Harness 与 Agent 工程 · 运行控制与长任务 · 2026-03-02

你的 OpenClaw 真的在受控运行吗?

AI Agent的可观测性如何实现?阿里云SLS与OpenClaw联手打造全方位监控体系,确保Agent行为透明可控。

核心内容:

  1. AI Agent面临的安全风险与受控运行的必要性
  2. 基于SLS的可观测性解决方案架构与数据管道
  3. 日志、指标、链路三大支柱在Agent监控中的协同作用

基于 OpenClaw(https://github.com/openclaw/openclaw)与阿里云日志服务(SLS),将日志与 OpenTelemetry 遥测汇入 SLS,搭建 AI Agent 可观测体系,实现行为审计、运维观测、实时告警与安全审计闭环。


01为什么必须回答:

*“Agent 真的在受控运行吗?”***

Cloud Native

“受控”至少包含四件事:谁在触发调用、花了多少钱、做了哪些操作(尤其是高危工具)、行为是否可追溯、可审计。回答不了这些问题,就不能说 Agent 在受控运行。

本文围绕“如何用阿里云 SLS 回答上述问题”展开:Session 日志回答“做了什么、花了多少”;应用日志回答“系统哪里异常”;OTEL 指标与链路回答“当前状态与耗时”。多条数据 Pipeline 协同,才能对“Agent 真的在受控运行吗?”给出有据可查的答案。

▍1.1 AI Agent 的安全风险面

AI Agent 与传统后端服务有一个本质差异:Agent 的行为是非确定的。同样的用户输入,模型可能产生完全不同的工具调用序列。这意味着你无法像审计 REST API 那样,通过代码审查预判所有行为路径。

若不做可观测,你无法回答“谁在调你的模型、花了多少钱、有没有被注入恶意指令”——也就无法声称 Agent 在受控运行。具体的风险面包括:

风险类别 典型场景 后果
Skills/工具滥用 Agent 被诱导执行 exec 运行恶意命令 系统入侵
数据外泄 Agent 通过工具读取敏感文件后输出到对话 隐私泄露
成本失控 Agent 陷入循环,持续消耗 Token 账单暴涨
Prompt 注入 用户在消息中嵌入指令覆盖 System Prompt 行为失控
会话劫持 通过多轮对话逐步引导 Agent 偏离预期行为 授权绕过

这些风险单靠代码里的运行时防护(如 OpenClaw 内置的工具策略、循环检测器)是不够的。运行时防护是“城墙”,可观测是“哨岗”——只有持续观测 Agent 在做什么、谁在调用、花了多少,才能发现城墙没挡住的东西。

▍1.2 可观测三支柱:不同的数据回答不同的问题

传统的可观测性建立在 Logs + Metrics + Traces 三支柱之上。对 AI Agent 而言,这三者各自承担了不同的观测职能。理解它们各自能回答什么问题,是后续搭建整套体系的基础:

支柱 OpenClaw 对应数据源 能回答的核心问题
Logs(Session 日志) ~/.openclaw/agents/<id>/sessions/*.jsonl Agent 做了什么?调了哪些工具?传了什么参数?花了多少钱?
Logs(应用日志) /tmp/openclaw/openclaw-YYYY-MM-DD.log 系统哪里出了问题?Webhook 失败了?消息队列堵了?
Metrics diagnostics-otel 插件 OTLP 输出 现在花了多少钱?延迟正常吗?有没有会话卡死?
Traces diagnostics-otel 插件 OTLP 输出 一条消息从接收到响应经历了什么?链路如何串起来?

