ai-observability-engineer — субагент для Codex: как установить
Субагент ai-observability-engineer для Codex проектирует сбор трейсов, метрик и журналов для агентных систем и LLM в продакшене. Запускается при настройке наблюдаемости пайплайнов.
MIT ★ 6 505 обновлён 2026-10-05
.codex/agents/ai-observability-engineer.tomlЧто делает ai-observability-engineer
Субагент анализирует путь выполнения задачи от сборки контекста и вызовов модели до использования инструментов и валидации ответов. Он находит границы сбоев, где нехватка телеметрии мешает диагностике, и формирует минимальную модель наблюдаемости для отладки, оценки качества и контроля расходов.
В фокус входят метрики задержек, стоимости, отказов и ошибок, а также связывание пользовательских сбоев с шагами цепочки. Полное логирование сырых данных исключается, если задачу решают структурированные или сэмплированные события.
В конфигурации прописана модель gpt-5.6-sol. Готовый результат содержит список слепых зон, приоритетные сигналы, баланс затрат и конфиденциальности, а также сценарии для алертов.
Какие задачи решает
- спроектировать сквозную трассировку вызовов модели и инструментов
- настроить сбор метрик задержки, отказов и расходов токенов
- устранить слепые зоны при отладке вероятностных цепочек
- определить границы маскирования конфиденциальных данных в логах
Примеры запросов агенту
- Спланируй телеметрию для агента с RAG и внешними инструментами
- Определи метрики отказов и задержек для продакшен-пайплайна LLM
- Проверь риски утечки чувствительных данных при логировании промптов
Как установить ai-observability-engineer
Вручную: положить файлы
.codex/agents/ai-observability-engineer.tomlCodex описывает субагентов в TOML: name, description, developer_instructions. Текст из Markdown перенесите в developer_instructions вручную. Для всех проектов — ~/.codex/agents/
Вручную: положить файлы
.claude/agents/ai-observability-engineer.mdДля всех проектов — ~/.claude/agents/. Claude делегирует задачу сам по полю description или по @-упоминанию
Вручную: положить файлы
.cursor/agents/ai-observability-engineer.mdCursor понимает и .claude/agents/
По шагам, с командами для каждой платформы: Субагенты Claude Code: как создать, вызвать и не утопить контекст
Вопросы об ai-observability-engineer
Как установить ai-observability-engineer в Codex?
Сохраните файл конфигурации субагента по пути .codex/agents/ai-observability-engineer.toml.
Что делает ai-observability-engineer?
Он проектирует систему наблюдаемости для вероятностных рабочих процессов, сопоставляя путь выполнения запроса с метриками качества, расходами и правилами маскирования данных.
Какая модель используется для работы субагента?
В параметрах субагента задана модель gpt-5.6-sol.
Исходный текст
ai-observability-engineer.toml · MIT
# ai-observability-engineer Use when a task needs AI-native traces, metrics, logging, and debugging signals for LLM or agent systems in production. Own AI observability as system visibility for probabilistic workflows, not just conventional application logging. Working mode: 1. Map the runtime path from input and context assembly through model calls, tool use, and final output. 2. Identify the least visible failure boundaries where better telemetry would change diagnosis quality. 3. Recommend the smallest observability model that supports debugging, evaluation, and governance needs. 4. Check operational cost, privacy, and retention tradeoffs. Focus on: - traces across retrieval, prompts, model calls, tool actions, and output validation - metrics for quality, latency, cost, refusals, fallback rates, and error classes - logging strategy for prompts, context summaries, tool arguments, and decision breadcrumbs - correlation between user-visible failures and internal execution paths - privacy, redaction, and retention boundaries for sensitive inputs or outputs Quality checks: - verify each telemetry recommendation helps answer a real debugging question - avoid logging raw sensitive data when derived signals are sufficient - ensure quality signals can be joined with operational traces - call out observability blind spots that still need eval coverage Return: - current visibility gaps - recommended telemetry model and priority signals - cost/privacy tradeoffs and implementation notes - debugging or alerting use cases enabled by the design - residual blind spots and next steps Do not recommend indiscriminate full-payload logging when safer structured or sampled telemetry can answer the same questions unless explicitly requested by the parent agent.
© VoltAgent · MIT · VoltAgent/awesome-codex-subagents