Snowflake 为 AI Agent 推出 Agent Observability，即将私有预览

Agent Observability 是什么？

2026 年 9 月 22 日，Snowflake 官方博客发布文章，宣布 Agent Observability 即将在 Observe by Snowflake 中进入私有预览。它由 Snowflake 开发，是一套闭源云服务功能，用来监控、调试和优化 AI Agent 与 LLM 应用。

你可以把它想象成给 AI 小助手戴上一块智能手表：它每走一步、每说一句话、每花一分钱都被记录下来，出问题时可以回放查看。官方未说明私有预览的具体开放日期和定价。

为什么需要它？

AI Agent 完成一个请求时可能没有报错，但回答却是错的，或者质量很差。多步骤工作流里有很多提示、工具调用、检索、重试和补全，很难判断哪里出了问题、哪里消耗了 token 和费用。

Agent 产生的遥测数据比传统应用多得多，存储成本高，有些团队只好采样或丢弃数据，结果最需要查问题时反而没有数据。Agent Observability 就是为了解决这些新问题而设计的。

它能做什么？

它提供仪表、指标、工具和界面，帮助团队追踪 Agent 交互过程，把 Agent 行为和成本、质量联系起来。团队可以监控、调试和改进 AI Agent 与 LLM 应用，找出性能和质量问题，并了解 AI 花费花在了哪里。

它原生构建在 Snowflake 上，能低成本地大规模保留和分析 Agent 遥测数据，再和 Snowflake 上的业务数据关联，判断哪些 Agent 和工作流真正带来了好结果。

核心功能有哪些？

第一，可以用可选的 OpenTelemetry 兼容 SDK 或已有仪表来采集提示、补全、检索、工具调用、token 用量和会话 ID，SDK 已验证支持 LangChain、Anthropic Agents SDK 和 OpenAI Agents SDK。

第二，Agent Explorer 可以搜索 traces、sessions 和 conversations，查看 Agent 做了什么、调用了哪些工具、失败从哪里开始。第三，可以监控延迟、错误和成本等指标。第四，可以对生产流量运行在线 LLM-as-judge 评估，发现幻觉、护栏失败和低质量回答。第五，可以追踪离线评估结果。第六，可以通过 API 以编程方式查询遥测数据。

它怎么处理大量数据？

Agent trace 记录模型调用、检索、工具调用、重试和中间输出，所以 trace 更长、span 更大、数量更多。Observe 把 span 存为事件，按 trace ID 和 conversation ID 查询，即使 span 迟到或间隔很久也能保留完整交互。

Snowflake 原生支持复杂半结构化事件数据，适合存储和查询提示、模型响应、检索上下文、工具输入输出。云对象存储提供较低成本的存储方式，Telemetry Lakehouse Foundation 把存储和计算分开，团队可以保留更多数据，并独立扩展计算资源。

怎么调试和评估质量？

当 Agent 给出差结果时，最终回答往往讲不清完整故事。工程师需要知道 Agent 收到的上下文、模型调用顺序、检索、工具调用、重试和中间输出，以及工作流从哪里开始偏离预期。

Agent Explorer 可以搜索 Agent 交互，从对话进入底层 trace，检查提示、补全、检索上下文、工具活动和重试。Context Graph 把 Agent 遥测和相关应用、服务、API、数据库、基础设施连起来，帮助关联上下游依赖。在线 LLM-as-judge 评估把质量变成可监控的生产信号，结果链接到具体交互，方便追溯问题。

谁适合使用？

它适合正在使用 Snowflake AI Data Cloud 并部署 AI Agent 或 LLM 应用的工程团队、运维团队和业务负责人。团队可以用它调试 Agent 交互、隔离性能和质量问题、识别 AI 花费来源，并改进业务结果。

不过，原文没有说明私有预览的具体开放日期、定价、支持区域和正式版发布时间，也没有说明是否支持中文界面或中国区服务。这些信息需要等官方后续公布。