AgentSight:基于 eBPF 的 Agent 可观测性方案,不改代码就能看到 Agent 在做什么

AgentSight:基于 eBPF 的 Agent 可观测性方案,不改代码就能看到 Agent 在做什么

2026 年下半年,GitHub 上一个名为 AgentSight 的开源项目以"eBPF observability for AI agents, no code changes"的定位迅速走红。它的工程实现位于 agentic-os-org/ANOLISA 仓库的子模块下,GitHub 整体仓库拿到 604 颗星、104 个 fork。AgentSight 的核心承诺是:在不修改任何 Agent 代码、不依赖 Agent 自愿暴露日志的前提下,通过 Linux 内核层的 eBPF(b Extended Berkeley Packet Filter)技术,实时观测 Coding Agent 在系统层面的所有行为。这套技术路线回应了 2026 年下半年企业 Agent 落地的两个根本性痛点——"Agent 内部不透明"与"Agent 行为难审计",标志着 AI Agent 工具链可观测性从"应用层插桩"走向"系统层透明"的关键转折。

AgentSight 的工程实现基于 eBPF 这一 Linux 内核级技术,eBPF 允许在内核里安全地运行沙箱程序,无需修改内核源码或加载内核模块。AgentSight 0.11 在 Alibaba Cloud Linux 4(内核 6.6)上验证,需要 Linux 内核 ≥5.8、BTF(BPF Type Format)支持、CAP_BPF 权限。这种"系统级、可观测、低开销"的技术底座,使 AgentSight 能够捕捉 Agent 进程的所有系统调用、网络请求、文件操作,而不需要 Agent 本身主动记录这些行为。这种"旁观者视角"的可观测性,在企业合规审计场景里特别有价值——IT 部门可以完整看到 Agent 在做什么,而不需要依赖 Agent 厂商提供的日志接口。

从支持范围看,AgentSight 已经覆盖了主流 Coding Agent 工具:cosh、Claude Code、Codex、Qwen Code、OpenClaw、Hermes、AgentScope 等。安装方式是 `sudo anolisa install agentsight`,运行后通过 systemd 启动,数据写到 `/var/log/sysak/.agentsight`,Dashboard 在 7396 端口提供。运维侧的命令简洁:`agentsight discover`(发现当前活跃 Agent)、`agentsight summary --last 24`(24 小时概览)、`agentsight dashboard`(打开 Web 面板)。这种"开箱即用、企业级部署"的设计,让 AgentSight 在面对 IT 部门的合规审查时具备清晰的可展示性。

Boundary Tracing:语义意图与系统级效应的因果关联

把 AgentSight 的设计哲学放到学术研究视野里看,2025 年 8 月 arXiv 上线的论文 2508.02736 "AgentSight: System-Level Observability for AI Agents Using eBPF"为这套工程实现提供了完整的形式化框架。论文的核心贡献是识别出一个"语义鸿沟"(semantic gap):"existing tools observe either an agent's high-level intent (via LLM prompts) or its low-level actions (e.g., system calls), but cannot correlate these two views."——传统工具要么看到 LLM 的高层意图(通过 prompt 日志),要么看到 Agent 的底层动作(通过 strace、lsof),但无法把两者因果关联起来。

这种语义鸿沟带来的实际后果是"失明":AgentSight 论文列举了三个具体场景——"detects prompt injection attacks, identifies resource-wasting reasoning loops, and reveals hidden coordination bottlenecks in multi-agent systems"——所有这些场景都需要把"Agent 在思考什么"和"Agent 在执行什么"关联起来看,才能正确诊断。传统的应用层日志只能看到一侧,系统层工具只能看到另一侧,二者结合需要复杂的脚本和经验判断。

AgentSight 论文提出的解法叫"boundary tracing"——"monitors agents from outside their application code at stable system interfaces using eBPF"。它通过 eBPF 拦截三类系统边界事件:第一是 TLS 加密的 LLM 流量,在 TLS 终结点提取 LLM 的 prompt 和 response 语义;第二是内核事件,通过 kprobe/tracepoint 观察系统调用、网络包、文件操作;第三是通过实时引擎和次级 LLM 分析,因果关联这两类流。这种"在系统边界观察、不进入应用代码"的设计,有三个关键工程优势:framework-agnostic(不依赖特定 Agent 框架)、resilient to rapid API changes(对 Agent API 的快速演化免疫)、incurs less than 3% performance overhead(性能开销不到 3%)。

从可观测到可干预:enforcement 子模块的演进

把视野从可观测性扩展到可干预性,2026 年 6 月 arXiv 上线的论文 "ActPlane: Programmable OS-Level Policy Enforcement for Agent Harnesses" 给出了与 AgentSight 互补的另一面。ActPlane 的核心论点是:"AI agents increasingly run in production through harnesses, the software around the LLM, including an engine that enforces safety and effectiveness policies, e.g., 'run tests before committing.'" Agent Harness 不只是 LLM 的容器,它本身就是一个"策略执行引擎",可以在 OS 层强制安全与有效性策略。AgentSight 提供了"观察"能力,ActPlane 提供了"干预"能力,两者合在一起构成完整的 AgentOps 工具链。

ANOLISA 项目里的 `agentsight-enforcer.service` 正是 ActPlane 论文思想的具体落地。这个 service 在 AgentSight 的可观测性基础上,增加了"实时策略执行"能力——比如拦截 Agent 的危险操作、强制执行用户定义的 SLA、阻断某些网络目的地。这种"观察 + 干预"的组合,使企业 IT 部门能够在不影响 Agent 正常工作的前提下,对 Agent 的行为边界进行精细化管控。

