随着 HarmonyOS 7 发布、鸿蒙智能体框架 2.0 把 Agent 能力放到客户端，越来越多开发者开始在自己的 App 里嵌入 Agent。一个电商 App，可能只是在某个功能里放了个对话入口。用户点进去问一句，后面就是 Agent 在多轮推理、调用 Skill，把事办完。
对开发者来说，这里多了一层过去没有的东西：用户的操作还看得见，可对话背后 Agent 做了哪几步、每一步是否顺利、在哪里中断，往往看不清。
ThinkingAI Agentic SDK 正式发布，全面支持鸿蒙智能体框架 HMAF 2.0 生态，为端侧 Agent 提供运行状况的观测能力，覆盖 Agent 的调用轨迹、耗时、成败等运行信息。
一、Agent 跑起来了，运行状况却看不清
过去十年，应用分析处理的是用户侧的行为：点了哪个功能、走了哪条路径、在哪一步离开。
Agent 嵌进来之后，多了一层用户操作之外的信息。用户说的那句话只是开头，后续由 Agent 完成：它调了哪些工具、走了哪条推理路径、花了多少 Token、哪一步出了错，这些都发生在应用内部，现有的用户行为分析看不到。
于是同一个应用里，出现了两类信息：
看不到 Agent 这一层，就无法判断它好不好用、成本花在哪、哪一步该改。而这一层的表现，直接决定用户这次的需求有没有被满足。
二、鸿蒙 HMAF 2.0 开放了端侧 Agent 的观测入口
想在应用端看清 Agent，此前有个现实门槛。在别的平台上，Agent 大多跑在服务端，用 Python、Node 实现，很少落到手机端，端上缺少读取运行信息的入口。
鸿蒙智能体框架 2.0 把 Agent 能力放到了客户端，同时开放了可以对接的关键轨迹。端侧 Agent 的运行，由此有了可以读取的入口。ThinkingAI Agentic SDK 顺着这些关键点位对接，读取 Agent 运行时留下的调用、耗时、成败等轨迹，覆盖 Agent 注册、Skill 执行、MCP 工具调用、A2A 跨 Agent 协同、内嵌 UI 会话这些核心场景。
对接方式是低侵入的：在框架公开的接口边界做轻量包装，不改动框架本身，单个模块接入的改动很小，框架后续升级也不受影响。接入提供三种方式，从快速验证到正式上生产都覆盖，最轻的一种几乎不用改代码。
三、一次任务，从头到尾串在一条链上
端侧 Agent 的一次任务，实际会穿过好几层：先是系统意图入口接住用户的话、抽取参数，再到 Skill 执行具体业务，Skill 内部可能又调用 MCP 工具或本地 Tool。任何一层断开，排查就只能从零拼日志。
SDK 在这三层用同一个标识把事件串起来：从意图（Intent）、能力（Skill）到工具（MCP / Tool），同一次任务里的所有调用挂在同一个 trace_id 下，形成有层级的调用链。会话开始、Skill 调用、工具返回、跨 Agent 协同结束，每一步自动配对成一条完整事件，带上耗时和成败。
这样，开发者不用手工把散落的日志拼回去，就能顺着一条链，看到 Agent 完成这次任务的全过程。
四、把 Agent 的运行，和应用连起来看
ThinkingAI 在鸿蒙上原本就有一套分析 SDK，处理的是用户侧的行为。这次在同一个包里补上 Agent 这一侧，用户在应用里的操作，和 Agent 的运行信息，就能放到一起来看。
上一层的调用链解决了「Agent 内部怎么跑」，同包交付则把它和用户操作接上：用户在对话里提出需求，Agent 接着调用了哪些 Skill、走了哪条路径、花了多少成本，最后任务有没有完成、用户有没有留下来。这些信息按同一条会话对齐，串成一个连续的过程。用户侧和 Agent 侧，从此处在同一个分析漏斗里。
由于记录的是用户和 Agent 的行为，数据怎么处理需要交代清楚。SDK 默认不上报用户的原始对话内容，只记录结构化的运行信息，比如调用了哪个工具、用了多久、是否成功；敏感字段自动脱敏，超长内容自动截断，并遵循鸿蒙 HPIC 个人智能计算规范，用户可以选择退出采集。采集这一层与 Agent 业务相互隔离，采集自身出问题会自动降级，不影响 Agent 正常运行。整条链路支持私有化部署，数据不出企业边界。对端侧场景、对在意信息安全的开发者，这些是接入的前提。
五、看得清，才谈得上优化
把用户操作和 Agent 运行放到一起、经过整理之后，几个开发者最关心的问题就能直接回答。
Agent 出错时，可以回放整条路径，哪一步走偏、调了哪些工具，每一步的入参、结果、耗时、状态都在，不用自己一段段翻日志。花了多少钱、花在哪，可以按会话、任务、场景算清楚，看出哪个功能、哪类用户消耗更高。用户从提出需求到 Agent 把事办成，中间在哪一步流失、多少人留了下来，也能连起来看，不用另外手工埋点。
这些数据的出口是开放的：既能接鸿蒙的 HiAppEvent、HiLog 等系统通道，也能汇入 Agentic Engine，或对接企业自建后端、Webhook、OpenTelemetry，公有云和私有化部署都适配。数据进入分析平台后，常见场景很快就能跑出可分析的结果——直接得到留存、漏斗、成本这些能用于判断的结论，而不是一堆需要自己解读的原始记录。
观测只是起点。在这之上，同一套体系还能延伸到运营，比如用 AB 实验和客户端触发式策略，把发现的问题在同一个 SDK 里先验证、再决定是否推广，而不必让没验证过的策略直接全量上线。
Agent 会越来越多地嵌进各行各业的应用里，端侧是它们实际运行的地方。用户和 Agent 连成的这条完整路径可观测，应用的迭代和 Agent 的优化才有依据。
鸿蒙把 Agent 能力带到了端上，ThinkingAI Agentic SDK 在这一层提供配套的观测与分析能力，与鸿蒙生态一起，让端侧 Agent 的运行状况可观测、可优化。
