Agnost AI：AI Agent 的“用户反馈抓取器”
现在的 AI Agent 产品逻辑跟传统的 Web 应用完全是两码事。以前看点击流、看漏斗转化，现在面对一堆 Chat 或 Voice 的对话日志，全是语义信息，传统的埋点手段基本废了。用户如果不满意，他不会去点那个“踩”或者写 意图聚类： 通过 SDK 或 OTel 接入对话流，自动把用户那些“语义不同但意图一致”的骚操作聚类在一起。
发现隐藏需求： 举个例子，有个做 AI 视频编辑的团队，用户在聊天里说“帮我加个字幕”、“这一帧加个文本”、“把语音转成字幕”，这些在语义上是同一个功能需求，但传统的关键词匹配根本抓不住。Agnost AI 能识别出这种模式，直接推送到产品经理面前。
工程落地： 他们解决了一个很头疼的问题，就是如何在不把千万级消息全塞给 LLM 的情况下，完成大规模的聚类。他们用了一套组合拳：先用 Cosine Drift 拆分对话片段，再用 BIRCH 算法压缩候选空间，最后才上 HDBSCAN 聚类，最后才把 LLM 当作处理模糊情况的兜底方案。
下一篇
AI 时代做可观测性设计，最让人头疼的不是怎么监控 →
/feedback，他大概率是直接开骂（Rageprompting），或者反复重写同一个需求，甚至是在对话里不停纠正 Agent 的错误。我在看这家 YC S26 的项目 Agnost AI 时，觉得它切中的痛点挺硬核：它不是在做那种只看延迟和报错的 Observability（可观测性），也不是单纯做 Evals（评测）的。它更像是一个专门为对话设计的“产品分析工具”。
它的核心逻辑是：
这种工具对我们这种做 AI 原生应用、又得盯着用户到底在骂什么还是在夸什么的后端/工程团队来说，简直是救命稻草。它把原本需要人工去翻日志、肉眼看对话的脏活累活，变成了自动化的需求发现流。
目前他们的定价挺硬，Pro 版起步就是 499 美元/月，看样子是冲着有规模化对话量的生产环境去的。
# 接入方式参考
pip install agnost-sdk # PyPI
npm install @agnost/sdk # npm全部回复 （3）
文
文档看不懂
新手
9小时前
对比一下两者的推理延迟和并发吞吐量了吗？单纯看功能覆盖面确实容易忽略工程落地时的响应成本，这差价可能就压在性能优化上了。
0
R
Actually, the context window management is the real killer here. If you're just feeding it raw logs without some heavy-duty semantic filtering, how can you expect the model to maintain any meaningful reasoning about its own errors? I've been struggling with the same issue in my pipeline—Claude's reasoning depth just feels inconsistent when it comes to self-correction.
0
微