从产品演进角度看,AgentSight 这种"小而精"的可观测性工具,在 2026 年下半年 AI Agent 规模化落地中扮演着关键角色。当一家企业部署了 100 个 Coding Agent 实例,每天产生数百万次工具调用时,传统的"事后看日志"模式根本无法提供实时的合规审计能力。AgentSight 这种"实时、零侵入、内核级"的可观测性,使得"在 Agent 行为发生的那一刻就识别异常"成为可能——这种实时性对金融、医疗、政企等强监管场景尤其重要。

企业落地的三条具体路径

把 AgentSight 这种工具映射到企业 Agent 落地的具体路径,可以提炼出三条立即可用的最佳实践。第一条是"以可观测性作为安全审计的基础设施"。在 Agent 部署之前,先把 AgentSight 装好、配置好 Dashboard、设置好异常告警;只有当 IT 部门能够"看见 Agent 在做什么"时,才能在异常行为发生时及时介入。这条路径的成本极低(AgentSight 是开源的、部署只需几行命令),但收益巨大——它把"Agent 黑盒"转化为"Agent 白盒",为后续所有合规审计奠定基础。

第二条是"把可观测性数据纳入 SIEM/SOC 工作流"。AgentSight 的输出格式应该是结构化的、与企业现有的安全信息与事件管理(SIEM)系统、安全运营中心(SOC)兼容的。这样当 Agent 出现异常行为(比如访问了不该访问的文件、调用了不该调用的 API)时,SOC 团队能够在熟悉的 dashboard 上看到警报,而不是去学习一套全新的工具。这种"融入现有安全体系"的集成方式,大幅降低了企业 Agent 落地的运维负担。

第三条是"用 eBPF 工具做性能优化,而不仅仅是安全审计"。AgentSight 论文里提到它能"identifies resource-wasting reasoning loops"——除了安全审计,这类工具也能帮开发者发现 Agent 的性能瓶颈。比如 Agent 反复在某个低效工具调用上循环、Agent 不必要地占用了大量内存、Agent 的网络请求模式存在 N+1 问题等。当 Agent 处理的任务越来越复杂时,这种"Agent 性能分析"能力会成为企业降本增效的关键。

面向国产 Coding Agent 工具链的启示

AgentSight 这种基于 eBPF 的开源 Agent 可观测性方案,在国产 Coding Agent 工具链里有着独特的价值。第一条启示是"国产 Agent 工具应该主动兼容 AgentSight 这类外部可观测性工具"。当国产 Coding Agent 不暴露内部日志、不提供标准 hook 接口时,IT 部门就只能依赖 AgentSight 这种"外部观察者"。这要求国产 Agent 厂商在产品设计时,把"被外部观察"作为一项功能——比如确保 Agent 的网络流量是标准 TLS 加密、Agent 的进程命名是可识别的、Agent 的系统调用模式是稳定的。

第二条启示是"国产 eBPF 生态需要补齐"。AgentSight 依赖 Linux 内核 ≥5.8、BTF 支持、CAP_BPF 权限。在国内,主流的服务器操作系统(Alibaba Cloud Linux、Anolis、麒麟、统信 UOS)对 eBPF 的支持程度不一,部分国产化要求高的场景可能无法直接使用 eBPF。这种情况下,国产 Agent 厂商需要与国产 OS 厂商合作,推动 eBPF 在国产 OS 上的稳定支持;或者退一步,提供基于国产 OS 自带审计机制(如 auditd)的备选方案。

第三条启示是"可观测性研究应作为国产 Agent 工具链的差异化方向"。在国际视野里,Claude Code、Cursor、Codex 都已经内置了较强的可观测性功能,但对于国产 Agent 厂商来说,从头自研一套可观测性栈成本极高;直接接入 AgentSight 这种开源项目,并针对国产 Agent 的特性做定制化,是性价比更高的路径。H-Actonora 这种定位私有化交付的服务商,可以直接把 AgentSight 集成进自己的交付栈,作为"企业级 AgentOps"的核心组件之一。

回到 eBPF:一种被低估的 Agent 基础设施

把视角拉到最宏观的层面,AgentSight 这种基于 eBPF 的 Agent 可观测性方案,实际上代表了"基础设施级 AI 工具"的一种新形态。在过去十年里,eBPF 已经成为云原生可观测性的事实标准(Datadog、New Relic、 Cilium 都重度依赖 eBPF);但把 eBPF 应用到 AI Agent 领域,AgentSight 是较早的工程实现之一。这种"借用成熟基础设施解决新问题"的思路,使得 AgentSight 的工程实现可以非常紧凑——它站在 eBPF 这个巨人肩膀上,只需要专注于"如何把 eBPF 事件与 Agent 语义关联"这一具体问题。

这种"基础设施借用"的思路,在国产 AI 工具链的演进中具有特别的意义。国产 Coding Agent 厂商不需要从零发明自己的可观测性基础设施,而是可以直接借助 Cilium、bcc、bpftrace 这些成熟的 eBPF 工具链,把精力集中在"Agent 特有的可观测性需求"上。这种"站在巨人肩膀上"的策略,可以让国产 Agent 工具链在 2027 年快速达到国际主流水平,同时把有限的研发资源投入到真正具有差异化的方向上。AgentSight 这种项目的真正价值,不在于它的具体技术细节,而在于它示范了一条"用基础设施级 eBPF 解决 AI Agent 可观测性问题"的工程路径——这条路径,值得所有正在建设企业级 Agent 工具链的团队认真研究和借鉴。