见字如面，我是一臻
90后新手奶爸，探索Doris x AI
❝正当 OpenClaw 火爆全球，相较去年 DeepSeek 热潮有过之而无不及时… SelectDB的小伙伴用 Apache Doris 搭建了一套AI可观测系统，对OpenClaw 进行了为期7天的全量审计。 结果让人后背发凉——那些你以为在帮你干活的AI，可能正在背着你偷偷做事，而你完全蒙在鼓里。
OpenClaw 是2026年最火的开源AI Agent平台，支持通过等多种渠道和用户交互。
它可以调用shell命令、浏览网页、搜索信息、操作文件、发送消息——基本上，能帮你干很多活。
但问题恰恰出在这里。
安全厂商 Kaspersky 通过 Shodan 发现了近1000个暴露的OpenClaw实例，这些实例无需认证即可访问，API密钥、Telegram bot token、完整聊天记录全部泄露。
安全审计发现了512个漏洞，其中8个是高危，包含一个CVSS 8.8的远程代码执行漏洞。
更可怕的是，研究人员证明：仅凭一封精心构造的邮件，就能诱导OpenClaw窃取私有SSH密钥和API token。
而 ClawHub 技能市场中，36%的技能存在安全缺陷，1467个含有恶意载荷。
工信部都专门发布了预警提示。
但这些只是行业报告里的数字。
当真正跑进去看的时候，才发现事情远比报告里写的更触目惊心。
在结果审计中，一个用户的单次提问竟然触发了19轮LLM调用，累计消耗784万tokens。
Agent自主执行了31次shell命令，访问了40个外部网站。更糟糕的是，在外部网页返回的内容中，SelectDB小伙伴检测到了这类注入标记。
你以为AI在为你服务，实际上它可能正在被任何人通过任何网页操控。
这就是 AI Agent 的第一个黑盒：安全黑盒。
你不知道它执行了什么命令，访问了什么文件，给谁发了消息。
当Agent浏览网页时，恶意网站可以在页面中嵌入prompt injection内容——它读到时，可能真的会执行。
你完全不知道它干了什么。
如果说安全问题还能引起重视，那成本问题则更加隐蔽——因为它通常只在月底账单来的时候才被发现。
在审计中，一个用户问了一个看似简单的问题：“帮我查一下这个网站的信息。”
但Agent的chain是这样的：先搜索网页、再浏览页面、再执行命令、再总结结果。
每一步都是一次LLM调用，而每次调用都携带了完整的对话历史。
这就是context window的滚雪球效应：第一轮调用3000 tokens，第二轮8000，第三轮25000……到第19轮已经膨胀到几十万tokens。
一个问题的成本可能是你预期的100倍。
这就是第二个黑盒：成本黑盒。
没有可观测系统之前，你根本不知道一个简单问题会消耗这么多资源。
月底看到账单的时候，你只能挠挠头：怎么花了这么多？
第三个黑盒是行为黑盒。
在审计中，OpenClaw的某些工具调用错误率、exec的调用次数、部分请求的P95延迟都远高于平均值。
但如果没有基于Doris & SelectDB 的可观测体系，这些数据你根本看不到。
当用户投诉“AI回答太慢”或“AI回答不准”时，你无法复盘——你不知道是LLM本身慢、工具调用失败了、还是Agent进入了死循环。
传统软件有日志、有监控、有审计，但AI Agent不一样。
它的行为是非确定性的、上下文驱动的、自主决策的。
你没办法用传统的那套监控体系来搞定它。
出了问题，无法复盘。
这才是真正要命的地方。
那怎么办？
咱们可以用 Apache Doris 搭建了一个AI可观测系统，基于三个开源组件：OpenTelemetry Collector做遥测数据网关，Apache Doris做存储层，Grafana做可视化。
为什么选Apache Doris？
因为它的 VARIANT 类型天然适配半结构化数据，倒排索引能自动加速文本检索。
更重要的是，数据写入即可查询，不需要等ETL或预聚合，5分钟就能部署完成。
部署之后，终于看清了OpenClaw的真实面目!
部署教程和详情可查看原🔗：
在安全审计 Dashboard里，四个指标卡片一目了然：危险shell命令数量、prompt injection注入模式数量、Agent主动发出的对外操作、敏感文件访问次数。
数字变红意味着需要立即关注。
往下看时间线图，可以看到安全事件的时间分布。
如果某个时段出现异常的操作尖峰——比如凌晨3点突然执行了大量shell命令——你立刻就能发现。
在成本分析Dashboard里，最值得关注的是图表——每条线代表一个会话，你可以清晰地看到滚雪球效应：随着对话进行，每次LLM调用携带的input tokens持续增长。
一个会话的input tokens可能从几千膨胀到几十万。
还有“Per-Question Cost”表格，把成本拆解到每个用户问题。
你会发现，一些看似简单的问题，实际触发了Agent的长链路操作，消耗几十万tokens。
在行为分析Dashboard里：
你可以看到Agent调用了哪些工具、每个工具花了多长时间、端到端延迟的P95为什么远高于平均值。
通过Trace链路，你可以定位到是哪个工具调用拖慢了整个请求。
这就是Doris x AI可观测性的力量：Dashboard告诉你有问题，Trace告诉你问题在哪里。
如果你正在运行AI Agent，你需要回答一个问题：
你知道它在做什么吗？
它执行了哪些命令？访问了哪些文件？调用了哪些外部服务？花了多少token？有没有被注入攻击？
如果你回答不了这些问题，那你的AI Agent就是一个黑盒——一个拥有你全部权限的黑盒。
而基于Doris的AI可观测性，就是为这个黑盒装上一扇透明玻璃窗。让不确定性变得确定，让不可控变得可控。
这可能是AI大规模落地的基石——因为没有人愿意把一个不了解的东西放到生产环境里跑，对吧？
完
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/231649.html