AgentWire

AI Agent 的调用链路一旦涉及到多个 LLM 切换、工具调用或者 MCP 服务器，整个过程就变成了黑盒。你只能看到最终结果，但中间到底哪个环节卡了、哪个模型在胡言乱语、或者在哪一步悄悄烧掉了大把 Token，完全没法直观追踪。

AgentWire 走的路子很有意思，它把自己定义为 Agentic Stack 的观测层。简单来说，它想在 AI Agent 领域实现类似 OpenTelemetry + Wireshark 的效果，把每一跳（Hop）的流量全部拦截并分析。

• 链路追踪： 像监控微服务一样，记录用户 → Agent → LLM → MCP 服务器的完整路径。
• 成本量化： 把每一笔费用精确到具体的 Packet，不用再对着 OpenAI 的账单发呆。
• 安全审计： 在网关层面拦截 Prompt 注入或敏感信息泄露。

这个项目是用 ASP.NET Core 写的，走的是事件驱动架构，而不是简单的日志包装，这样才不会阻塞 Agent 的实时响应。目前它还处于 MVP 阶段，核心功能是基于 SQLite 的 API 摄入和成本统计，后续计划引入 ClickHouse 来支撑海量数据的分析。

对于想实操部署的开发者，流程非常简单：

一、启动 API 服务（需安装 .NET 10 SDK）

git clone https://github.com/qmmughal/AgentWire.git
cd AgentWire
dotnet run --project src/AgentWire.Presentation

二、模拟发送一条 Trace 数据
当 Agent 与模型交互后，通过 API 将数据包推送到 AgentWire：

curl -X POST http://localhost:5102/v1/traces \
 -H "Content-Type: application/json" \
 -d '{
 "traceId": "demo-001",
 "agentId": "support-bot",
 "modelProvider": "openai",
 "modelName": "gpt-4o-mini",
 "systemPrompt": "You are a helpful assistant.",
 "userPrompt": "Hello",
 "llmResponse": "Hi there!",
 "promptTokens": 12,
 "completionTokens": 8,
 "latencyMs": 220
 }'

三、查询分析结果
通过接口可以立刻看到被富化后的数据，包括自动计算的成本：

curl http://localhost:5102/v1/packets

返回结果会包含 cost 字段，直接把 Token 消耗转换成了金额。这种把 Agent 通信“包分析”化的思路，比单纯看 Log 要高效得多，尤其是处理复杂工作流时。