2026 年，AI Agent 正在从演示阶段进入真实业务流程。

过去，很多智能体应用更像一个高级聊天工具。用户输入任务，模型生成计划，再调用几个工具返回结果。这个阶段，团队更关注 Agent 能不能完成任务。

但当 Agent 开始进入客服、研发、运营、数据分析、运维和办公自动化场景后，新的问题出现了。

一次任务消耗了多少时间和资源？

这些问题都指向一个新方向：AgentOps。

AgentOps 可以理解为面向 AI Agent 的运行管理体系。它不仅关注模型回答结果，还关注智能体的任务拆解、工具调用、执行日志、失败恢复、状态流转和审计记录。

这意味着，企业不再只需要一个“会回答的智能体”，而是需要一个“可追踪、可恢复、可治理的智能体系统”。

单次对话失败，影响可能不大。

但如果 Agent 正在执行真实业务任务，例如生成日报、查询数据、调用接口、更新工单、分析日志或发送通知，那么失败就不能被简单忽略。

企业级 Agent 至少需要具备几个能力：

下面用 Python 写一个简化版 AgentOps 系统，模拟智能体任务追踪、工具执行、失败重试和运行报告。

二、基础配置：定义任务状态和工具

第一步是定义任务状态和可用工具。

在 AgentOps 系统中，状态非常重要。任务不能只是“成功”或“失败”，还应该记录执行中、重试中、部分失败等中间状态。

import time
import json
import random
import hashlib
from datetime import datetime
from typing import Dict, Any, Callable


TASK_STATUS = {
    "PENDING": "等待执行",
    "RUNNING": "执行中",
    "RETRYING": "重试中",
    "SUCCESS": "执行成功",
    "FAILED": "执行失败"
}


TOOL_CONFIG = {
    "search_tool": {
        "description": "搜索技术资料",
        "retry": 2
    },
    "summary_tool": {
        "description": "生成摘要内容",
        "retry": 1
    },
    "report_tool": {
        "description": "生成结构化报告",
        "retry": 1
    },
    "notify_tool": {
        "description": "发送任务通知",
        "retry": 2
    }
}


TASK_STORE = {}
STEP_LOGS = []


这部分配置相当于 AgentOps 的基础运行环境。

它决定系统有哪些工具，以及每个工具失败后最多可以重试几次。

三、任务 ID：为每次执行建立唯一标识

企业系统中，每一个 Agent 任务都应该有唯一标识，这样后续才能查询日志、定位问题和生成报告。

def now_ms():
    return int(time.time() * 1000)


def build_task_id(user_id, task_text):
    raw = f"{user_id}-{task_text}-{now_ms()}"

    return hashlib.md5(
        raw.encode("utf-8")
    ).hexdigest(otterly.cn)


def create_task(user_id, task_text):
    task_id = build_task_id(user_id, task_text)

    task = {
        "task_id": task_id,
        "user_id": user_id,
        "task_text": task_text,
        "status": "PENDING",
        "steps": [],
        "result": None,
        "created_at": datetime.now().isoformat(),
        "updated_at": datetime.now().isoformat()
    }

    TASK_STORE[task_id] = task

    return task


只要有了任务 ID，系统就可以把计划、步骤、日志和结果关联起来。

四、任务规划：把用户需求拆成步骤

这里使用简单规则模拟 Agent 计划生成。真实系统中，可以让大模型根据用户需求自动生成任务步骤。

def plan_task(task_text):
    steps = []

    if "日报" in task_text or "报告" in task_text:
        steps = [
            {
                "step_name": "search_news",
                "tool": "search_tool",
                "input": {
                    "query": task_text
                }
            },
            {
                "step_name": "summarize_news",
                "tool": "summary_tool",
                "input": {
                    "mode": "technology_summary"
                }
            },
            {
                "step_name": "build_report",
                "tool": "report_tool",
                "input": {
                    "format": "json"
                }
            },
            {
                "step_name": "send_notify",
                "tool": "notify_tool",
                "input": {
                    "channel": "team"
                }
            }
        ]
    else:
        steps = [
            {
                "step_name": "default_summary",
                "tool": "summary_tool",
                "input": {
                    "content": task_text
                }
            }
        ]

