生成式AI和自主AI正在改变全球企业的IT运营和可观察性。它们加速数据分析，帮助工程师深入调查系统问题，提高效率。自主AI自动处理重复性任务，支持IT团队管理复杂的微服务架构，实时监控数据，提升云环境的运营。未来，这些工具将更强大，减少人工干预，推动可观察性数据的民主化。

本文讨论了如何为AI代理创建网络边界，以提高安全性和可观察性。通过结合NGINX和OpenTelemetry，可以有效控制和监测AI代理的网络行为。尽管这种方法专注于网络行为的控制，但并不能保证代理的决策是安全的。未来的工作将探讨如何将网络控制与更高层次的治理机制结合。

文章讨论了AI代理的身份验证和授权问题，强调代理需要强身份验证、政策执行和可观察性。代理平台应集中处理身份传播、验证和审计，确保代理在特定范围内代表用户行事。代理与用户的身份关系必须明确、可验证和可执行。

企业管理授权扩展（EMA）现已稳定，允许组织集中管理MCP服务器的访问。用户通过单一登录访问所有连接的MCP服务器，简化了授权流程，减少了重复授权的麻烦。此扩展已被多家企业采用，旨在提高安全性和可观察性，推动MCP在企业中的应用。

本文介绍了可观察性的基础知识，包括日志、指标和追踪。服务在运行时会生成事件，日志记录单个事件，指标统计多个事件，而追踪则连接相关事件。文章详细阐述了这些概念及其在可观察性中的重要性。

AgentOps是一个操作框架，用于设计、部署和监控自主AI代理，确保其行为可解释、可测量并符合业务目标。它通过可观察性、评估、成本治理、安全性和持续改进五个核心支柱实现这些目标。与传统监控不同，AgentOps能够捕捉多步骤因果链，提供会话重放功能，帮助调试代理失败模式，并有效管理成本和安全性。

本文介绍了2026年掌握LLMOps的路线图，涵盖构建生产级LLM系统的六个步骤，包括可观察性、评估、成本控制和代理协调。LLMOps与传统MLOps的不同在于模型变化频率较低，主要关注提示版本控制和输出非确定性。在实施LLMOps工具前，需要具备Python基础、LLM基础知识和云基础设施知识。最后，提供了逐步学习计划，强调从基础到生产的系统构建过程。

调试AI系统与传统软件不同，因为AI系统的失败具有不确定性。本文探讨通过可观察性驱动的工程方法调试AI服务，强调在每个工作流程阶段进行监控和记录，以追踪决策过程。引入OpenTelemetry等工具有助于识别潜在问题，确保系统的可靠性和可维护性。

本文讨论了在Next.js和Supabase应用中实现可观察性的方法。虽然Supabase提供查询洞察和日志，但无法跨整个技术栈进行追踪。文章介绍了如何通过分布式追踪、日志排放和Sentry的AI辅助调试来连接Next.js、Supabase Edge Functions和Postgres。此外，Sentry正在为44个JavaScript库添加TracingChannel支持，以增强可观察性。

Kin Lane认为，AI的成本即将显现，企业在投入AI资源时常忽视基础设施的可见性和管理。技术与业务之间的沟通障碍使企业难以评估AI的真实价值。他提倡通过标签化和业务可观察性来改善这一现状，以帮助企业更好地理解成本和收益，实现有效的资源管理和创新。

文章讨论了在生产环境中运行人工智能的必要条件。CoreWeave的CTO彼得·萨兰基强调了可观察性、利用率和调度的重要性，并建议避免过早过度设计。CoreWeave是专为AI构建的云平台，旨在支持复杂的AI工作负载。

云原生计算基金会（CNCF）宣布OpenTelemetry正式毕业，这是一个广泛采用的开源可观察性框架。该项目于2019年合并了OpenTracing和OpenCensus，旨在标准化跨编程语言和基础设施的遥测数据收集。OpenTelemetry的中立性促进了行业的广泛采用，主要云服务商均支持该框架。尽管其快速增长带来了复杂性和稳定性问题，但它为AI工作负载提供了基础，成为现代基础设施的重要组成部分。

Unity AI Gateway是一个新的AI治理平台，旨在帮助组织控制AI代理的行为、成本和安全性。它提供实时政策管理、成本控制和全面可观察性，确保AI在生产环境中的安全和合规。新功能包括基于LLM的安全防护、成本跟踪和请求日志记录，帮助团队有效管理AI使用，防止成本失控。

Ryan与Honeycomb首席执行官Christine Yen讨论了AI如何缩短软件开发周期，并强调可观察性在捕获遥测数据中的重要性。Resolve AI首席执行官Spiros Xanthos指出，尽管AI编码增加了代码量，但却降低了人类的直觉，使生产操作变得更加复杂。

2026年日本KubeCon + CloudNativeCon将于7月29-30日在横滨举行，主题包括人工智能、可观察性和平台工程。会议旨在帮助企业现代化技术基础设施，推动开源技术应用，活动内容包括主题演讲、讨论会和技术分享，吸引开发者和技术专家参与。

本文介绍了七种领先的LLM可观察性工具，帮助AI工程师监控和调试大语言模型应用。这些工具包括LangSmith、Langfuse、Arize Phoenix、Datadog LLM Observability、Lunary、TruLens和Helicone。每种工具具有不同的核心功能，如追踪、评估、成本跟踪和提示管理，适用于不同团队和需求。选择合适的工具取决于技术栈、团队规模和优先事项。

OpenClaw.NET 是一个自托管的 AI Agent 运行时，旨在将强大的 AI 能力约束在可观察和可审批的结构中。它提供 48 个原生工具，支持多种通信渠道，确保安全性和可管理性。其设计哲学强调实用性、可观察性和明确性，旨在帮助开发者快速启动和运行 Agent，提升智能系统的可靠性和信任。

Sentry 正在为 44 个 JavaScript 库添加 TracingChannel 支持，以取代不稳定的 monkey-patching，提供跨所有运行时的原生可观察性。Tracing Channels 允许库自行发出遥测数据，提升可观察性，生态系统也在逐步适应这一变化。

Redis最近发布了多个重要更新，包括企业级特征存储和安全性增强。新的特征表单支持机器学习团队高效管理特征，确保低延迟。Redis Cloud的安全更新提供了更严格的数据访问控制，支持私有连接和简化的网络安全，同时增加了基于OpenTelemetry的可观察性，帮助开发者监控应用性能。

现代企业通过开源项目OpenTelemetry和生成性AI，将可观察性数据开放给全体员工，使非技术人员能够直接查询数据。这一做法有助于快速解决问题，提高决策效率，减少对SRE团队的依赖。