AI编码
x.com ·
@shao__meng
LiteLLM 推出 Agent 轨迹智能分析功能 LiteLLM Lens
LiteLLM 发布 Lens，可自动审查海量 Agent 生产运行轨迹、聚类问题并给出带证据的改进建议。轨迹存储在用户自托管的 ClickHouse 中，支持纯 SQL 查询和面向 Agent 的 Tracing API，无第三方速率限制，便于 Codex、Claude Code 等工具批量分析。工作流为定义好坏标准、AI 分析聚类、人工复核下钻三步。
AI推荐理由 介绍 LiteLLM 新推出的 Agent 轨迹分析功能 Lens，包含具体工作方式（好坏标准定义、AI 聚类诊断、人工复核）和架构细节（ClickHouse 自托管、无速率限制 SQL/API）。属于产品功能转述，非官方首发，但信息密度较高，对 Agent 可观测性方向有参考价值；数据主权卖点和 Codex/Claude Code 消费轨迹的用法是具体新信息。
72
浏览 431
点赞 2
评论 5
转发 2
正文
LiteLLM 推出了 Agent 轨迹智能分析功能「LiteLLM Lens」
它让 Agent 自动审查海量生产运行轨迹、聚类问题并给出带证据的改进建议，数据自托管在用户自己的 ClickHouse 中，且通过无速率限制的 SQL/API 让 Codex、Claude Code 等编码工具直接消费轨迹数据。
理解这个产品，关键在于理解 [@LiteLLM](https://x.com/LiteLLM) 的既有生态位：它已经是企业 AI 流量的主要入口，所有 LLM 调用都经过它的网关。Lens 是在这个数据优势之上叠加的新一层能力：对海量 Agent 运行轨迹做自动化分析与诊断。
[docs.litellm.ai/blog/litellm-l…](https://docs.litellm.ai/blog/litellm-lens-launch)
它针对的是一个新兴且真实的痛点「Agentic Swarm」开发者的观测困境：
· 规模爆炸：成百上千个 Agent 并行运行，产生 20 万+ 条轨迹，人工审查在物理上已不可能。
· 故障取证困难：当蜂群失效时，证据散落在数千次运行中，定位根因如同大海捞针。
· 数据被平台锁定：传统 tracing 平台（暗指 Datadog、LangSmith 等）将数据锁在自家系统里，且施加 API 速率限制，这直接阻止了 Codex、Claude Code 这类 AI 编码工具去批量分析这些数据。
工作方式：三步闭环
1. 定义“什么是好/坏运行”：开发者针对每个 Agent 描述好坏标准，可细化到逐行提问，例如“找出 Agent 未能恢复的工具调用失败”。
2. Lens 用 AI 分析轨迹：AI Agent 自动审查轨迹、深入调查运行、将相似问题聚类分组，最终产出带“下一步建议 + 支撑运行证据”的诊断报告。
3. 人工复核与下钻：每条发现都链接回原始轨迹的确切步骤（输入、输出、属性）；Trace UI 采用左侧行为树 + 右侧步骤 I/O 的经典双栏布局。
技术架构：数据主权是核心卖点
· 轨迹存储在 ClickHouse，由用户自托管，与 LiteLLM 网关部署在一起。
· 数据可用纯 SQL 直接查询，无黑盒。
· 提供面向 Agent 的 Tracing API，无第三方速率限制，Codex/Claude Code 可自由拉取分析。
Ishaan@ishaan\_jaff
If you're a developer building agents in production, [@LiteLLM](https://x.com/LiteLLM) Lens Agent now lets you use [@cerebras](https://x.com/cerebras) models (100+ providers) to analyze your traces and automatically improve your agents.
Cerebras is great for analyzing 200K+ traces fast and cheap
Figure out what’s failing and how to improve your agents, at scale.
[](https://video.twimg.com/tweet_video/HTv8guqa4AEqE1c.mp4)
[🔗 View Quoted Tweet](https://x.com/ishaan_jaff/status/2106556234237403306)