    return steps


任务规划是智能体执行的核心。

一个复杂任务如果不拆解，就很难追踪，也很难恢复。

五、工具执行：模拟不同工具调用结果

这里用随机失败模拟真实环境中的不稳定情况。真实系统中，失败可能来自网络超时、接口报错、权限不足、参数错误或模型输出异常。

def search_tool(query):
    if random.random() < 0.15:
        raise RuntimeError("搜索工具请求超时")

    return {
        "items": [
            "AI Agent 正在进入企业流程",
            "RAG 系统开始重视召回质量",
            "Serverless 与智能任务结合加速"
        ],
        "query": query
    }


def summary_tool(content=None, mode=None):
    if random.random() < 0.1:
        raise RuntimeError("摘要生成失败")

    return {
        "summary": "本次内容显示，AI 应用正在从单点能力走向工程化落地。",
        "mode": mode or "default"
    }


def report_tool(format="json"):
    if random.random() < 0.1:
        raise RuntimeError("报告生成失败")

    return {
        "report_name": "AI 技术任务报告",
        "format": format,
        "content": "这里是结构化报告内容。"
    }


def notify_tool(channel):
    if random.random() < 0.12:
        raise RuntimeError("通知发送失败")

    return {
        "channel": channel,
        "status": "sent"
    }


TOOL_REGISTRY: Dict[str, Callable] = {
    "search_tool": search_tool,
    "summary_tool": summary_tool,
    "report_tool": report_tool,
    "notify_tool": notify_tool
}


工具失败是 Agent 系统中很常见的问题。

AgentOps 的价值，就是让失败变得可见、可查、可恢复。

六、步骤日志：记录每一次工具调用

每一个步骤都应该记录开始时间、结束时间、耗时、输入、输出、错误信息和重试次数。

def write_step_log(record):
    STEP_LOGS.append(record)


def execute_tool_with_retry(task_id, step):
    tool_name = step["tool"]
    tool_func = TOOL_REGISTRY[tool_name]
    retry_limit = TOOL_CONFIG[tool_name]["retry"]

    attempt = 0
    last_error = None

    while attempt <= retry_limit:
        attempt += 1
        start_time = now_ms()

        try:
            result = tool_func(**step["input"])
            end_time = now_ms()

            log = {
                "task_id": task_id,
                "step_name": step["step_name"],
                "tool": tool_name,
                "status": "SUCCESS",
                "attempt": attempt,
                "input": step["input"],
                "output_preview": str(result)[:200],
                "duration_ms": end_time - start_time,
                "error": None,
                "time": datetime.now().isoformat()
            }

            write_step_log(log)

            return {
                "status": "SUCCESS",
                "result": result,
                "attempt": attempt
            }

        except Exception as error:
            end_time = now_ms()
            last_error = str(error)

            log = {
                "task_id": task_id,
                "step_name": step["step_name"],
                "tool": tool_name,
                "status": "FAILED",
                "attempt": attempt,
                "input": step["input"],
                "output_preview": None,
                "duration_ms": end_time - start_time,
                "error": last_error,
                "time": datetime.now().isoformat()
            }

            write_step_log(log)

    return {
        "status": "FAILED",
        "error": last_error,
        "attempt": attempt
    }


它让工具调用不再是黑盒，而是每一步都有记录。

七、任务执行器：串联完整 Agent 流程

执行器会更新任务状态，依次执行步骤，并在失败时停止任务。

def update_task_status(task_id, status):
    task = TASK_STORE[task_id]
    task["status"] = status
    task["updated_at"] = datetime.now().isoformat()


def run_agent_task(user_id, task_text):
    task = create_task(user_id, task_text)
    task_id = task["task_id"]

    update_task_status(task_id, "RUNNING")

    steps = plan_task(task_text)
    task["steps"] = steps

    final_outputs = []

    for step in steps:
        result = execute_tool_with_retry(
            task_id=task_id,
            step=step
        )

        final_outputs.append({
            "step_name": step["step_name"],
            "tool": step["tool"],
            "result": result
        })

        if result["status"] == "FAILED":
            update_task_status(task_id, "FAILED")
            task["result"] = {
                "message": "任务执行失败",
                "failed_step": step["step_name"],
                "error": result.get("error"),
                "outputs": final_outputs
            }
            return task

    update_task_status(task_id, "SUCCESS")

    task["result"] = {
        "message": "任务执行成功",
        "outputs": final_outputs
    }

