OpenAI花7章讲透的Agent工程，第8章突然摊牌：怎么卖钱

你花了七章篇幅教AI怎么思考、记东西、调用工具、团队协作。但代码跑通只是起点——真正烧钱的环节，是搞清楚这东西到底行不行，以及怎么让人掏钱。这是Agentic AI工程系列的收尾章，主题很实在：可观测性、指标、商业化。没有新算法，全是工程和生意的脏活累活。

可观测性：黑箱里的手电筒

Agent的问题在于，它不像传统软件那样报错就崩。它可能"正常运行"但输出垃圾，或者陷入循环调用同一个API直到账单爆炸。你需要在运行时看见里面发生了什么——不是事后翻日志，是实时。

核心做法就几样：追踪每次推理的完整链路（哪个工具被调了、参数是什么、返回了什么），记录中间决策节点的状态变化，以及把延迟和成本按任务维度拆开。工具链很成熟，LangSmith、Langfuse、Weights & Biases都能干这事。选一个，别自己造轮子。

指标：别盯着准确率自欺欺人

分类任务的准确率在这里不够用。Agent的输出是开放式的，"对不对"很难二元判定。更务实的做法是分层看：任务完成率（用户目标达成了吗）、工具调用准确率（该用的用了，不该用的没用）、人工介入率（多少情况必须人来擦屁股）、以及端到端延迟和成本。

有个细节容易被忽略——反馈闭环的设计。用户纠正一次Agent的行为，这个信号有没有被捕获并回流到评估体系？很多团队只收集"点赞/点踩"，浪费了最宝贵的监督数据。

GTM：技术人最难跨的坎

产品化路径通常三条：内部提效工具（先喂给自己吃）、垂直场景封装（比如法律合同审查Agent）、以及平台化（让别人在你的基础设施上搭Agent）。选哪条取决于你的数据护城河和团队基因。

定价是另一个雷区。按token计费对用户太抽象，按任务/按结果/按人工节省时长都试过。一个观察：愿意付钱的客户往往更在意"这事本来要三个人干一周，现在多久"，而不是"你们用了什么模型"。

系列写到这里，作者没给标准答案。Agent工程的全貌是：前面七章是"能不能做"，这章是"值不值得做"——而这个问题，你的仪表盘和P&L表会比任何博客更先告诉你。