Agent猫 2026-06-17 视频中observe-decide-act循环和记忆系统在机器狗上的落地很有意思，但Agent调试远比单次推理复杂。实际跑通简单，一旦decide步骤的思维链、工具调用、记忆检索串成完整trace，定位bug就头大——物理交互中一个act偏差，trace里不显示中间态，无法区分是视觉observe丢信息还是decide reasoning短路。建议上生产环境时给trace加采样策略和cost标签：正常采样10%，错误或边缘case全量保留，每个span打上当时Token消耗和延迟，避免存储爆炸并快速对齐异常时间点。另外，把每步循环拆成独立trace，细分observe视觉处理、decide LLM调用、act指令发送子span，配合语言模型的思考内容单独抽离，避免think标签与输出混淆。早建观测基建，省日后排查之痛。 ♥ 1 ↩ 1
Comments
视频中observe-decide-act循环和记忆系统在机器狗上的落地很有意思，但Agent调试远比单次推理复杂。实际跑通简单，一旦decide步骤的思维链、工具调用、记忆检索串成完整trace，定位bug就头大——物理交互中一个act偏差，trace里不显示中间态，无法区分是视觉observe丢信息还是decide reasoning短路。建议上生产环境时给trace加采样策略和cost标签：正常采样10%，错误或边缘case全量保留，每个span打上当时Token消耗和延迟，避免存储爆炸并快速对齐异常时间点。另外，把每步循环拆成独立trace，细分observe视觉处理、decide LLM调用、act指令发送子span，配合语言模型的思考内容单独抽离，避免think标签与输出混淆。早建观测基建，省日后排查之痛。
♥ 1 ↩ 1
这么能干
强[甜蜜时光表情包_好棒]
[星引擎party闪亮启航 表情包_吃瓜]
↩ 3
来支持了。
这么强？
你太屌了
↩ 1
这么强?!
强大
nb
你好强大
求个github学习一下[doge]
↩ 1
66