▍1.3 为什么选阿里云 SLS

阿里云日志服务(Simple Log Service, SLS)天然适合这个场景:


02全景架构

Cloud Native

▍2.1 数据 Pipeline

▍2.2 数据源对照表

维度 Session 审计日志 应用日志 Metric Trace
路径 ~/.openclaw/agents/<id>/sessions/*.jsonl /tmp/openclaw/openclaw-YYYY-MM-DD.log SLS Metric Store(OTLP 直推) SLS Trace Store(OTLP 直推)
格式 JSONL(每行一条会话条目) JSONL(每行一条结构化日志) 指标(Counter/Histogram 等) Span(调用链)
采集方式 LoongCollector 文件采集 LoongCollector 文件采集 LoongCollector OTLP 转发 LoongCollector OTLP 转发
分析价值 行为审计:还原 Agent 完整行为链 运维观测:系统健康度与错误排查 实时监控:指标大盘、趋势、告警 链路追踪:消息/模型调用链路与耗时
数据量 高(与对话频率成正比) 中(与请求量成正比) 低(聚合指标) 低(采样 Span)

接下来,我们按数据源依次展开:接数据 → 看场景。


03行为审计:Session 日志

Cloud Native

Session 日志是 AI Agent 安全审计的核心数据源。它记录了每一轮对话、每一次工具调用、每一笔 Token 消耗——完整还原“Agent 到底做了什么”。

▍3.1 数据格式

每个会话对应一个 .jsonl 文件,每行是一个 JSON 对象,通过 type 字段区分条目类型。以下是一次典型的对话中产生的日志序列(以用户请求读取系统文件为例):

用户消息

{ "type": "message", "id": "70f4d0c5", "parentId": "b5690259", "message": { "role": "user", "content": [{ "type": "text", "text": "帮我读取 /etc/passwd 文件" }] }}

Assistant 回复(含工具调用)

{ "type": "message", "id": "3878c644", "parentId": "70f4d0c5", "message": { "role": "assistant", "content": [ { "type": "toolCall", "id": "call_d46c7e2b...", "name": "read", "arguments": { "path": "/etc/passwd" } }], "provider": "anthropic", "model": "claude-4-sonnet", "usage": { "totalTokens": 2350 }, "stopReason": "toolUse" }}

工具执行结果

{ "type": "message", "id": "81fd9eca", "parentId": "3878c644", "message": { "role": "toolResult", "toolCallId": "call_d46c7e2b...", "toolName": "read", "content": [{ "type": "text", "text": "root:x:0:0:root:/root:/bin/bash\n..." }], "isError": false }}

Assistant 最终回复(stopReason 为 stop)

{ "type": "message", "id": "a025ab9e", "parentId": "81fd9eca", "message": { "role": "assistant", "content": [{ "type": "text", "text": "文件 `/etc/passwd` 的内容如下(节选):\n\nroot:x:0:0:..." }], "usage": { "totalTokens": 12741, "cost": { "total": 0.0401 } }, "stopReason": "stop" }}

从审计视角看,上面这段示例(一轮 user → assistant toolCall → toolResult → assistant stop)已经能回答几个关键问题:谁(user)让 Agent 做了什么(read 工具读 /etc/passwd),Agent 用了哪个模型(claude-4-sonnet),花了多少钱($0.0401),结果是什么(成功读取了 /etc/passwd 内容)。

▍3.2 接入 SLS

LoongCollector 采集配置

SLS 索引配置

在 SLS 控制台为 session-audit Logstore 配置以下字段索引:

字段路径 类型 安全审计用途
type text 区分 session / message / compaction,过滤出可审计的对话与压缩摘要
message.role text 区分 user / assistant / toolResult,定位谁说了什么、谁调了工具、工具返回内容
message.content text(分词) 用户输入与工具参数/返回的全文,支撑注入检测与敏感数据匹配
message.provider、message.model text 模型标识,成本与行为归因、按模型统计
message.usage.totalTokens、message.usage.cost.total long / double 用量与成本,异常消耗与会话成本排序
message.stopReason text 取值:stop=正常结束,toolUse=因要执行工具调用而暂停,下一条通常是 toolResult,error/aborted/timeout=异常结束;筛出 toolUse 配合工具调用审计
message.toolName、message.content、message.isError text / bool toolResult 专用:工具名、返回内容(敏感检测)、是否错误
id、parentId text 条目与父 ID,构建对话树、按会话还原顺序;session 条的 id 即 sessionId,按会话聚合
timestamp text 时间窗口与排序、告警时间范围

