By Unbug 
2026 年 9 月 14 日提交到 arXiv 的论文《AgentPProf: Semantic Profiler for Long Horizon AI Agents》提出：长程 AI Agent 的可观测性欠账不在调试，而在画像——现有工具只做单次执行的追踪，做不了跨运行的长期归因；把系统软件里性能分析（profiling）的方法移植过来，以任务意图而非代码路径作为归因单位，就能像查 CPU 热点一样查出长任务的钱烧在哪一步。论文报告该方法在 CodeTraceBench 上与人工标注对齐得分 0.764，在三个问题定位基准上把 MAP 指标最高提升 56%。
长期画像缺的是归因单位
论文观察到，AI Agent 越来越多地编排长达数天甚至数周的活动。要改进质量、安全性和成本效率，开发者需要回答三类问题：失败发生在哪，什么触发了不安全的效果，哪些任务消耗了最多预算。系统软件里性能分析回答过同类问题：聚合资源消耗，归因到承担责任的代码路径，找出热点。Agent 的难点在于责任实体不是代码路径，而是任务意图（例如 diagnose authentication、compare branches），且没有稳定标识符可供聚合。单次调试工具很多，跨运行的长期画像仍然空白。
语义操作栈与递归切分
论文的方案叫语义操作栈模型（semantic operation stack）：用统一的 operation 表示 Agent 的一切活动，用操作栈替代运行时调用栈，从而在不同粒度上做分层归因。另一个观察是任务在轨迹里占据连续区间，且可递归分解为子任务，于是引入递归操作切分（recursive operation segmentation），沿任务边界把长轨迹一层层切开。切完之后，AgentPProf 把多条轨迹聚合成 pprof 兼容的 profile——pprof 是 Go 生态成熟的性能分析格式，火焰图（flame graph）则是按调用层级横向展开的消耗可视化图，宽度对应占比——现有的火焰图工具链可以直接消费。需要说明：这里的 pprof 兼容指输出格式兼容，不是官方集成；整个系统是研究原型，不是生产系统。
对齐得分与问题定位收益
评测分两块。轨迹切分质量在 CodeTraceBench（考察从 Agent 执行轨迹中识别任务片段的基准）上衡量，与人工标注对齐得分 0.764。下游价值在三个问题定位基准（给定故障或低效现象、要求指出责任任务片段的评测）上衡量：把 profile 提供给定位流程后，MAP（mean average precision，平均精度均值，检索与定位类任务常用的排序质量指标）最高提升 56%。论文据此主张该方法能在实际可接受的开销内完成资源归因、问题定位和 token 成本优化。
该在哪些前提上打折扣
这项工作的结论要放在几个前提下读。其一，这是未经同行评审的预印本，摘要与正文均无机构落款。其二，0.764 与 MAP 提升都来自作者自选的基准组合，切分质量与定位收益能否泛化到其他 Agent 框架和任务分布，尚无第三方证据。其三，论文的问题设定建立在任务持续数天到数周的长程场景上，这类任务目前实际普及度存疑，多数现网 Agent 负载仍是分钟级，工具价值要等场景长大。其四，pprof 兼容只解决格式对接，火焰图对代码调用栈的交互语义（如按函数跳转源码）在任务意图粒度上如何落地，论文没有展开。
站内此前解读过的《评测预算的错觉》与本篇机制不同轴：那篇讲评测侧错觉——实验缺少对照，预算差异被误读成能力差异；这篇是运维侧归因工具——不碰评测有效性，只回答资源消耗该记在哪个任务意图头上。
AI 智创简报：《大厂在给 AI 输出装质检阀，验收报告这门手艺没人接》