当你的智能体具有自愈能力时，MTBF 已死

这三个指标共同取代了 MTBF 过去的作用。用户可见的质量、生产该质量的成本，以及成本上升的早期信号。在你的监控栈中，默认情况下一个都没有。它们都需要具有重试深度和恢复类型作为一等属性的结构化 Trace 数据。

没人预算过的 4 倍恢复税​

我见过的最常见的失败模式是，团队在上线数月后发现，他们的 Agent 的 Token 成本是预期成本的三到四倍，而仪表盘上的指标却毫无波动。这种模式非常普遍，甚至值得拥有一个专门的名字：隐形恢复税。

这种情况之所以发生，是因为 Agent 运行时在重试方面非常激进。当模型被要求调用一个参数格式错误的工具时，它会发现错误、道歉、重新格式化并重试——而这整个循环都发生在一次响应内部。用户只会看到回复稍微变慢了。汇总仪表盘显示的是一次成功的请求。但 Token 计费器看到的是三次输入上下文和三次输出补全，而不是一次。月底的账单金额将与上线时的人均请求成本预测完全不符。

算术逻辑是残酷的。4 倍的恢复税看起来并不像 4% 的失败率，而更像是 0% 的失败率和 300% 的成本超支。工程团队开始寻找是不是 Prompt 变得太长了，或者是检索拉取了太多的分块（Chunks），或者是模型被悄悄切换了。而真正的核心原因——Agent 在过去六周里一直在默默地从破碎的工具 Schema 中恢复——却从未浮现，因为标准的可观测性堆栈中没有将“恢复跳步”（Recovery Hops）视为一等公民。

修复方法是结构性的。每一次重试、降级、重新提示（Re-prompt）和恢复操作都需要成为 Trace 中独立的 Span，并标记恢复的原因。这不是一行日志，也不是父 Span 上的一个属性，而是一个子 Span。这正是让恢复成本可计算的关键。一旦每次恢复都成为一个 Span，你就可以按原因进行分组，将成本归因于具体诱因，并在无需费力取证的情况下回答类似“本周哪个工具的 Schema 不匹配导致了 30% 的恢复成本？”这样的问题。如果没有 Span 级别的恢复检测，你就是在靠运气运行。

揭示恢复过程而非仅显示结果的可观测性架构​

如今大多数 LLM 可观测性堆栈都建立在一个隐含假设之上：即请求是最小关注单元。这个假设继承自 Web 服务监控，但对于 Agent 来说是错误的。真正值得关注的单元是“恢复图谱”：即产生最终结果的尝试和降级路径的结构。揭示该图谱才是架构层面的任务。

三个具体的转变使这变得可行。首先是 Trace 中的重试语义：每一次重试都是一个带有显式 retry-reason 和 retry-attempt 属性的兄弟 Span，而不是堆积在父 Span 上的属性。其次是恢复类型化：区分工具重试、模型降级、重新提示和断路器重连。它们的成本和影响各不相同。第三是恢复感知采样：即使对其他所有内容进行采样，也要 100% 保留具有非零恢复跳步的 Trace。那些成功的“异常”才是最有价值的失败——这些是你无法承受丢失的 Trace。

这种做法通常会带来第二个好处，足以证明其工作价值。恢复感知的 Trace 存储是事后分析的加速器。当某些事情真的彻底崩溃时，“在失败变得可见之前，成功率之下发生了什么？”这个问题突然有了答案。你可以回溯到故障发生前的一周，看到恢复分布在变厚，恢复成本在攀升，以及重试率在悄悄上升的具体工具。以前像“考古”一样的事后分析变成了“取证”。原因一直都在数据中——只是之前的架构没有将其揭示出来。

这对 SLO 意味着什么​

如果你使用旧有的确定性服务的 SLO 定义来交付 Agent，那么你就是在盲目飞行。新的 SLO 维度至少需要包含三条线：质量 SLO（定义为经过恢复后对比最终状态 Oracle 的成功率）、成本 SLO（定义为对比架构理想路径的单次成功恢复成本），以及稳定性 SLO（定义为零恢复 Trace 的百分比）。第三个指标是最难承诺的，因为它迫使你承认：恢复是你宁愿不需要的东西——即使它能奏效。

我见过的最健康的生产环境 Agent 并不追求自愈。它们追求的是“不需要自愈”。自愈被视为安全气囊，而不是方向盘。当恢复率攀升时，团队会将其视为一种退化，而不是功能在更卖力地工作。他们会去修复 Schema、重新训练工具描述、简化 Prompt、缩小模型规模——处理任何处于恢复上游的环节——而不是庆祝安全气囊正确弹出。只有当指标堆栈真正将恢复显示为一种“税收”而非“胜利”时，这种姿态才成为可能。

在故障被设计所吸收的架构中，MTBF（平均故障间隔时间）注定无法存活。现在的任务是衡量这种吸收耗费了你多少成本，并在成本波动早于用户感知的质量变化时发出告警。大多数 Agent 平台自带的仪表盘尚未考虑到这一点。那些构建了自己工具的团队——将每一次恢复视为一等可观测对象，像预算延迟一样预算恢复成本，观察分布而不仅仅是平均值——才是那些在上线一年后 Agent 运行成本依然低廉的团队。而那些信任绿色仪表盘的人，将在下个季度难以置信地盯着他们的云账单。