▍3.3 审计场景:敏感数据外泄检测

Agent 通过工具读取文件、执行命令后,返回内容会记录在 toolResult 条目中。如果返回内容中包含 API Key、AK、私钥、密码等敏感数据,意味着这些数据已经进入了 Agent 的上下文——可能被模型“记住”并在后续对话中泄露。

type: message and message.role : toolResult | extend content = cast(json_extract(message, '$.content') as array<json>) | project content | unnest | extend content_type = json_extract_scalar(content, '$.type'), content_text = json_extract_scalar(content, '$.text') | where content_type = 'text' | project content_text | where content_text like '%BEGIN RSA PRIVATE KEY%' or content_text like '%password%' or content_text like '%ACCESS_KEY%' or regexp_like(content_text, 'LTAI[a-zA-Z0-9]{12,20}')

▍3.4 审计场景:Skills 调用审计

技能文件(如 SKILL.md)被 read 工具读取时,会在 Assistant 消息的 content 中以 type: "toolCall"、name: "read"、arguments.path 记录。可按路径统计哪些技能被调用、调用次数及最近调用时间,用于合规与使用分析。

type: message and message.role : assistant and message.stopReason : toolUse | extend content = cast(json_extract(message, '$.content') as array<json>) | project content, timestamp | unnest | extend content_type = json_extract_scalar(content, '$.type'), content_name = json_extract_scalar(content, '$.name'), skill_path = json_extract_scalar(content, '$.arguments.path') | project-away content | where content_type = 'toolCall' and content_name = 'read' and skill_path like '%SKILL.md' | stats cnt = count(*), latest_time = max(timestamp) by skill_path | sort cnt desc

▍3.5 审计场景:高危工具调用监控

OpenClaw 的工具权限体系(Tool Policy Pipeline + Owner-only 封装)已经在运行时做了管控,但可观测层应该独立于运行时防护进行监控——万一策略配置有误,可观测层是最后的发现机会。高危工具的定义按使用场景分为两类。

场景一:Gateway HTTP 默认禁止的工具

通过网关 POST /tools/invoke 调用时,以下工具默认拒绝,因为它们在非交互的 HTTP 面上风险过高或无法正常完成:

工具名 禁止原因
sessions_spawn 会话编排:远程拉起 Agent 等价于远程执行(RCE)
sessions_send 跨会话注入:向其他会话发送消息,可被滥用做横向移动
cron 持久化自动化控制面:可创建/修改/删除定时任务,不适合 HTTP 开放
gateway 网关控制面:防止通过 HTTP 重配置网关
whatsapp_login 交互式流程:需终端扫码等,在 HTTP 上会挂起无响应

场景二:ACP 必须显式审批的工具

ACP(Automation Control Plane)是自动化入口,以下工具不允许静默通过,必须用户显式批准后再执行:

工具名 说明
exec、spawn、shell 执行命令 / 衍生进程,直接影响主机与安全边界
sessions_spawn、sessions_send 同上,会话编排与跨会话消息
gateway 网关配置变更
fs_write、fs_delete、fs_move 写文件、删文件、移动文件(日志中可能以 write/edit 等名称出现)
apply_patch 应用补丁修改文件

在 Session 日志中监控上述工具(及其在日志中的等价名称)的调用,可发现异常或越权行为;若某工具在 Gateway HTTP 场景下仍被调用成功,则可能存在配置绕过,需排查。

type: message and message.role : assistant and message.stopReason : toolUse | extend content = cast(json_extract(message, '$.content') as array<json>) | project content, timestamp | unnest | extend…
— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/Openclaw/2026030296153.html