尧图网站建设 
Witty-Insight ATIF 导出指南三步把 AI 代理轨迹变成标准数据【免费下载链接】witty-insightThe witty-insight is an eBPF-based observability framework for tracing agent execution pipelines.项目地址: https://gitcode.com/openeuler/witty-insightWitty-Insight 是一个基于 eBPF 的可观测性框架专门用来追踪 AI 代理Agent的执行管道。当它抓完一轮代理运行的完整轨迹后你可以一键把这些数据导出成符合 ATIF v1.6 标准的轨迹文档——格式统一、字段齐全直接拿去分析或交换。轨迹数据格式孤岛为什么需要标准化先说一个常见场景你的 AI 代理跑完了一轮任务。系统提示在 A 处、用户消息在 B 处、工具调用日志散在 C 处LLM 的 token 消耗又记在 D 处的数据库里。想复盘代理为什么在这一步走歪了你得先花半天对齐四套格式。这就是轨迹数据没有统一标准时的典型状态——每家系统各记各的跨项目对比更无从谈起。ATIFAgent Trajectory Interchange Format代理轨迹 interchange 格式就是为这件事设计的。Witty-Insight 当前支持 ATIF v1.6 版本你可以把它理解成AI 代理运行的行车记录仪格式标准不管哪个系统录的像导出来的都是同一套画面规格。关键问题ATIF 的回答是什么一套标准化 AI 代理轨迹数据的 JSON 结构规范解决什么不同代理系统产生的轨迹数据无法互通、无法统一分析当前版本ATIF-v1.6数据流水线从原始事件到标准文档Witty-Insight 的导出不是简单拼 JSON而是一条完整的转换流水线整条链路是SQLite 中的 GenAI 语义事件 → 转换逻辑 → ATIF 标准文档。第一步原始数据。eBPF 探针捕获的 HTTP/SSL 流量先被语义层解析成结构化的 LLM 调用记录消息、模型、token 数、工具调用等落库到 SQLite。第二步转换。转换逻辑负责重放出交互过程从第一次调用的上下文里提取系统提示和用户提问生成 system、user 两个步骤随后每轮 LLM 调用各生成一个 agent 步骤相邻两次调用之间的工具返回结果会被关联成 observation观测结果。这一步是整个 ATIF 模块的核心代码在 src/atif/converter.rs。第三步标准文档。最终产物是一个完整的 ATIF 文档结构长这样AtifDocument根文档schema_version固定为 ATIF-v1.6、session_id整轮运行的唯一标识、agent代理配置、steps交互步骤数组、final_metrics全局汇总指标。打个比方它就是一整本运行档案的封面加目录。AtifAgent代理身份证——名字、版本、使用的 LLM 模型。AtifStep档案里的每一页对应一次交互回合。每步标记来源system / user / agent携带消息内容、推理过程、工具调用、观测结果和该步指标。AtifToolCall记录代理调用工具的凭证——调用 ID、函数名、参数。AtifObservation工具执行后环境吐回的反馈结果。AtifStepMetrics / AtifFinalMetrics单步和全局的 LLM 操作指标如输入/输出 token 数。这些 Rust 类型的定义与 ATIF v1.6 JSON 模式一一对应想看字段细节可以翻 src/atif/schema.rs。三条导出路径怎么选Witty-Insight 在服务端提供了三个 ATIF 导出端点区别在于你要多大粒度的轨迹。按场景选即可只调试某一次查询→ 用单条轨迹导出/api/export/atif/trace/{trace_id}。一次用户查询对应一条完整调用链这是最常用的粒度排查这一问为什么答错了就用它。复盘一整段会话→ 用完整会话导出/api/export/atif/session/{session_id}。会话下所有 trace 会被合并进同一份文档适合分析多轮对话的上下文演变。只关心 LLM 交互本身→ 用对话级导出/api/export/atif/conversation/{conversation_id}。它把指定对话内的所有 LLM 调用导出为轨迹文档跳过工具执行细节适合做模型行为对比。三种路径的返回格式完全一致都是 ATIF v1.6 文档下游解析代码可以复用。导出之后的轨迹数据能干什么挑三个最有分量的用途展开说行为分析。由于每一步的来源、消息、工具调用、观测结果都完整保留你可以像放录像一样逐步回放代理的决策路径——它在哪一步看到了什么观测结果、之后为什么改调另一个工具一目了然。性能调优。每个 agent 步骤都带 token 指标加上最终汇总你能直接定位哪一步的输入 token 异常膨胀哪次调用耗时最高把优化动作落到具体回合上而不是对着总账单猜。跨平台数据交换。这是 ATIF 标准化的价值所在导出的文档不绑定 Witty-Insight其他遵循 ATIF 的工具和系统可以直接消费你的轨迹资产不会因为换监控框架而作废。接下来做什么想深入实现细节直接看 src/atif/ 目录——三个文件各管一段结构定义schema、转换逻辑converter、模块入口mod。想先跑起来体验可以到官网下载 Witty-Insight 试用ar.openeuler.org/ar/。【免费下载链接】witty-insightThe witty-insight is an eBPF-based observability framework for tracing agent execution pipelines.项目地址: https://gitcode.com/openeuler/witty-insight创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Witty-Insight ATIF 导出指南：三步把 AI 代理轨迹变成标准数据
