名词解释 / 06
Tracing
英文名称：Tracing（中文常译为"追踪"或"链路追踪"）
常见别名：链路追踪、轨迹记录、过程回放；在办公类 AI 产品中常显示为"查看依据""处理过程""步骤记录"
所属分类：判断 AI 结果是否可靠
一句话解释
Tracing 就像给 AI 装了一台行车记录仪：它把一次任务从开始到结束的每一步都记下来——AI 问了什么、读了哪些资料、调用了什么工具、按什么顺序处理、每一步得到什么结果。当最终结果不对时，可以沿着这份记录倒查，看问题究竟出在哪一步。
工作中什么时候会遇到
当 AI 只是做一问一答的简单回复时，不太需要 Tracing。但当它开始替你办多步骤的事，比如"查一下这家客户的应收款，再起草一封催款函"，或者"汇总三个部门上月的报销数据并生成分析"，AI 要多次读取文件、检索数据、生成内容，中途很容易出错。这时如果交回的结果里数字对不上、漏了某家供应商、引用了旧表格，你通常不能只让它"重做一遍"了事，更该做的是弄清它到底怎么得出这个结论。Tracing 提供的正是这种倒查能力。
不少办公类 AI 产品会把 Tracing 简化成"本次回答参考了哪些文件""处理步骤"之类的展示入口。当结果可疑时，点开看依据和步骤，是判断结果可不可靠的第一步。具体功能以当前版本和官方说明为准。
能解决什么问题
- 定位错误环节：结果错了，能查出是资料选错、计算出错还是最后汇总出错，不必把整个任务推倒重跑。
- 判断依据是否可靠：能看到它引用了哪些来源、是不是旧资料、来源是否齐全，据此决定结论能不能信。
- 向人解释 AI 的行为：同事或上级追问"它为什么这么报"时，有过程记录可以摊开讲。
- 为改进提供依据：调出出错的过程，明确是哪条指令、哪份资料导致问题，下次针对性修正。
- 分清责任边界：人机协作出错时，能看出是 AI 理解偏了、资料本身有问题，还是人工确认环节漏了。
举个例子
采购专员让 AI 智能体把三家供应商的报价邮件和产品资料汇总成一张对比表。AI 交回的表格里，B 公司交期写的是 45 天，可专员记得对方邮件里报的是 30 天。他打开系统里的过程记录查看，发现这次任务一共读了四个文件：两家公司的官网页面、A 公司的报价附件、B 公司的报价邮件，外加一份去年同期的旧报价单——45 天正是从旧报价单里来的，AI 遇到新旧数据冲突时没有提示，直接用了旧值。
专员据此把结果退回重做，并追加了一条要求：多个来源数据不一致时，把差异列出来请人工确认，不要自行选取。这里的确认点就是"交期数字与记忆不符"——普通员工不需要懂 Tracing 的技术细节，只需知道结果可疑时可以去回看过程。
怎么使用
对普通员工来说，多数时候不需要主动设置什么，重点是知道"有过程记录这回事"。当 AI 给出重要结论、关键数字，或代替你执行操作时，留意产品里有没有"查看依据""处理步骤"这类入口，点开核对它引用的资料和处理顺序。重要且难以撤回的操作，先看过程再放行。
Tracing 的底层配置——记录哪些环节、保留多久、谁能查看——通常由企业的 IT 部门或 AI 工具的技术提供方完成，普通员工一般接触不到。不同产品记录的详细程度差别很大，具体以当前版本和官方说明为准。
使用时要注意什么
有过程记录不等于结果正确。Tracing 只能回答"它做了什么"，回答不了"它为什么这么想"——AI 的很多判断来自模型内部，过程记录里看不到。过程完整、来源正规，只说明它没有乱来，最终结论仍需要人工核对。
另一个边界是隐私和合规。过程记录会包含任务中的真实数据，比如客户名单、报价、内部文件内容，而且这些记录可能被技术团队查看或留存一段时间。不要把不适合留痕的敏感信息放进 AI 任务，同时了解企业对这些记录的管理规定，以当前版本和官方说明为准。
容易混淆的词
- 日志：系统运行留下的零散记录，主要用于排查技术故障；Tracing 把一次任务的各步骤串成完整过程，更强调"这件事是怎么做出来的"。
- Evals（模型评估）：用一批测试问题批量检验 AI 的达标率，回答"这套 AI 整体靠不靠谱"；Tracing 关注"这一次任务具体怎么做的"，两者常配合使用。
- 可观测性（Observability）：范围大得多，指对系统长期运行状态（速度、出错率、稳定性等）的持续监测，Tracing 通常只是其中的一部分能力。
- 人工介入（Human-in-the-loop）：一种流程设计，在关键节点安排人审核或批准；Tracing 只是记录，不改变 AI 的自主行为，两者常搭配出现。