决策追踪和可观察性工具为 AI 代理提供不同的目的。可观察性工具记录发生了什么 — 执行轨迹、延迟、错误。决策追踪捕捉做出决策的原因 — 推理链、先例、理由。AI Agentree 提供补充现有可观察性技术栈的决策追踪层。不是可观察性的替代品，而是可解释 AI 决策所缺失的层。
TL;DR: 可观察性工具记录你的 AI 做了什么。决策追踪捕捉它为什么做出这个决定。它们是互补层 — 你需要两者。
AI Agentree 并没有替代你的可观察性技术栈。它添加了你所缺失的决策层。
为什么会做出这个决定？
利弊树、先例引用、证据来源、政策评估、理由选择
← AI Agentree 提供此层
做出了什么决定？
结果、信心、评估的政策、批准、SLA 跟踪、结果随时间变化
← AI Agentree 提供此层
执行是如何发生的？
追踪、跨度、延迟、错误、令牌使用、API 调用、执行路径
← 您现有的可观察性工具（保留它们！）
大多数团队构建层 A。一些跟踪层 B。几乎没有人能很好地捕捉层 C。
这就是 AI Agentree 填补的空白。
它们擅长的内容：
回答："代理是如何执行的？"
我们捕捉的内容：
回答："代理为什么做出这个决定？"
# Trace ID: abc-123
agent.run() → 2.3s
├─ policy.check() → 45ms
├─ llm.complete() → 1.8s
├─ crm.lookup() → 120ms
└─ decision.log() → 15ms
Result: APPROVED
你知道它花了 2.3 秒并进行了 4 次调用。但它为什么批准？
# Decision: Refund Request #7842
PRO: Premium customer (tier=gold)
PRO: Similar case D-1234 approved
PRO: Defect claim verified
CON: Over 30-day policy window
Confidence: 94%
Rationale: Precedent + customer tier
现在你可以解释、审计并从决策中学习。
这很重要：决策追踪补充可观察性。保留你现有的技术栈：
可观察性工具记录发生了什么——追踪、跨度、延迟、错误。决策追踪捕捉了做出决策的原因——推理、背景、考虑的替代方案和理由。它们是互补的层次：可观察性用于调试执行，决策追踪用于理解判断。
是的，它们服务于不同的目的。可观察性告诉您一个代理在 2.3 秒内进行了 47 次 API 调用。决策追踪告诉您为什么它批准了那个退款请求，尽管有政策例外。使用两者以获得完整的可见性。
不能有效地捕捉。可观察性工具捕捉执行工件——日志、追踪、指标。它们不捕捉决策的规范结构：哪些论点支持或反对，考虑了哪些先例，分配了什么信心水平。这需要一个专门构建的决策层。
不是。日志记录是描述性的（‘发生了这个’）。决策追踪是规范性的（‘这个论点支持批准，因为……’）。这种区别使得先例搜索、机构记忆和可解释的 AI 成为可能——日志记录无法提供的能力。
AI Agentree 补充现有的可观察性堆栈。它作为决策层位于您的编排框架和可观察性工具之间。您保留当前的监控；AI Agentree 添加决策推理层。
监管机构会问‘为什么 AI 决定 X？’可观察性显示执行追踪。决策追踪提供答案：推理链、政策评估、考虑的先例和选择的理由。这对于可解释的 AI 要求至关重要。
保留你的可观察性。添加决策追踪。获得完整的可见性。