링크: PyPI: reskpoints | GitHub | resk.fr

문제점 (The Problem)

AI 에이전트(AI agents)는 매일 더 많은 자율적인 결정을 내리고 있습니다. 하지만 에이전트가 도구(tool)를 호출하거나, 상태(state)를 수정하거나, 외부 데이터를 가져올 때 대부분의 팀은 다음 사항에 의존합니다:

• print 문
• 기본 stdout
• 또는 아무것도 하지 않음

이는 프로덕션(production) 환경에서 감사가 불가능하며 위험합니다. 구조화된 관찰 가능성(structured observability)이 필요합니다.

ReskPoints 소개 (Enter ReskPoints)

ReskPoints는 다음과 같은 기능을 제공하는 Python용 AI 에이전트 로거(AI Agent Logger)입니다:

• 액션 유형(action type)별로 설정 가능한 샘플링 (sampling)
• 자동 민감 데이터 마스킹 (masking)
• Datadog, Prometheus, OpenTelemetry, 콘솔(console) 및 웹훅(webhooks)으로의 멀티 익스포트 (multi-export)

빠른 시작 (Quick Start)

pip install reskpoints

from reskpoints import AgentLogger

logger = AgentLogger(
...

주요 기능 (Key Features)

• 샘플링 제어 (Sampling control): 중요한 액션에는 100%, 일상적인 핑(pings)에는 1% 적용
• 데이터 마스킹 (Data masking): 익스포트 전 API 키, 개인정보(PII), 토큰(tokens)을 삭제(redact)
• 멀티 익스포트 (Multi-export): Datadog, Prometheus, OpenTelemetry, 파일, 웹훅으로 전송
• 비동기 배치 처리 (Async batching): 에이전트 루프(agent loop)를 차단하지 않으면서 밀리초 미만(sub-ms)의 오버헤드 유지
• Python >= 3.13, PyTorch >= 2.0.0와 호환 가능

이것이 중요한 이유 (Why It Matters)

구조화된 로깅(structured logging) 없이 프로덕션에 LLM 에이전트를 배포하는 것은 눈을 감고 비행하는 것과 같습니다. ReskPoints는 감사 팀(audit teams)이 요구하는 감사 추적(audit trail) 준수 사항과 데이터 엔지니어(data engineers)가 필요로 하는 운영 데이터를 제공합니다.

다음 단계 (Next Steps)

문서와 예제를 확인하려면 GitHub 리포지토리를 확인하세요.

AI 에이전트 관찰 가능성(observability)을 위해 무엇을 사용하시나요?