质量服务,样本规模也不具代表性,因此下述数字只能说明他们实际遇到了什么,不能当作行业故障率。
第一类是该有的信息缺失。
在深入检查 trace 的每家组织中,带错误状态的 span 有 **38% 到 96%**既没有状态说明,也没有异常事件,多数组织超过 90%。Agent 知道失败了,却不知道为什么。几乎每家组织还存在缺少可用 service.name 的数据,或者沿用 unknown_service:java 这样的 SDK 默认值,导致数据无法可靠归属到服务。
链路也可能提前断掉。样本中的每家组织都有服务,其单 span trace 占比达到 59% 到 100%;一个服务在 5 分钟内产生了 140 万条 trace,其中 99.9% 只有一个 span。独立处理任务的 worker 可以合理地产生单 span,但如此高的比例通常提示网关、队列或线程池处的上下文传播出了问题。Agent 看到的最后一跳,很容易被误当成故障所在。
第二类是字段互相矛盾。
多数受检组织中,正文看起来像错误的日志,约四分之一到四分之三却标成 INFO、DEBUG,或根本没有 severity。原文这个记录就暴露了冲突:
{"error":"context canceled","level":"INFO","msg":"Unable to proxy request"}
要看的是 level:它标成 INFO,正文却描述了一次失败。另一条批量导出 span 的 HTTP 状态是 200,底层 gRPC 状态却是 8,即资源耗尽,错误说明为批次超过最大消息大小。只检查 HTTP 状态,就会把拒绝接收看成成功送达。
第三类是同一件事用了多套名字。
一个组织里,125 个服务使用 http.method,16 个使用 http.request.method。Agent 按当前约定查询,只覆盖约八分之一的服务。另一个组织用了 30 种日志级别写法,包括 ERR、error、SEVERE,甚至混进了 JSON 片段。deployment.environment 和 deployment.environment.name 并存,也会让生产环境过滤只返回部分生产数据。
查询正确,只能证明它正确执行了条件,不能证明条件覆盖了真实事件。
先修关键边界,比继续增加埋点更有用
作者给出的办法是最小可行埋点(Minimum Viable Instrumentation,MVI):先保证一小组关键数据正确,再讨论覆盖数量。
它关注每个服务的边界,包括入站请求,以及访问数据库、队列和其他服务的出站调用;保证调用之间能传播 trace 上下文;错误记录包含原因;组织内统一属性名称。最后,在合并代码前,把数据送到真实的 Collector 验证,提前发现错误的 service.name 和丢失的链路上下文。
这对 Node 服务同样适用。装上自动埋点,不等于获得了一条可用于排障的完整链路。请求进入服务后,经过异步任务或队列,是否还能关联到后续处理,需要实际验证。
作者也没有要求把所有服务都补齐:即将退役、不会被人或 Agent 查询的服务,可以跳过;优先处理 Agent 已在读取的关键服务,并建议从最重要的 20% 入手。这里的 20% 是优先级原则,没有配套的收益测量。
不过,数据准确仍然可能被读错。原文有个退款 worker,p99 延迟达到 20 秒,看起来像严重变慢,实际上测到的是队列轮询等待时间。还有一条 trace,看起来从账本消费者开始,但根 span 仍引用父节点,因为上游生产者没有导出自己的 span。
这些值可以完全准确。缺的是指标对应什么操作、哪些组件没有上报的系统知识。
自动提 PR,最怕找到一个能解释现象的原因
文章后半部分用 OpenTelemetry Astronomy Shop 的 checkout 流程说明另一种失败方式。
checkout 告警后,Agent 查询相关日志和 trace,发现请求失败,而且调用 product-catalog 时出现连接拒绝;product-catalog 的一个 pod 当天下午确实重启过。于是它提交 PR,为这个客户端增加退避重试。
证据是真的,修改也看起来合理。但设定中的实际故障,是 payment 的代码变更拒绝了每笔交易。payment 没有告警,pod 也没有重启、OOMKill 或资源异常,checkout、accounting、shipping 的错误却都由它引起。合并重试 PR 后,交易仍然失败。
这里的问题是,Agent 找到了一个能解释局部现象的故事,却没验证它能否解释整组症状。
Causely 提供的方案,是持续维护环境依赖和故障传播模型,再通过 MCP server 向 Agent 提供因果上下文。在这个例子里,模型把多个服务的错误指向 payment,并排除已经结束、与当前故障无关的 product-catalog 重启。产品也可以直接触发 Agent,让调查从已识别的原因开始。

作者称,他们在 Astronomy Shop 的公开基准里测试了 4 种配置,包括 2 个 coding agent 和 2 个 SRE agent,分别接入和不接入 Causely MCP server。但给定正文没有列出各配置的具体结果,不能据此计算准确率提升。
另一个实验使用 Claude Managed Agents 和一个 36 服务应用:两边都找到了正确修复,但没有因果上下文的一方多用了 3.6 倍到 7 倍工具调用。它支持的是这个实验中的调用效率差异,不能直接推广成所有排障任务都更准确。
我的判断
我认同文章前半部分的优先级。字段缺失、语义冲突、命名分裂,都会让正确查询产生错误判断。让 Agent 多查几次,未必能补上这些缺口;统一字段并验证关键链路,更接近问题所在。
后半部分的方向也合理,但产品结论要留出距离。文章由提供遥测质量服务和因果分析产品的双方联合撰写,案例有参考价值,产品优势仍需要看完整实验。尤其是作者声称输入差时,诊断只会变得不够具体,而不会出错,给定正文没有提供足够证据支撑这个强结论。
因果图也依赖输入和建模。原文承认,缺少 service.name 会影响节点身份,上下文传播断裂会隐藏依赖;其 eBPF 自动埋点可以补充部分覆盖,但补到什么程度,正文没说清。
与直接接入产品相比,要求 Agent 检查时间线、列出替代原因、验证修复后的原始症状,是团队现在就能执行的做法。不过,文章没有给这些流程与 Causely 的对照数据,不能判断两者的成本收益。
一份可靠的修复 PR,应该解释为什么改这里,也应该说明排除了什么。
能拿来做什么
- 给 Agent 常查的 Node 服务做一次遥测抽查:统计错误 span 有多少带原因,找出缺失或默认的
service.name,并按服务统计单 span trace 比例。发现比例高时,先核对服务形态,再判断是否存在传播断点。 - 检查查询所依赖的字段是否统一,重点看
http.method与http.request.method、两种部署环境属性,以及日志正文和 severity 是否一致。把关键请求送进真实 Collector,作为埋点变更的合并前验证。 - 审查 Agent 最近 10 个可靠性修复 PR:它改的是发出告警的服务,还是证据指向的故障源;它是否列出替代解释;重启、部署与错误发生时间是否吻合。
- 把原始告警和业务症状是否消失纳入修复验收。PR 合并只能证明代码已变更,不能证明支付恢复,也不能证明先前的根因判断成立。