Raindrop 推出 Signals 2.0：監測智慧體故障，成本比 GPT-5.6 低 1600 倍

只要你在生產環境裡跑過複雜的 AI Agent，就一定遇過這種鬼故事：模型調同一個工具連著超時三次，轉頭卻面不改色地告訴使用者「事情已經辦好了」。

要想把這種翻車抓出來，以前的做法很痛苦。要是用前沿大模型去把每一條几十萬 token 的呼叫日誌從頭讀到尾，賬單會瞬間爆炸；要是用便宜的小模型，它又根本處理不了跨越多輪對話、子智慧體和工具呼叫的複雜上下文。

AI 監控與評估平臺 Raindrop 上線了 Signals 2.0。它核心驅動的模型架構叫 rd-signal-2，專門用來在海量生產追蹤裡給各種具體的 Agent 異常行為做二分類。

最誇張的是成本。官方資料顯示，它的判斷準確度逼近 GPT-5.6 Sol xhigh，成本卻只有後者的 1600 分之一，比 GPT-5.6 Luna xhigh 也便宜了 260 倍。整個平臺的中位分類耗時只有 100 毫秒，目前這套基礎設施每個月要過濾超過 200 億條日誌。

把推理留在出廠前，線上跑確定性程式碼

小模型是怎麼做到這種準確率和速度的？Raindrop 的思路是把算力花在「構建期」，而不是「執行期」。

所謂構建期推理，簡單來說就是把大模型的思考前置。rd-signal-2 在你定義某個異常行為時，會先去研讀真實日誌，自己寫出一套確定性的程式碼來抓取關鍵上下文。

舉個例子，遇到前面說的工具連環超時謊報成功，系統生成的程式碼會先在本地做硬規則檢查：只有當同一個工具輸入完全一樣、連續失敗至少三次時，才會觸發下一步。如果根本沒這回事，程式碼直接給否定判定，連一分錢的模型推理都不用調。

只有那些真正符合前置嫌疑的少數樣本，才會被截出最核心的程式碼片段，送進專屬的任務分類頭和自研輕量推理模型去做最終裁決。也就是說，九成以上的正常流量全被輕量程式碼零成本過濾掉了。

為了防範安全隱患，這些自動生成的程式碼被當作不受信任的程式碼處理，全部放在沒有外部網路訪問許可權、也沒有憑證的隔離沙箱裡執行，而且支援零資料保留，直接打通了醫療等高合規場景。

為什麼重要

我們認為，Signals 2.0 最聰明的地方，在於它打破了「給 Agent 做質檢必須全量跑大模型」的思維定勢。

以前業內做 Agent 監控，要麼是在自欺欺人，用小模型硬掃然後漏報一堆邏輯錯誤；要麼就是貴到肉疼，監控系統的賬單比 Agent 業務本身還要貴。Raindrop 這種「程式碼先過濾大部分確定事件，模型只判斷邊緣模稜兩可」的混合架構，不僅讓延遲壓到了 100 毫秒，更直接讓 Raindrop 敢把這項功能免費塞給所有付費客戶。

對於正在把 Agent 推向實際業務的團隊來說，這東西很值得一試。以前你想給 Agent 加一條業務紅線，光是對齊失敗定義和寫評測就要折騰幾天，現在你可以直接讓內部的 Triage Agent 甚至通過 MCP 協議讓 Cursor 等程式設計助手幫你把生產日誌一鍵轉成監控規則。

不過它的隱患也很明確。Raindrop 自己在測試裡也承認，光是對同一個異常行為換四種一句話描述，在 2000 條真實日誌裡的命中率就能從 0.9% 飄到 4.6%，其中三分之二的命中結果還會互相沖突。程式碼寫得再快，只要團隊內部對「到底什麼算翻車」沒有極其嚴謹的定義，規則漂移和誤傷就依然無法避免。