谁说云原生过时了？Kubernetes 等主流项目正在为 Agent 重做“地基”
指出雲原生技術如 Kubernetes 並未過時，反而正為 AI Agent 重構基礎設施。透過工作負載感知排程、GPU 動態資源分配及專用沙箱等進化，解決了 Agent 在狀態管理與算力浪費上的挑戰，並推動流量層與安全可觀測性的全面升級。
OpenTelemetry
21 筆內容提到
最近 7 天 4 筆↑3（比前一期多 3 筆）（再前 7 天 1 筆）
這一頁列的是「提到 OpenTelemetry」的內容（名稱由語言模型從內容裡整理），不一定整筆都在講它。只想追它的新內容：訂閱 RSS；想找標題裡就有它的：搜尋「OpenTelemetry」。
最新
依發布時間
Using Parseable with Datasette for OpenTelemetry traces
介紹如何使用 Parseable 與 Datasette 搭配 OpenTelemetry 追蹤資料。作者透過 Codex 輔助設定流程，並展示如何在 Parseable 的網頁介面中直接檢視 Datasette 的追蹤記錄。
From Vibes to Production: Evaluating and Shipping AI Agents That Work 101 — Laurie Voss, Arize AI
Laurie Voss 示範如何透過追蹤（traces）與多層評估機制，解決 AI 代理在金融分析任務中因缺乏即時資料而失敗的問題。影片結合確定性檢查、忠誠度評分與自定義行動力評分，建立從失敗案例到生產環境的完整評估工作流。
5,852次觀看※ 摘要僅根據標題與說明
Advanced Workshop: Mastering AI Observability — Doug Guthrie, Braintrust
Doug Guthrie 透過實作支援代理人的追蹤，示範如何將生產環境的資料轉化為開發迴圈中的具體改進。課程涵蓋建立追蹤、設定自動化評分與主題分類，並利用程式碼評分與 LLM 判官結合，最終透過 Pull Request 回饋開發流程。
Why Your AI Agent Fails in Production (And How to Catch It)
展示如何建立端到端的 AI 代理評估管道，將本地演示中的問題轉化為生產環境的實際測試。觀眾能學習使用 Antigravity、OpenTelemetry 等工具標準化追蹤並設定自動化評分標準。
※ 摘要僅根據標題與說明
Stop YOLO-ing AI Observability: Building Production-Ready Agents | Arize x AWS
AWS 資深經理 Nate Later 分享團隊如何從大型前沿模型原型轉向生產級 AI 系統，強調 OpenTelemetry 對非確定性軟體的重要性，並說明為何過度依賴 YOLO 式追蹤會造成技術債。
※ 摘要僅根據標題與說明
How to Build Reliable Long-Running AI Agents | Temporal + Arize
由 Arize 與 Temporal 共同舉辦，示範如何建立能跨失敗重啟的長跑 AI 代理，並透過 Arize AX 追蹤模型與工具呼叫。
237次觀看※ 摘要僅根據標題與說明
What Is MLflow? Tracing AI Agents & LLM Workflows
Legare Kerrison 說明傳統監控無法捕捉多代理 AI 系統的靜音失敗與非確定性問題，並介紹 MLflow 如何透過追蹤、LLM 評審與提示註冊來提升可觀測性與可靠性，提供從開發到生產部署的實作建議。
Making Your Data Ready for Agentic AI
指出自主代理 AI 缺乏人類分析師的直覺與判斷，因此資料必須具備可信、有上下文、可追蹤、受管治與可操作五項屬性。作者提出透過資料合約、語義層與可觀測性架構，將這些隱性知識轉化為機器可理解的明確規則，讓資料真正準備好供 AI 使用。
Arize AX Demo 2026: Build Self-Improving Agents with Signal
示範如何使用 Arize AX 自動追蹤、評估並修復 AI 代理，透過編碼代理自動配置追蹤並利用 Signal 發現未知失敗模式。觀眾能學習如何建立自我改進的代理系統，無需手寫追蹤程式碼。
318次觀看※ 摘要僅根據標題與說明
Browser automation with Pydantic AI + Playwright
介紹如何使用 Pydantic AI 搭配 Playwright 建立能自主瀏覽網頁的代理，並示範如何整合 Microsoft Foundry 模型與 Entra 無鑰匙認證。
How Evaluation-Driven Development (EDD) Works
介紹 Evaluation-Driven Development (EDD) 方法，透過模擬輸入並執行真實代理來生成測試資料，用於在合併前驗證功能並檢測退步。
MCP Servers Are Becoming the UI for AI Agents
訪談 Opal 創辦人 Naseem Al-Naji，探討 MCP Server 如何成為 AI Agent 的介面，並介紹 MCPcat 如何透過分析工具呼叫與使用者目標，解決開發者與使用者脫節的問題。
The 2026-07-28 MCP Specification Release Candidate
Model Context Protocol 發布 2026 年 7 月 28 日規範候選版，核心變革為無狀態協議架構，移除連線握手與會話標頭，使伺服器可透過普通 HTTP 負載平衡部署。
