接入 Langfuse 时，我们的需求并不复杂：一次投研 Agent 可能发出十几轮模型请求、调用多种工具，最后只留下"研究中断"几个字。我们需要一个地方把这些过程看清楚，而不是靠散落的日志猜测。
于是我们为 Agent 部署独立的 Langfuse 页面，接入模型和工具调用。第一条合成 Trace 出现在控制台时，这个目标似乎已经完成。
真正开始用它排查复杂研究后，我们才发现：能显示一条 Trace，与能够可信地解释一次研究，是两件不同的事。 研究记录会在应用侧被裁剪，在异步发送时失败，在存储层膨胀，甚至在备份恢复后仍然无法被读取。
我们的观测体系因此经历了一次需求升级：从"看得到调用"，逐步走向"知道哪些事实被保留、在哪里丢失，以及出问题后还能否找回来"。
一、先复用成熟平台，再确定它不负责什么
第一阶段，我们没有在业务聊天页面里自建一套 Trace 搜索、调用详情和诊断 UI，而是采用 Langfuse 的独立 Web、Worker 和存储栈。它与 Agent Web 使用不同入口，也不复用投资业务数据库。
这不是因为部署没有成本。第一次启动就碰到了宿主机 PostgreSQL 端口冲突；将仅供内部服务使用的数据库端口留在 Compose 网络内，才解决了冲突。之后，我们通过真正的 SDK 发送合成遥测，在界面上确认记录可见。
这个结果证明了 UI 和基础发送链路可用，却没有证明真实研究的每轮输入都能完整采集，更不说明用户已经收到回答。
这里我们很早就明确了职责：Agent 自身的持久运行记录保存执行、预算、工具效果和回答提交等事实；Langfuse 提供跨模型请求和工具链路的诊断视图。两者可以相互核对，但观测缺失不能倒推执行没有发生，Trace 存在也不能倒推回答已经交付。
二、研究变长后，"记录调用"不足以解释失败
最初的模型和工具事件，在简单任务里还比较好理解；到了多轮投研，真正重要的问题变成了：工具返回的内容有没有进入下一次模型请求？模型生成的片段有没有通过发布模块？哪一步出现了不同于上游的结果？
因此，观测对象逐渐从孤立的函数调用扩展为一条带身份的执行链：同一 Run 里的模型轮次、实际工具派发、Host 结果投影、下一次请求和最终发布，需要能够按原始身份对应起来。
我们不希望通过日志文字去猜"这是同一次调用"。同名工具会多次运行，异步任务也可能有相近的时间戳；它们需要自己的请求和回执身份。与此同时，Langfuse 记录的是观测视图，真正是否提交了某次效果仍由业务持久记录判断。
这样，面对"模型明明查到了资料，最后却没回答"时，我们至少可以把问题收窄到可检查的位置，而不是笼统归因于模型能力。不过，更细的追踪很快引出下一个挑战：复杂 Agent 的输入和输出可能非常大。
三、可信观测的转折：必须把"缺失"也记录下来
为了控制存储和敏感信息暴露，我们对模型正文采集设置了字节上限。这本身是合理的，尤其研究请求可能夹带大量网页、PDF 或工具结果。
2026 年 10 月的一次复查却发现，应用侧的一条 256 KiB 捕获边界带来了意料之外的后果：序列化正文刚好 262,144 字节仍可保留，多一个字节就被拒绝。当输入或输出过大时，读取结果可能只剩 null；在双侧缺失的情况下，整理后的模型回合列表甚至可能漏掉整轮，而查询分页仍然显示完整。
我们最初可能会选择扩大上限，但这只会延后下一次触顶，而且扩大原文留存并不符合隐私和资源治理目标。
最终采取的办法是限制正文容量，同时保留有界的缺失事实。应用采集器在知道某次正文因容量被拒绝时，仍要携带准确的调用身份、输入或输出侧、已知原因和有限元数据。普通读取器将其恢复成可见的回合缺口，不能因为没有正文就把整个调用消失掉。
我们还专门修正了一个看似微小的区分：合法 JSON null 和"这个字段从未被记录"不能使用同一种缺失判断。前者是已经采集到的内容，后者是观测范围的空白。
这项调整带来的价值不是"采集率提升了多少"，因为我们没有这样的长期对照；它使已有大小限制下的观测不再天然把缺口伪装成完整数据。历史上从未留下过缺失回执的内容，则继续保持未知，不能因为现在机制完善就反推旧记录的缺失原因。
四、从一个辅助页面，到必须独立治理的数据系统
当 Langfuse 开始承载真实研究诊断时，它自身的运行方式也需要升级。
最先暴露的是启动配置。我们的应用启动器会先加载业务环境变量，再通过统一入口启动 Langfuse。某次排查中，两个配置文件看起来都正确，实际 Compose 却继承了父进程的同名 DATABASE_URL，让独立观测栈连错目标。
只修一个变量并不能消除这类冲突。我们把隔离规则放到创建子进程的边界：读取 Compose 实际声明的插值键，复制父环境并剔除会覆盖观测栈自身配置的值；启动、重启和状态查询复用相同的处理。这样避免了不同入口分别拥有一套隐性配置优先级。
随后，一次 ClickHouse 存储故障让我们发现：连"观测数据占了多少磁盘"也不容易直接回答。
