034、监控与可观测性：日志、指标与追踪

从一次深夜告警说起

上周三凌晨两点，手机突然狂震——生产环境某个AI推理服务响应时间飙到了5秒。打开监控面板，CPU和内存曲线平稳得可疑，日志里只有零星几个WARNING，但业务侧投诉已经堆了十几条。这种“系统看起来正常但实际已瘫痪”的场面，相信各位都遇到过。问题最终定位到GPU内存泄漏，但传统监控手段完全没捕捉到关键信号。这件事让我重新审视：在AI Agent这种多层异构系统里，到底该怎么看清系统内部发生了什么？

日志：不只是printf

日志是我们最熟悉的老朋友，但在分布式Agent场景下，很多人还在用本地文件写日志，出问题时得挨个服务器翻文件。更糟糕的是，日志级别滥用——要么全打INFO淹死有效信息，要么只打ERROR丢了上下文。

# 反面教材：这种日志除了占磁盘没任何价值logger.info(f"Processing request{request_id