Proč klasický monitoring umělé inteligenci nevidí

Monolitické aplikace mají deterministický běh. Když se něco pokazí, vývojář najde chybu v logu, reprodukuje ji a opraví. Agentní systémy fungují jinak: jejich rozhodnutí závisí na kontextu, historii konverzace a výstupu jazykového modelu, který sám o sobě není stoprocentně předvídatelný. Když jeden agent předá úkol dalšímu, vzniká multi-hop workflow, jehož průběh je prakticky nemožné rekonstruovat klasickými metrikami typu CPU nebo latence HTTP požadavků.

Podle Christine Yen, spoluzakladatelky a CEO Honeycomb, právě tento problém „neznámého neznámého“ (unknown-unknown) dostal s nástupem autonomních agentů mainstreamový rozměr. „AI agenti jsou dnes součástí vývojářského týmu. Ale většina týmů vůbec nevidí, co ti agenti v produkci dělají: jaké nástroje volají, jak se rozhodují, jestli situaci zlepšili, nebo zhoršili,“ uvedla Yen v oficiálním oznámení.

Agent Timeline: Rentgen pro autonomní workflow

Hlavní novinkou je Agent Timeline – vizualizace, která zobrazuje paralelní běh několika agentů v horizontálních swim lanech. Každý LLM dotaz, volání nástroje, předání kontextu mezi agenty nebo dopad na podkladové systémy je propojen do jednoho uceleného pohledu. Vývojář tak vidí nejen to, co agent udělal, ale také proč a jak dlouho mu to trvalo.

Na rozdíl od jednoduchých logů Agent Timeline zachycuje i vzájemné závislosti. Pokud jeden agent čeká na výsledek druhého, časová osa to zobrazí explicitně. Pokud dojde k chybě v hluboko vnořeném podprocesu, vývojář ji dohledá během sekund místo hodin strávených procházením izolovaných logových souborů.

Agent Timeline je od května 2026 v Early Access; obecná dostupnost (General Availability) je plánována na červen 2026. Ostatní nové funkce – Canvas Agent a Canvas Skills – jsou k dispozici všem zákazníkům okamžitě.

Canvas Agent: Kolega, který nepotřebuje spánek

Canvas je přepracovaná pracovní plocha, která slouží jako chatové rozhraní, investigační nástroj i autonomní agent v jednom. Vývojář může popsat problém běžnou angličtinou a Canvas samostatně prohledá trasovací data, porovná vzorky a navrhne hypotézu. Výsledkem je snadno sdíletelný snapshot s vizualizacemi.

Canvas Skills pak umožňují zakódovat osvědčené postupy zkušených inženýrů do opakovaně použitelných playbooků. Například skill pro Kafka dokáže autonomně ověřit offsety, latence consumerů a chybovost partitionů. Když alarm signalizuje problém, může Canvas spustit přednastavenou skill ještě před tím, než se k počítači dostane člověk.

Shogo Wada, staff inženýr ve firmě Bubble, popsal zkušenost s Canvas při hledání příčiny zpomalení API: „Canvas porovnal celé trasy a našel vzorce v jejich podřízených spanech. Dříve by to byl manuální proces otevírání tras jednu po druhé.“

OpenTelemetry jako jazyk, kterému rozumí každý

Zásadní rozhodnutí Honeycomb spočívá v tom, že nepředstavuje nový proprietární SDK. Celá platforma stojí na OpenTelemetry (OTel) a nejnovějších GenAI sémantických konvencích (verze 1.40.0). To znamená, že jakýkoli framework nebo agent vysílající standardní OTel atributy typu gen_ai.operation.name nebo gen_ai.agent.name je v Honeycomb okamžitě plně viditelný.

Výhoda je dvojí: žádný vendor lock-in a žádná nutnost přeinstrumentace, když se OTel specifikace vyvíjejí. Pro české vývojáře to znamená, že mohou používat oblíbené nástroje jako Pydantic AI, LangChain nebo LangGraph bez nutnosti instalovat specifickou Honeycomb knihovnu. Stačí, když jejich aplikace emituje standardní trace spany.

