ArkClaw 上线 SLI 全链路可观测体系：6 层 SLI（2 北极星 + 8 核心指标）+ APMPlus 开箱即用大盘

ArkClaw 团队以服务等级指标（SLI）度量为牵引构建「端点采集—链路追踪—数据治理」闭环，并把能力预置进产品：创建 ArkClaw 实例即自动带上可观测能力，无需手动改配置即可在 APMPlus 查看 SLI 大盘与调用链。SLI 设计遵循四条原则（分层为控制面/执行面/AI 面、围绕用户结果以任务完成而非请求成功为准、指标必须可计算有明确分子分母、失败可归因到 LLM/Tool/Queue/Session），并把 Agent SLI 拆成 6 层、包含 2 个北极星指标与 8 个核心指标；黄金 SLI 包括对话成功率、对话响应 P95 延迟、Agent 执行成功率、首次可见回复成功率（近似）。采集侧通过深度集成 OpenClaw 的 apmplus-openclaw-plugin，在会话开始、模型推理、工具调用、任务分派等生命周期节点用 Hook 精准采集信号；追踪侧支持多 Agent 协作拓扑追踪、为推理与工具调用建立独立 Span（推理含上下文窗口信息与多步推理的思考/响应/工具调用，工具含完整入参与出参及异常信息）、捕获运行时内存中的 System Prompt 与模型输入，并支持从 SLI 一键下钻 Trace 再关联原始 Log。官方提供开箱即用的 SLI 观测大盘（控制台内置看板），文中称该体系把 SLI 异动排查从小时级提升至分钟级甚至秒级。 o11yagent 是可观测团队提供的 [M.T.L.E] 采集与处理管道，在 ArkClaw 场景把来自 OpenClaw 运行时与宿主环境的信号整理为可统一查询、可派生 SLI、可治理的数据资产。数据入口四类：service_otel 在 4317 与 4318 提供 OTLP 接入；文件日志采集典型路径 /tmp/openclaw/**/*.log，通过 input_file 做多层 JSON 解码后上报；宿主机指标主动采集 CPU/Mem/Load/IO 等 ECS 带内监控；周期性采集系统与 OpenClaw 定时任务数量和运行状态。清洗加工环节包括把 content、_meta、path 做多层 JSON 解码并将 logLevelName/filePath/fileLine 映射到 OTLP 标准字段，由 processor_otel_resource_detector 与 processor_ecs_openclaw 统一写入 service、environment 与宿主、OpenClaw 标签以打通 log/trace/metric 的资源维度；logtometrics 插件支持在配置中声明聚合逻辑，示例配置为 60 秒上报周期、MetricsAggregationCardinalityLimit 2000，并以 pct95 聚合 ArkClaw_sli_message_processed_duration_ms_p95 等指标，维度含 provider、model、outcome。告警侧预置七类观测指标（Token 消耗、网关 stop 次数、消息处理时延、消息处理失败率、工具调用时延、工具调用失败数、队列排队长度、卡顿会话数），每类按「近 5 分钟」窗口设置 Warning 与 Critical 两级规则，支持飞书、邮件多渠道通知，并具备告警合并、抑制与静默时段配置以及恢复通知。文中给出的两个归因场景：队列堆积（ArkClaw_sli_lane_wait_ms_p95 与 ArkClaw_sli_message_processed_duration_ms_p95 同步升高而 Agent 执行延迟平稳）与 LLM 端瓶颈（ArkClaw_sli_agent_run_duration_ms_p95 升高且其内部 LLM 子 Span 耗时增加）。