Beobachtetes Signal · 13. Mai 2026 · Technical Release · Quelle: DEV Community · Relevanz: 3/5 · Sentiment: Positiv
Strands Agents integriert niveselliertes Token-Counting und Telemetrie
Strands Agents bietet ab sofort integrierte, produktionstaugliche Token-Zählung sowie Telemetrie für KI-Agenten, wodurch Entwicklungsteams ohne eigene Custom Instrumentation direkte Kostentransparenz erhalten. Agenten-Invocations geben ein AgentResult-Objekt zurück, das akkumulierte Nutzungsmetriken wie inputTokens, outputTokens, totalTokens sowie Cache-Read- und Write-Token umfasst. Die Telemetrie liefert granular Metriken pro Cycle und Invocation sowie Tool-Metriken. Sie funktioniert nahtlos über verschiedene Model-Provider wie Amazon Bedrock, OpenAI, Anthropic und Ollama hinweg und unterstützt die Aggregation über Multi-Agent-Workflows. Die Zero-Config-Funktion ist im Python-Paket strands-agents enthalten, die API-Dokumentation ist auf strandsagents.com verfügbar. Damit können Teams KI-Workloads präzise budgetieren, kostenintensive Queries identifizieren, Prompts optimieren und Prompt-Caching-Einsparungen im Live-Betrieb messen.
Bietet sofort einsatzbereite, anbieterübergreifende Kosten- und Token-Telemetrie für Production AI Agents, reduziert den Entwicklungsaufwand und optimiert die Budgetierung.
Marktsignale zu Anthropic in Echtzeit verfolgen
Polaris7 erfasst behördliche Registrierungen, Primärquellen, Führungswechsel und Deal-Aktivitäten rund um die Uhr. Erstellen Sie Ihren kostenlosen Explorer-Workspace, um automatisierte Executive Briefings zu erhalten.
Wichtigste Kernpunkte & Evidenz
- Strands Agents enthält integriertes Token-Counting und Telemetrie über ein AgentResult-Objekt.
- Erfasste Metriken umfassen inputTokens, outputTokens, totalTokens, cacheReadInputTokens und cacheWriteInputTokens.
- Die Telemetrie unterstützt Multi-Agent-Aggregation sowie Token-Tracking pro Cycle und Invocation.
- Kompatibel mit führenden Model-Providern wie Amazon Bedrock, OpenAI, Anthropic API und Ollama.
- Das Python-Paket ist via pip installierbar und unter strandsagents.com/docs dokumentiert.
Verknüpfte Unternehmen
3 verknüpfte UnternehmenOntologie & Marktkonzepte
Verwandte Marktsignale & Trends
Aktuelle verifizierte Unternehmensentwicklungen und Deal-Aktivitäten in diesem Marktsegment.
Strands Agents integriert native Telemetrie für KI-Agenten-Kosten
Strands Agents veröffentlicht integrierte, produktionstaugliche Telemetrie sowie Token- und Kostenverfolgung für KI-Agenten gänzlich ohne benutzerdefinierte Instrumentierung. Die Bibliothek stellt Metriken für jedes AgentResult bereit – darunter inputTokens, outputTokens, totalTokens sowie Cache-Lese- und Schreibmetriken. Sie unterstützt die Aggregation über mehrere Agenten hinweg und die nutzungsbasierte Berichterstattung pro Reasoning-Zyklus via EventLoopMetrics. Zudem funktioniert sie nahtlos über diverse Model Provider wie Amazon Bedrock, OpenAI, Anthropic und Ollama hinweg. Das über pip installierbare Paket zielt darauf ab, Teams unmittelbare Kostentransparenz für Budgetierung, Prompt-Optimierung und die Messung von Prompt-Cache-Einsparungen beim Übergang in den Produktivbetrieb zu bieten.
OpenAI-Agenten in Produktion: Erweiterte Überwachung jenseits von Token-Metriken
Ein technischer Leitfaden argumentiert, dass Teams, die OpenAI-Agenten in Produktion betreiben, eine tiefere Observability jenseits einfacher Token- und Kosten-Telemetrie benötigen. Der Autor demonstriert das Wrappen des OpenAI SDK, um Run-Level-Metriken zu erfassen – darunter Start- und End-Timestamps, Iterationen, genutzte Token, Tool-Call-Ereignisse, Dauer und Abschlussstatus. Dazu werden eine YAML-Beispielkonfiguration, ein Python-Wrapper namens MonitoredAgent sowie ein cURL-Beispiel für den POST-Versand an ein Backend bereitgestellt. Der Beitrag empfiehlt, Alerts auf Verhaltensmuster wie erreichte Iterationslimits, wiederholte Tool-Timeouts, Token-Budget-Überschreitungen, P95-Latenzspitzen und sinkende Erfolgsraten zu stützen, und nennt ClawPulse als Flottenüberwachungsdienst. Ziel ist es, Agenten-Loops, stille Tool-Fehler, Halluzinationen und Token-Bloat zu erkennen, um die Zuverlässigkeit zu erhöhen und Kosten bei LLM-Deployments zu kontrollieren.
Vier Säulen der Observability für autonome KI-Agenten
Ein Vorfall in einer Produktionsumgebung, bei dem ein autonomer KI-Agent in einer Denkschleife Token-Kosten von 2.847 US-Dollar verursachte, verdeutlicht die Risiken unkontrollierter Agenten. Herkömmliches Application Performance Monitoring (APM) reicht für probabilistische Systeme nicht aus. Als Lösung wird ein Observability-Stack vorgestellt, der auf vier Kernsäulen basiert: Kosten-Observability (Token-Ledger pro Ausführung und Echtzeit-Anomalieerkennung), Qualitäts-Observability (Produktions-Canary-Evaluierungen und semantische Drift-Erkennung), Verhaltens-Observability (strukturierte Logs und Reasoning-Tracing) sowie Abhängigkeits-Observability (Health-Maps und verteiltes Tracing zwischen Agenten). Zur Standardisierung wird die Nutzung von OpenTelemetry GenAI Semantic Conventions empfohlen. Ergänzend verweist der Beitrag auf Plattformen wie Grafana Cloud und Nebula, um Budgets durchzusetzen, Agentenentscheidungen zu instrumentieren und Ursachen für Fehlverhalten frühzeitig zu identifizieren, bevor unerwartete Kosten entstehen.
Marktsignale & Strategische Shifts in Echtzeit verfolgen
Erstellen Sie benutzerdefinierte Watchlists, um automatisierte, evidenzbasierte Executive Briefings zu erhalten, sobald wesentliche Signale oder Marktverschiebungen auftreten.