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:
- OTLP 友好接入:LoongCollector 原生支持 OTLP 协议,与 OpenClaw 的 diagnostics-otel 插件无缝对接,开箱即用;
- 算子丰富、查询灵活:内置多种加工与分析算子,对 Session 日志里的 JSON 嵌套字段(如 message.content、message.usage.cost)做解析、过滤、聚合很方便,写几条 SPL 就能做工具调用统计、成本归因、敏感模式匹配;
- 安全与合规能力:支持日志访问审计、RAM 权限管控、敏感数据脱敏与加密存储,满足审计留痕与合规要求;告警可对接钉钉、短信、邮件,便于安全事件及时响应;
- 日志分析一站式:“采集 → 索引 → 查询 → 仪表盘 → 告警”一条龙,小规模 Agent 日志量不大、按量计费成本低,流量上来也能自动弹性。
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…