Honeycomb navíc nabízí vlastní MCP (Model Context Protocol) server, který umožňuje AI IDE jako Claude Code, Cursor nebo Amazon Q Developer přímo dotazovat observability data. Vývojář tak může v editoru požádat: „Proč selhal poslední build?“ a získá odpověď postavenou na reálných produkčních datech.

Kolik to stojí a jak začít

Agent Observability není samostatný placený modul – jeho funkce jsou součástí stávajících cenových plánů Honeycomb.

Pro malé české startupy a nezávislé vývojáře je tak reálně dostupný plán zdarma, který na první projekty s agentní AI bohatě stačí. Velké enterprise týmy pak mohou využít privátní cloud nebo AWS PrivateLink pro ještě přísnější izolaci dat.

Srovnání s konkurencí: Proč Honeycomb tvrdí, že je jiný

Trh s observabilitou AI agentů roste rychle. Mezi nejznámější alternativy patří LangSmith (od tvůrců LangChain), open-source Langfuse nebo gateway nástroj Helicone. Honeycomb se od nich distancuje jednou klíčovou zprávou: nejde mu pouze o sledování LLM dotazů, ale o plnohodnotnou full-stack observability.

Zatímco LangSmith exceluje v replay agentních trajektorií přímo pro ekosystém LangChain, mimo něj je jeho užitečnost omezenější. Langfuse nabízí silnou open-source alternativu a dobrou podporu OTel, ale primárně se zaměřuje na LLM vrstvu. Helicone zase funguje jako proxy – nasazení je rychlé, ale nevidí vnořené vztahy mezi agenty a přidává latenci mezi aplikaci a model.

Honeycomb argumentuje tím, že v jeho platformě lze jedním dotazem propojit tokenové náklady na volání GPT-5 s latencí databázového dotazu a chybovostí Kubernetes podu. To podle firmy odpovídá realitě moderního vývoje, kde AI není izolovaná služba, ale součást komplexní distribuované architektury.

GDPR, EU data residency a český kontext

Pro české a evropské firmy je klíčová otázka, kde se data ukládají a jak je s nimi nakládáno. Honeycomb nabízí explicitní EU datové centrum s koncovými body ui.eu1.honeycomb.io a api.eu1.honeycomb.io. Firma je plně GDPR kompatibilní, disponuje certifikacemi SOC 2 Type II, ISO/IEC 27001 a na vyžádání poskytuje HIPAA BAA.

Z hlediska jazykové podpory samotná platforma běží v angličtině, ale vzhledem k tomu, že většina agentních frameworků a vývojářské dokumentace je anglicky, nejedná se pro české vývojáře o bariéru. Důležitější je skutečnost, že OTel instrumentace nevyžaduje žádnou lokalizaci – atributy jsou standardizované a univerzální.

V kontextu připravované evropské regulace AI (AI Act) a rostoucích požadavků na transparentnost autonomních systémů může mít robustní observability agentů i compliance význam. Schopnost prokázat, jak se agent rozhodl, jaké nástroje použil a jaký měl dopad na uživatele, se může stát nejen technickou, ale i právní nutností.

Kam směřuje trh s agentní observabilitou

Spuštění Agent Observability Honeycomb signalizuje, že trh s agentní AI přechází z fáze experimentů do fáze produkčního běhu. A s tím přichází pochopení, že samotné škálování agentů nestačí – je třeba je také rozumět, kontrolovat a opravovat. Honeycomb svým OTel-first přístupem nastavuje laťku otevřenosti, která by mohla tlačit i konkurenty k větší standardizaci.

Pro české vývojáře a firmy to znamená, že do jejich stacku přibývá další kvalitní nástroj, který nevyžaduje dlouhodobou vazbu na jednoho dodavatele. A v době, kdy agenti začínají zpracovávat faktury, odpovídat na zákaznické dotazy nebo samostatně nasazovat kód, je schopnost vidět do jejich „myšlení“ nejen technickou výhodou, ale byznysovou nutností.