Cloudflare Agents: 揭开 AI Agent 的“思考”黑盒

想象一下，你雇用了一个私人助理来帮你制定旅行计划。他们并不会瞬间把你传送到目的地。相反，他们需要搜索机票、检查酒店空房、对比价格、起草行程，甚至可能去询问本地同事推荐哪些当地餐馆。

如果他们最后搞砸了，只对你说了一句：“抱歉，没有房间了。” 你肯定会想知道原因。是他们搜错了日期？还是查错了酒店？又或者是他们把大量时间浪费在重复查询某班机票的死循环中了？

开发 AI Agent（智能体）也是完全一样的道理。当一个 Agent 失败时，它在网络层面可能依然返回了正常的 200 OK 成功状态码。但在暗地里，它可能选错了工具（Tool）、给子代理（Subagent）传递了过期的上下文，或者陷入了极其消耗 Token 且成本高昂的无限重试循环。

在过去，想要窥探 Agent 的“大脑（思考过程）”是非常困难的。今天，Cloudflare 宣布推出 Cloudflare Agents，并首发上线了 Agent Tracing（智能体链路追踪）功能，正是为了解决这一痛点。

AI Agent 的“黑盒”难题#

传统的应用监控工具（APM）非常适合普通的 Web 应用。它们能告诉你什么时候数据库查询变慢了，或者哪个 API 接口报错了。但 AI Agent 的运行方式截然不同。它们不是线性执行代码，而是根据自身的推理，在一个循环中自主地做出决策：

graph TD
    User([用户请求]) --> Agent[AI Agent Worker]
    subgraph "Cloudflare Agents Dashboard"
        Agent --> |"1. 推理思考 (Reasoning)"| Thought["Thought / Messages 标签页"]
        Agent --> |"2. 工具调用 (Action)"| Tool["Tool Execution / Traces 标签页"]
        Tool --> |"读取状态"| D1[(D1 数据库)]
        Tool --> |"获取数据"| Fetch[外部 API]
        Agent --> |"3. 移交子代理"| Subagent[Subagent Worker]
    end
    Agent --> Response([最终响应])

当 Agent 做出错误的决策时，仅仅看数据库的响应时间无法帮你找出“它为什么在第一步就决定执行这个查询”的原因。你需要的是追踪 Agent 的思维链：调用了什么模型、传入了什么工具参数、Prompt 历史记录是怎样的，以及实际消耗了多少 Token 和成本。

Cloudflare Agents 介绍#

Cloudflare 在运行 Agent 方面已经具备了非常强大的基础设施：无服务器运行环境（Workers）、状态存储（Durable Objects、KV、D1）以及 LLM 推理平台（Workers AI）。

而全新推出的 Cloudflare Agents 将这些分散的组件紧密联系在一起，构成了统一的可观测性（Observability）平台。它在 Cloudflare 控制台中引入了一个专用的 Agents 面板，提供了两种直观的视图：

1. Messages 标签页（对话回放）#

该视图就像是 Agent 的“黑匣子”，用于记录并还原每一次交互：

• 系统指令（System Instructions）和用户消息。
• LLM 模型的原生推理与思考过程（Thinking）。
• 被调用的具体工具名称、传入参数和输出结果。
• 向子代理分配或移交任务的记录。

[!NOTE] 隐私设计已内置其中。如果你正在处理敏感数据，可以使用 Think、Flue 或 AI SDK 等框架中的 storeMessages 和 storeTools 选项，选择不存储消息和工具的 Payload（负载数据）。

2. Traces 标签页（执行瀑布流）#

该视图显示请求的时间线，将高层的 Agent 决策与底层的系统基础设施性能无缝连接。你可以清晰地看到：

• LLM 模型进行推理所花费的时间。
• 哪些工具触发了 D1 数据库读取或 KV 键值查询。
• 子代理调用是如何嵌套在父代理的上下文中运行的。

如何启用 Agent Tracing#

开启这项功能非常简单，只需两步。

第一步：在 wrangler.jsonc 中启用追踪#

在你的 Worker 配置文件中添加可观测性配置：

{
  "observability": {
    "enabled": true,
    "head_sampling_rate": 1
  }
}

第二步：在代码中进行集成#

根据你所使用的框架，集成工作仅需几行代码：

A. Think 和 Flue 框架#

这些框架原生支持智能体遥测，将自动通过内置集成发送关于 agent、对话、模型和工具的 Span 数据。

B. Vercel AI SDK#

如果你正在使用 Vercel AI SDK，可以使用 Cloudflare 提供的适配器将其进行包裹：

import { wrapAISDK } from '@cloudflare/ai-sdk-opentelemetry'; // [!code focus]
import { generateText } from 'ai';

// 包裹你的模型提供者初始化代码
const ai = wrapAISDK(yourModelProvider); // [!code focus]

C. 自定义 Harness#

如果你使用的是自己编写的 Agent 系统，可以遵循 OpenTelemetry Generative AI 语义规范手动创建自定义 Span。

[!TIP] Cloudflare 目前正在积极推动在 Workers 内部直接支持 OpenTelemetry API。完成后，任何使用标准 OTel GenAI 语义规范的框架都将实现开箱即用，无需使用 Cloudflare 专用的适配器。

计费与 Beta 阶段时间线#

• Beta 测试期间：Agent Tracing 功能完全免费。
• 自 2026 年 10 月 1 日起：计费将直接并入现有的 Workers Observability（可观测性）套餐中：
  • Workers Free（免费版）：每天包含 200,000 个追踪事件（数据保留 3 天）。
  • Workers Paid（付费版）：每月包含 2,000 万个追踪事件，超出部分每百万事件收费 $0.60（数据保留 7 天）。

Agent tracing 仅仅是个开始。Cloudflare 的长远愿景是建立一个数据反馈闭环，将 Trace 数据重新注入开发生命周期，以构建能自适应优化、自我改进的真正自律 AI Agent。

参考文献#

• Agents on Cloudflare - Cloudflare Blog ↗