How to Find the Agent Failures Your Evals Miss with Scott Clark - #767
Scott Clark 分享如何透過後生產力分析發現標準評估遺漏的代理失敗，例如工具呼叫幻覺。透過將追蹤資料轉為向量指紋進行聚類與主題發現，建立反饋迴圈自動最佳化系統。
[ 概念介紹 ] ADLC 開發方式 — 透過 Agentic Development Lifecycle 開發模式，打造 Agent 服務系統
介紹 ADLC（代理開發生命週期）如何解決傳統軟體開發模式無法應對 AI Agent 隨機性的問題。文章詳述了從行為契約定義、語義工具化、模型裁判評測到基礎設施自動化等核心實踐，幫助開發者將不確定性納入工程規範。
From Blind Spots to Observability: Operationalizing LLM Apps with OpenLit
探討將大型語言模型應用推向生產環境時常見的盲點，包括模型行為不透明、Token 成本失控及提示詞管理困難。講者 Aman Agarwal 介紹了基於 OpenTelemetry 的 OpenLit 工具，提供視覺化追蹤、提示詞版本控制與成…
From IBM Acquisition to AI-Native Observability | Dash0 CEO
訪談 Dash0 CEO Mirko Novakovic，探討其公司如何基於 OpenTelemetry 標準構建 AI 原生可觀測性平台。
Watch the recordings from my Python + MCP series
Pamela Fox 分享 Python 與 MCP 的三場直播串內容，涵蓋使用 FastMCP 建立伺服器、在 Azure 部署及加入認證機制。讀者可學習如何開發、部署並安全地整合 AI 代理與聊天機器人。
Building the Internet of Agents: Identity, Observability, and Open Protocols
探討多智慧體系統的擴展挑戰，包括身份驗證、可觀測性及開放協議。講者介紹了 Cisco Outshift 的 Agency 框架與 SLIM 通訊層，並分享 CAPE 平台工程師等實際應用案例，展示如何透過協作提升生產力。
最受歡迎
依人氣
What Is MLflow? Tracing AI Agents & LLM Workflows
Legare Kerrison 說明傳統監控無法捕捉多代理 AI 系統的靜音失敗與非確定性問題，並介紹 MLflow 如何透過追蹤、LLM 評審與提示註冊來提升可觀測性與可靠性，提供從開發到生產部署的實作建議。
Why Your AI Agent Fails in Production (And How to Catch It)
展示如何建立端到端的 AI 代理評估管道，將本地演示中的問題轉化為生產環境的實際測試。觀眾能學習使用 Antigravity、OpenTelemetry 等工具標準化追蹤並設定自動化評分標準。
※ 摘要僅根據標題與說明
From Vibes to Production: Evaluating and Shipping AI Agents That Work 101 — Laurie Voss, Arize AI
Laurie Voss 示範如何透過追蹤（traces）與多層評估機制，解決 AI 代理在金融分析任務中因缺乏即時資料而失敗的問題。影片結合確定性檢查、忠誠度評分與自定義行動力評分，建立從失敗案例到生產環境的完整評估工作流。
5,852次觀看※ 摘要僅根據標題與說明
Advanced Workshop: Mastering AI Observability — Doug Guthrie, Braintrust
Doug Guthrie 透過實作支援代理人的追蹤，示範如何將生產環境的資料轉化為開發迴圈中的具體改進。課程涵蓋建立追蹤、設定自動化評分與主題分類，並利用程式碼評分與 LLM 判官結合，最終透過 Pull Request 回饋開發流程。
谁说云原生过时了？Kubernetes 等主流项目正在为 Agent 重做“地基”
指出雲原生技術如 Kubernetes 並未過時，反而正為 AI Agent 重構基礎設施。透過工作負載感知排程、GPU 動態資源分配及專用沙箱等進化，解決了 Agent 在狀態管理與算力浪費上的挑戰，並推動流量層與安全可觀測性的全面升級。
Browser automation with Pydantic AI + Playwright
介紹如何使用 Pydantic AI 搭配 Playwright 建立能自主瀏覽網頁的代理，並示範如何整合 Microsoft Foundry 模型與 Entra 無鑰匙認證。
How Evaluation-Driven Development (EDD) Works
介紹 Evaluation-Driven Development (EDD) 方法，透過模擬輸入並執行真實代理來生成測試資料，用於在合併前驗證功能並檢測退步。
Using Parseable with Datasette for OpenTelemetry traces
介紹如何使用 Parseable 與 Datasette 搭配 OpenTelemetry 追蹤資料。作者透過 Codex 輔助設定流程，並展示如何在 Parseable 的網頁介面中直接檢視 Datasette 的追蹤記錄。
[ 概念介紹 ] ADLC 開發方式 — 透過 Agentic Development Lifecycle 開發模式，打造 Agent 服務系統
介紹 ADLC（代理開發生命週期）如何解決傳統軟體開發模式無法應對 AI Agent 隨機性的問題。文章詳述了從行為契約定義、語義工具化、模型裁判評測到基礎設施自動化等核心實踐，幫助開發者將不確定性納入工程規範。