当时 Docker backing file 已分配约 164 GiB，服务伴随系统日志和文件系统错误反复出问题。最初若按整块虚拟磁盘估计保全空间，很容易把恢复卡在巨大的备份前提上。但按表核对后，发现 ClickHouse 的 system.trace_log 约 117 GiB、system.text_log 约 9.7 GiB；与此相比，需要保留的业务表数据 parts 约 286 MiB。这些数字属于不同统计层级，不能直接相加，却足以说明系统诊断日志和 Langfuse 业务 Trace 不能混为一谈。
Langfuse 的自托管说明 也指出，ClickHouse 内置日志表可能占据主要磁盘空间。我们的处理因此不是直接删除整个观测卷，而是先确认已有停机业务与元数据快照，再在授权范围内处理旧系统日志、调整有限保留策略与输出轮转，保留需要恢复的业务记录。
这次工作没有证明底层文件系统故障的全部根因，也没有建立永久不会增长的硬容量上限。它真正推动的变化是：观测平台不能只监控业务，也必须按正式数据系统的标准治理自己的配置、保留范围和恢复能力。
五、有备份还不够，我们开始验证"历史能否读回来"
存储故障之后，我们对一份停机快照做隔离恢复。归档能够列出文件，但首次在新卷启动后，ClickHouse 识别到的业务表数量竟然是零。
问题不在于这次历史研究本身没有记录，而在于归档解引用了 Atomic 数据库元数据中的符号链接，恢复副本没有保留原来的数据库 UUID 关系。根据 ClickHouse Atomic 引擎文档，表 UUID 与数据存储目录存在明确绑定；文件看起来都在，并不足以保证元数据仍能正确找到它们。
我们没有在原业务卷上试错，而是在一次性隔离副本中恢复对应的元数据链接。随后，十四张业务表重新被识别。
但"表回来了"不是验收终点。我们进一步选择快照时间之前的一条真实历史研究，沿原来的读取接口比较原实例和恢复副本：十三组事件摘要以及模型输入、回合、发布和调用诊断投影吻合。快照之后才发生的另一条研究不纳入此次恢复承诺。
最后又单独验证新数据路径：通过真实 SDK、Worker 和 ClickHouse，写入并读回一条合成事件，不调用付费模型，也不修改原研究记录。
到这一步，我们才分别证明了两件事：旧快照在限定样本中能恢复可查询的历史事实；新摄取链路在隔离验证里仍能工作。 两者都不意味着早期从未采集到的正文会神奇地回来。
六、观测链也会坏，所以它需要最小的自诊断能力
恢复历史之后，还有一个特别典型的问题。一次研究确实发生了模型调用，Langfuse 查询却没有对应记录。配置开关已启用，页面也能访问，但这两个事实仍无法证明事件通过了 SDK 的后台发送。
沿实际 HTTP 请求继续追踪，才发现基础 URL 序列化增加了尾斜线，SDK 拼接 endpoint 后形成双斜线路径并触发重定向。失败发生在异步批量导出器中，绕过了原先只观察同步异常的告警。
我们没有为 Langfuse 再建一套大型监控系统，而是给实际导出边界补上有限的、去敏的结果观察：批次状态、精确关联身份及允许记录的 HTTP 状态。随后用零模型调用的合成探针经过真实 collector，再通过准确的 observation 身份查回结果。
这解决了新探针的发送可达性，不能回填之前那次研究的缺失 Trace。也正是这种区分，让观测系统失败时仍然能够提供有用诊断，而不修改 Agent 原始运行事实。
Langfuse 官方说明的摄取链本就包含 SDK、API、对象存储、队列、Worker 和 ClickHouse，各段之间存在异步处理；官方架构文档 说明了为什么"SDK 调用返回"不等于"查询已经能看到"。
这张图只简化表示观测数据的主要路径；Agent 自己的 Run、工具效果和发布回执仍由原应用持久化系统负责，不因遥测系统缺失而改变。
七、现在我们如何判断一条 Trace 值不值得信任？
回看这段演进，Langfuse 没有从一个小工具神奇地变成所有运行事实的唯一来源。相反，我们越来越明确它的用途和限制。
| 逐渐升级的需求 | 建立的能力 | 关键边界 |
|---|---|---|
| 看见模型与工具调用 | 独立平台和基础 Trace | 页面可见不等于研究完成 |
| 还原一次研究 | Run、模型轮次、工具、投影与发布身份关联 | 观测视图不替代原执行回执 |
| 理解记录缺失 | 正文上限、缺失元数据与读取投影 | 未捕获不能写成空值或零调用 |
| 长期维护观测栈 | 配置隔离、系统日志保留与范围化保全 | TTL 和服务健康不是完整恢复保证 |
| 故障后继续诊断 | 隔离恢复、历史比对与新摄取验证 | 恢复已保存内容，不能创造遗失正文 |
| 识别遥测自身故障 | 后台导出结果与合成读回探针 | 空查询不能倒推 Agent 未运行 |
这一体系已经解决过具体工程问题：错误的继承配置被隔离；过大正文不再让已知调用无声消失；隔离快照恢复了可核对的历史记录；异步导出问题得到独立复现与新探针验证。它们分别发生在明确的环境与时间窗口内，不等于长期生产可用率、历史采集全量无损或供应商账单均已核实。
真正值得保留下来的，不是某个具体监控产品的部署脚本，而是一种判断方式：当观测结果为空时，先确认它记录过什么、在哪层可能丢失、是否还能通过原身份独立读回，再对 Agent 本身下结论。
观测工具的价值，从来不只是"把调用画出来"；它应帮助我们在复杂研究失败后，仍能分清已经发生的事实、尚未看到的部分和下一步需要检查的边界。