当 Agent 从"能用"走向"好用"，强化学习（RL）成为关键路径——但 AI Agent 的执行链路正在变得前所未有的复杂——LLM 推理产生意图，Agent 框架编排决策，沙箱平台调度容器，运行时执行系统调用——但现有的可观测工具只能看到其中的碎片。APM 看到 HTTP 请求，K8s 看到 Pod 生命周期，日志系统记录文本片段，没有任何一个方案能回答最核心的问题："Agent 想做什么？实际做了什么？结果怎样？"

本次演讲将分享我们如何基于 eBPF 构建覆盖"LLM → Agent → 沙箱平台 → 运行时"全链路的无侵入式可观测体系。eBPF 工作在内核层，天然穿透所有基于容器的沙箱实现，不需要 Agent 修改一行代码，不需要沙箱预装任何组件。我们将完整展示这套体系如何打通四个观测层：在 LLM 层还原每次对话的 Token 消耗与延迟；在 Agent 层关联意图与行为；在沙箱平台层通过审计日志与运行时事件的时空关联建立完整 Trace；在运行时层捕获每个命令的 Stdio、退出码和资源消耗。所有数据通过 OTLP 标准协议输出，可直接接入 Jaeger、Grafana 等现有可观测基础设施，同时为 RL 训练提供结构化的 Reward Signal。

演讲提纲

1. 为什么 Agent 需要一种全新的可观测方案

• 现有工具问题：APM 看 HTTP、K8s 看 Pod、日志看文本，串起"想做什么→做了什么→结果怎样"
• Agent 的执行链路跨越四个层：LLM 推理、Agent 编排、沙箱调度、运行时执行，每一层都有独立的上下文
• 沙箱是 Agent 安全执行的基石，但也是可观测性断裂最严重的边界
• 零侵入是刚需：不能要求每个沙箱镜像预装 SDK，不能要求 Agent 框架改代码
• eBPF 方案的优势：海量并发下的零侵入采集、内核态高效过滤、零进程重启，适配多种沙箱环境

2.  深度感知：构建 Agent 执行的"全息画像"

• 监控工具调用从 fork 到 exec 到 exit 的完整生命周期，构建进程树，识别异常退出的子进程
• 捕获 stdout/stderr 的关键输出，直接获取工具执行的原始回显，这是判定 Agent 行为真实性的核心依据
• 精确统计每个执行步骤的 CPU 时间和内存（RSS）微观波动，量化 Agent 解决问题的"效率成本"
• 通过 eBPF Uprobes 在内存态还原加密的 Prompt 意图与外部 API 调用的真实响应，打通 Agent 与环境的交互盲区
• eBPF 天然穿透所有基于容器的沙箱——Docker、K8s Pod、各类 Agent 专用沙箱，一套方案全部覆盖

3. 打通全链路：从 LLM 对话到内核 Syscall 的完整视图

• LLM 层：通过 eBPF 透明解密 TLS 流量，还原每次对话的 Prompt/Response、Token 用量、首 Token 延迟和请求耗时。在 eBPF 层透明拦截 Agent 的出站 HTTP 请求，自动注入 W3C Trace Context
• Agent 层：自动识别 Agent、Tool、LLM Source 三类资产及其调用拓扑，无需配置声明
• 沙箱平台层：K8s 审计日志与 eBPF 运行时事件的时空关联，将平台侧的调度意图与沙箱内的实际执行精确绑定到同一 audit_id
• 运行时层：捕获沙箱内每个进程的命令行、Stdio 输出、退出码、执行时长、CPU 和内存消耗
• 构建" LLM 对话 → Agent 决策 → 平台调度 → 命令执行 → 子进程链" 的完整 Span 树

4. 数据交付：标准化输出与业务赋能

• 所有观测数据统一导出为 OTLP Traces 和 Metrics，直接接入 Jaeger、Grafana、Datadog 等现有基础设施
• Prometheus 端点暴露 LLM 延迟分布、Token 吞吐（RPM/TPM）、首 Token 延迟、Exec 成功率、资源消耗等运营指标
• 基于 audit_id 的精确查询 API：凭一个 ID 实时获取某次执行的完整进程树、每个命令的退出码、耗时、资源消耗和 stdout/stderr
• 为 RL 场景提供结构化的 Reward Signal：exit_code 作为 Outcome、cpu_time 作为 Efficiency、stdout 与退出码的矛盾作为 Behavior 验证的内核级证据

5. 总结与展望

• 回顾从"沙箱黑盒"到"四层打通"的完整方案，以及在生产环境中的实践效果

您认为，这样的技术在实践过程中有哪些痛点？

• eBPF 的内核兼容性仍是首要落地障碍，CO-RE 需要 5.x+ 内核，部分云厂商定制内核 BTF 信息缺失
• 内核态只能看到系统调用级别的行为，应用内部的推理逻辑仍需协同方案补充

演讲亮点

• 不是单点技术展示，而是完整串联 LLM → Agent → 沙箱平台 → 运行时四层，回答"Agent 想做什么、做了什么、结果怎样"
• eBPF 天然穿透容器边界，一套方案适配所有基于容器的沙箱，不破坏隔离语义
• 结合实际训练场景，构建包含 OTLP 标准输出和 reward 的观测结果，既能接入现有可观测栈，又能支持 RL 训练

听众收益

• 了解一种覆盖 LLM 到 Syscall 全链路的 Agent 无侵入式可观测架构
• 理解 eBPF 为何是沙箱可观测的最优解，以及大规模场景下的性能控制策略
• 在实际训练场景下 Agent 可观测性的实践