Raindrop 推出 Signals 2.0：监测智能体故障，成本比 GPT-5.6 低 1600 倍

只要你在生产环境里跑过复杂的 AI Agent，就一定遇过这种鬼故事：模型调同一个工具连着超时三次，转头却面不改色地告诉用户「事情已经办好了」。

要想把这种翻车抓出来，以前的做法很痛苦。要是用前沿大模型去把每一条几十万 token 的调用日志从头读到尾，账单会瞬间爆炸；要是用便宜的小模型，它又根本处理不了跨越多轮对话、子智能体和工具调用的复杂上下文。

AI 监控与评估平台 Raindrop 上线了 Signals 2.0。它核心驱动的模型架构叫 rd-signal-2，专门用来在海量生产追踪里给各种具体的 Agent 异常行为做二分类。

最夸张的是成本。官方数据显示，它的判断准确度逼近 GPT-5.6 Sol xhigh，成本却只有后者的 1600 分之一，比 GPT-5.6 Luna xhigh 也便宜了 260 倍。整个平台的中位分类耗时只有 100 毫秒，目前这套基础设施每个月要过滤超过 200 亿条日志。

把推理留在出厂前，线上跑确定性代码

小模型是怎么做到这种准确率和速度的？Raindrop 的思路是把算力花在「构建期」，而不是「运行期」。

所谓构建期推理，简单来说就是把大模型的思考前置。rd-signal-2 在你定义某个异常行为时，会先去研读真实日志，自己写出一套确定性的代码来抓取关键上下文。

举个例子，遇到前面说的工具连环超时谎报成功，系统生成的代码会先在本地做硬规则检查：只有当同一个工具输入完全一样、连续失败至少三次时，才会触发下一步。如果根本没这回事，代码直接给否定判定，连一分钱的模型推理都不用调。

只有那些真正符合前置嫌疑的少数样本，才会被截出最核心的代码片段，送进专属的任务分类头和自研轻量推理模型去做最终裁决。也就是说，九成以上的正常流量全被轻量代码零成本过滤掉了。

为了防范安全隐患，这些自动生成的代码被当作不受信任的代码处理，全部放在没有外部网络访问权限、也没有凭证的隔离沙箱里运行，而且支持零数据保留，直接打通了医疗等高合规场景。

为什么重要

我们认为，Signals 2.0 最聪明的地方，在于它打破了「给 Agent 做质检必须全量跑大模型」的思维定势。

以前业内做 Agent 监控，要么是在自欺欺人，用小模型硬扫然后漏报一堆逻辑错误；要么就是贵到肉疼，监控系统的账单比 Agent 业务本身还要贵。Raindrop 这种「代码先过滤大部分确定事件，模型只判断边缘模棱两可」的混合架构，不仅让延迟压到了 100 毫秒，更直接让 Raindrop 敢把这项功能免费塞给所有付费客户。

对于正在把 Agent 推向实际业务的团队来说，这东西很值得一试。以前你想给 Agent 加一条业务红线，光是对齐失败定义和写评测就要折腾几天，现在你可以直接让内部的 Triage Agent 甚至通过 MCP 协议让 Cursor 等编程助手帮你把生产日志一键转成监控规则。

不过它的隐患也很明确。Raindrop 自己在测试里也承认，光是对同一个异常行为换四种一句话描述，在 2000 条真实日志里的命中率就能从 0.9% 飘到 4.6%，其中三分之二的命中结果还会互相冲突。代码写得再快，只要团队内部对「到底什么算翻车」没有极其严谨的定义，规则漂移和误伤就依然无法避免。