传统软件出现问题时，开发者通常会检查日志、调用链、数据库记录和监控指标。

哪一个接口失败。
哪一条请求超时。
哪个服务返回异常。
哪一步开始偏离预期。

这些信息共同构成了软件系统的可观测性。

但当ChatGPT开始分析需求，Codex开始读取代码、修改文件、运行命令，Pro开始支撑更长、更复杂的开发任务后，新的问题出现了：

AI完成了很多操作，开发者却不一定知道它为什么这样做。

它读取过哪些文件？
根据什么结论修改代码？
调用过哪些工具？
哪一步出现错误？
为什么放弃原来的方案？
最终结果建立在哪些假设上？

AI能够执行任务，不代表执行过程天然透明。

这背后对应的是AI工程中的另一项核心能力：可观测性工程。

一、最终结果无法代表完整过程

开发者让Codex修复一个接口问题，最后可能只看到：

已完成修改，测试通过。

这句话看起来很完整，却缺少大量关键信息：

• 实际修改了哪些文件；
• 是否读取了无关模块；
• 测试覆盖了哪些场景；
• 是否跳过了失败命令；
• 是否改变了原有接口行为；
• 是否新增了依赖；
• 哪些风险仍然没有解决。

结果正确，不代表过程可靠。

尤其在复杂项目中，AI可能通过一个不合理的方法暂时让测试通过。

例如：

• 放宽断言；
• 删除异常检查；
• 修改测试数据；
• 绕过权限判断；
• 用默认值掩盖真实错误。

如果只看最终状态，开发者很难发现这些变化。

因此，AI任务不能只有“完成”或“失败”。

还必须能够解释：

任务是怎样完成的。

二、传统日志为什么不够

普通日志记录的是系统事件：

• 接口被调用；
• 数据写入成功；
• 测试执行失败；
• 命令返回错误。

但AI Agent还存在一层更复杂的决策过程。

它不仅执行动作，还会：

• 理解任务；
• 选择文件；
• 判断优先级；
• 调整计划；
• 放弃某个方案；
• 根据反馈继续修改。

所以AI可观测性不能只记录命令结果。

还需要记录三类信息。

决策信息

AI为什么选择这个方案？

依据的是用户要求、项目代码，还是自己形成的推断？

执行信息

它读取了什么、修改了什么、调用了什么工具？

状态信息

当前任务处于分析、修改、测试、修复，还是等待人工确认？

只有这三类信息能够被追踪，开发者才可能真正理解AI任务。

三、什么是AI可观测性工程

AI可观测性工程，是对任务理解、工具调用、状态变化和验证结果进行持续记录。

完整链路可以表示为：

用户目标
↓
ChatGPT分析与规划
↓
Codex读取文件
↓
工具调用与代码修改
↓
测试结果
↓
状态更新
↓
人工审查

每一个阶段都应该留下可以检查的证据。

它至少需要回答六个问题：

1. 当前目标是什么；
2. AI使用了哪些上下文；
3. AI为什么采取当前动作；
4. 实际执行了哪些操作；
5. 执行结果是否符合预期；
6. 下一步为什么继续或停止。

可观测性不是让AI输出更多文字。

而是让关键决策和工程动作能够被准确追踪。

四、第一层：文件与工具调用记录

Codex进入项目后，首先需要记录它接触了哪些资源。

例如：

• 读取了哪些目录；
• 打开了哪些文件；
• 修改了哪些代码；
• 执行了哪些命令；
• 调用了哪些测试；
• 是否访问了外部服务。

如果一个任务只要求修改登录接口，Codex却读取并修改了支付模块，这就是值得审查的异常信号。

工具调用范围越透明，开发者越容易发现任务是否越界。

五、第二层：任务状态变化

一个复杂任务通常会经历：

待分析
方案设计
代码修改
测试执行
错误修复
人工审查
等待合并

每次状态变化都应该有明确原因。

例如：

从代码修改进入测试执行，因为目标文件已经完成修改。

或者：

从测试执行返回错误修复，因为权限测试仍然失败。

如果状态变化无法解释，任务就容易出现跳步。

测试还没有完成，AI却宣布任务结束。

风险还没有确认，代码却进入合并阶段。

可观测性让开发者看到任务现在在哪里，也能发现它是否跳过了关键步骤。

六、第三层：决策依据

AI最难观察的部分，不是它执行了什么，而是它为什么这样执行。

例如，Codex决定重构一个函数，可能基于：

• 用户明确要求；
• 项目现有规范；
• 测试失败信息；
• 自己推断的最佳实践。

这四种依据的可信度并不相同。

可靠的AI任务应该区分：

已确认事实。
项目内证据。
用户约束。
AI推断。
尚未验证的假设。

如果AI把推断当成事实，后续任务就可能建立在错误基础上。

所以可观测性不仅要记录动作，还要暴露关键假设。

七、第四层：验证结果必须可追溯

“测试通过”不是完整结果。

开发者还需要知道：

• 运行了哪些测试；
• 哪些测试没有运行；
• 使用了什么环境；
• 测试覆盖了哪些修改；
• 是否存在跳过项；
• 是否发生过失败后重试。

例如，Codex运行了5个单元测试并全部通过，并不能证明整个系统没有回归问题。

如果修改涉及公共接口，还可能需要：

• 集成测试；
• 回归测试；
• 权限测试；
• 并发测试；
• 兼容性检查。

验证信息越完整，合并判断越可靠。

八、ChatGPT、Codex与Pro如何进入可观测链路

ChatGPT：解释与总结层

ChatGPT可以帮助开发者：

• 总结当前任务目标；
• 整理关键决策；
• 区分事实和推断；
• 解释任务为什么发生变化；
• 输出阶段性状态报告。

它让复杂过程变得更容易理解。

Codex：执行与记录层

Codex需要记录：

• 文件读取；
• 代码变更；
• 命令调用；
• 测试结果；
• 错误信息；
• 下一步建议。

它不只负责执行，还要为执行过程留下证据。

Pro：长任务持续层

Pro可以支撑更长、更复杂的任务链。

但任务越长，越容易出现：

• 决策依据丢失；
• 中间状态混乱；
• 工具调用数量增加；
• 多次修改难以追踪。

因此，Pro扩大任务能力的同时，也提高了可观测性要求。

任务越复杂，过程越需要透明。

九、为什么可观测性会成为AI开发基础设施

未来AI可能同时承担：

• 需求分析；
• 代码修改；
• 测试生成；
• 故障修复；
• 文档更新；
• PR审查。

当执行范围越来越大，开发者不可能只检查最终输出。

还需要一条完整的工程轨迹：

AI理解了什么。
AI决定了什么。
AI执行了什么。
AI验证了什么。
AI遗漏了什么。
人类确认了什么。

没有这条轨迹，AI越自动化，系统越难审查。

可观测性不是额外负担。

它是AI能够进入真实工程环境的基础条件。

结语

ChatGPT帮助理解和解释任务。

Codex负责进入项目执行操作。

Pro支撑更复杂、更持续的协作流程。

但当AI开始真正参与软件开发，开发者需要看到的不只是最终答案。

还包括任务的目标、决策、工具调用、状态变化和验证证据。

传统软件通过日志理解系统行为。

AI开发也需要通过可观测性理解Agent行为。

AI能够完成任务，只代表它具备执行能力。

开发者能够看清它如何完成任务，才代表这套系统真正具备工程可信度。