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：
- 当前目标是什么；
- AI使用了哪些上下文；
- AI为什么采取当前动作；
- 实际执行了哪些操作；
- 执行结果是否符合预期；
- 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。
