技能介绍

解决代理命令的可观测性盲区

如今，像 Claude Code、Codex 或 Gemini CLI 这样的 AI 代理通常在系统层级直接执行 shell 命令、读写文件并发起网络请求。一旦代理开始运行，传统工具很难追踪其底层到底触碰了哪些系统资源，排查异常或审计行为变得极其困难。AgentSight 通过系统级探针解决了这一黑盒问题，让开发者能够清晰回放和分析代理的真实活动轨迹。

核心机制与工作流

该技能的核心在于利用底层的 eBPF 技术，将目标代理 CLI 包裹在监控层之中。当代理运行时，AgentSight 能够在不侵入业务代码的前提下，实时采集关键行为数据。

全面捕获：记录代理产生的子进程、读写的文件系统路径、建立的网络连接目标，以及交互的完整提示词（Prompts）与执行报告。
标准化输出：将杂乱的系统调用与网络流量转化为结构化的追踪记录，方便后续进行离线分析或回放。

适用边界与环境要求

由于依赖底层系统调用拦截，该方案存在明确的运行边界与前提要求。

权限要求：必须在支持 eBPF 的 Linux 环境下运行，且需要 sudo 或等效的探针权限。
容器环境：在 Docker 或 CI 等隔离环境中使用时，容器仍需获取宿主机的特权访问权限以挂载 eBPF。
特定运行时：对于 Python 编写的代理（如 aider），需要指定运行时类型以确保探针正确附加；而在 Docker 内部运行的 Node.js 代理（如 OpenClaw），则需通过 --binary-path 参数显式声明容器内路径。
网络捕获盲区：对于部分高度封装的 Node.js 应用，默认探针可能无法捕获全部的应用层网络流量，需要结合实际环境进行验证。