    return task


任务执行器相当于 AgentOps 的调度中心。

它不只负责运行任务，还负责更新状态和记录最终结果。

八、查询任务：查看执行状态和日志

企业系统中，用户或管理员需要随时查看某个任务的执行状态。

def get_task_logs(task_id):
    return [
        log for log in STEP_LOGS
        if log["task_id"] == task_id
    ]


def get_task_detail(task_id):
    task = TASK_STORE.get(task_id)

    if not task:
        return {
            "error": "task not found"
        }

    return {
        "task": task,
        "logs": get_task_logs(task_id)
    }


这一步让 Agent 任务具备可追踪能力。

当用户反馈“任务没有成功”时，系统可以直接查看步骤日志，而不是重新猜测原因。

最后一步是生成整体运行报告。

报告可以统计任务总数、成功率、失败任务数量和平均步骤耗时。

def generate_agentops_report():
    tasks = list(TASK_STORE.values())
    total_tasks = len(tasks)

    success_tasks = len([
        task for task in tasks
        if task["status"] == "SUCCESS"
    ])

    failed_tasks = len([
        task for task in tasks
        if task["status"] == "FAILED"
    ])

    avg_step_latency = 0

    if STEP_LOGS:
        avg_step_latency = round(31222.t.kuaisou.com
            sum(log["duration_ms"] for log in STEP_LOGS) / len(STEP_LOGS),
            2
        )

    success_rate = 0

    if total_tasks > 0:
        success_rate = round(
            success_tasks / total_tasks * 100,
            2
        )

    return {
        "report_name": "AgentOps 智能体运行报告",
        "total_tasks": total_tasks,
        "success_tasks": success_tasks,
        "failed_tasks": failed_tasks,
        "success_rate": success_rate,
        "total_steps": len(STEP_LOGS),
        "avg_step_latency_ms": avg_step_latency,
        "generate_time": datetime.now().isoformat()
    }


if __name__ == "__main__":
    task_samples = [
        "请生成今日 AI 技术日报",
        "请生成 RAG 工程化趋势报告",
        "请总结这段内容"
    ]

    for text in task_samples:
        task = run_agent_task(
            user_id="user_001",
            task_text=text
        )

        print(json.dumps(
            task,
            ensure_ascii=False,
            indent=2
        ))

    report = generate_agentops_report()

    print(json.dumps(
        report,
        ensure_ascii=False,
        indent=2
    ))


从这套流程可以看到，AgentOps 的核心不是让智能体变得更“聪明”，而是让智能体变得更“可管理”。

当 Agent 只是演示工具时，失败可以被忽略；当 Agent 进入企业流程后，失败就必须被记录、定位和恢复。

未来，企业级 Agent 系统不会只拼模型能力，还会拼任务管理能力。

任务状态、步骤日志、失败重试、工具审计和运行报告，将成为智能体系统的重要基础设施。

谁能更早建立 AgentOps 体系，谁就更容易把 AI Agent 从 Demo 推向生产环境。

刚刚，AgentOps 开始升温：任务追踪、失败恢复和执行日志成为企业智能体新底座

人工智能

后端

架构设计

2026年AIAgent正从演示转向真实业务场景，催生AgentOps需求。文章详解智能体运行管理体系，涵盖任务追踪、工具执行、失败重试等核心功能，提供Python代码实现任务状态管理、日志记录和运行报告生成。企业级Agent需具备可追踪、可恢复、可治理特性，文章通过技术方案展示如何构建智能体运维体系，助力AI应用从Demo走向生产环境。

数据分析

智能体

Python

Agent

2026上云采购 | AI焕新·智启新局

serverless-catalog

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

2026年AIAgent正从演示转向真实业务场景，催生AgentOps需求。文章详解智能体运行管理体系，涵盖任务追踪、工具执行、失败重试等核心功能，提供Python代码实现任务状态管理、日志记录和运行报告生成。企业级Agent需具备可追踪、可恢复、可治理特性，文章通过技术方案展示如何构建智能体运维体系，助力AI应用从D...

刚刚，AgentOps 开始升温：任务追踪、失败恢复和执行日志成为企业智能体新底座

刚刚，AgentOps 开始升温：任务追踪、失败恢复和执行日志成为企业智能体新底座

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