Witty-Insight ATIF 导出指南三步把 AI 代理轨迹变成标准数据【免费下载链接】witty-insightThe witty-insight is an eBPF-based observability framework for tracing agent execution pipelines.项目地址: https://gitcode.com/openeuler/witty-insightWitty-Insight 是一个基于 eBPF 的可观测性框架专门用来追踪 AI 代理Agent的执行管道。当它抓完一轮代理运行的完整轨迹后你可以一键把这些数据导出成符合 ATIF v1.6 标准的轨迹文档——格式统一、字段齐全直接拿去分析或交换。轨迹数据格式孤岛为什么需要标准化先说一个常见场景你的 AI 代理跑完了一轮任务。系统提示在 A 处、用户消息在 B 处、工具调用日志散在 C 处LLM 的 token 消耗又记在 D 处的数据库里。想复盘代理为什么在这一步走歪了你得先花半天对齐四套格式。这就是轨迹数据没有统一标准时的典型状态——每家系统各记各的跨项目对比更无从谈起。ATIFAgent Trajectory Interchange Format代理轨迹 interchange 格式就是为这件事设计的。Witty-Insight 当前支持 ATIF v1.6 版本你可以把它理解成AI 代理运行的行车记录仪格式标准不管哪个系统录的像导出来的都是同一套画面规格。关键问题ATIF 的回答是什么一套标准化 AI 代理轨迹数据的 JSON 结构规范解决什么不同代理系统产生的轨迹数据无法互通、无法统一分析当前版本ATIF-v1.6数据流水线从原始事件到标准文档Witty-Insight 的导出不是简单拼 JSON而是一条完整的转换流水线整条链路是SQLite 中的 GenAI 语义事件 → 转换逻辑 → ATIF 标准文档。第一步原始数据。eBPF 探针捕获的 HTTP/SSL 流量先被语义层解析成结构化的 LLM 调用记录消息、模型、token 数、工具调用等落库到 SQLite。第二步转换。转换逻辑负责重放出交互过程从第一次调用的上下文里提取系统提示和用户提问生成 system、user 两个步骤随后每轮 LLM 调用各生成一个 agent 步骤相邻两次调用之间的工具返回结果会被关联成 observation观测结果。这一步是整个 ATIF 模块的核心代码在 src/atif/converter.rs。第三步标准文档。最终产物是一个完整的 ATIF 文档结构长这样AtifDocument根文档schema_version固定为 ATIF-v1.6、session_id整轮运行的唯一标识、agent代理配置、steps交互步骤数组、final_metrics全局汇总指标。打个比方它就是一整本运行档案的封面加目录。AtifAgent代理身份证——名字、版本、使用的 LLM 模型。AtifStep档案里的每一页对应一次交互回合。每步标记来源system / user / agent携带消息内容、推理过程、工具调用、观测结果和该步指标。AtifToolCall记录代理调用工具的凭证——调用 ID、函数名、参数。AtifObservation工具执行后环境吐回的反馈结果。AtifStepMetrics / AtifFinalMetrics单步和全局的 LLM 操作指标如输入/输出 token 数。这些 Rust 类型的定义与 ATIF v1.6 JSON 模式一一对应想看字段细节可以翻 src/atif/schema.rs。三条导出路径怎么选Witty-Insight 在服务端提供了三个 ATIF 导出端点区别在于你要多大粒度的轨迹。按场景选即可只调试某一次查询→ 用单条轨迹导出/api/export/atif/trace/{trace_id}。一次用户查询对应一条完整调用链这是最常用的粒度排查这一问为什么答错了就用它。复盘一整段会话→ 用完整会话导出/api/export/atif/session/{session_id}。会话下所有 trace 会被合并进同一份文档适合分析多轮对话的上下文演变。只关心 LLM 交互本身→ 用对话级导出/api/export/atif/conversation/{conversation_id}。它把指定对话内的所有 LLM 调用导出为轨迹文档跳过工具执行细节适合做模型行为对比。三种路径的返回格式完全一致都是 ATIF v1.6 文档下游解析代码可以复用。导出之后的轨迹数据能干什么挑三个最有分量的用途展开说行为分析。由于每一步的来源、消息、工具调用、观测结果都完整保留你可以像放录像一样逐步回放代理的决策路径——它在哪一步看到了什么观测结果、之后为什么改调另一个工具一目了然。性能调优。每个 agent 步骤都带 token 指标加上最终汇总你能直接定位哪一步的输入 token 异常膨胀哪次调用耗时最高把优化动作落到具体回合上而不是对着总账单猜。跨平台数据交换。这是 ATIF 标准化的价值所在导出的文档不绑定 Witty-Insight其他遵循 ATIF 的工具和系统可以直接消费你的轨迹资产不会因为换监控框架而作废。接下来做什么想深入实现细节直接看 src/atif/ 目录——三个文件各管一段结构定义schema、转换逻辑converter、模块入口mod。想先跑起来体验可以到官网下载 Witty-Insight 试用ar.openeuler.org/ar/。【免费下载链接】witty-insightThe witty-insight is an eBPF-based observability framework for tracing agent execution pipelines.项目地址: https://gitcode.com/openeuler/witty-insight创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考