文章总结： 火山引擎TLSAgentLoop新增多模态观测能力，以媒体引用替代Base64入日志，避免截断与高成本，使图片可关联至Session、Trace与Span并原位预览；提供插件托管上传、关联已有TOS私有资源、兼容GenAI标准消息三种接入方式，并给出输入-执行-反馈的图文任务排查路径与采集配置建议。
综合评分： 58
文章分类： 产品介绍,解决方案
日志服务 TLS AgentLoop：让多模态调用清晰可见
原创
火山引擎存储
火山引擎存储
字节跳动技术团队
2026年9月17日 18:16
北京
在小说阅读器读本章
去阅读
在公众号小说中沉浸阅读
给 Agent 一张页面截图，让它修复布局；上传一张报错图片，让它判断原因。在多模态交互中，图片已不再是“补充材料”，而是模型理解任务的一部分。
问题也随之更具体：当 Agent 的回答不符合预期，开发者如何确认它到底看到了什么？调用链显示成功，耗时和 Token 消耗也正常，但排查时若只能看到附件 ID 或一段不可读的编码内容，就很难判断偏差究竟发生在输入、模型理解，还是后续工具执行环节。
火山引擎日志服务 TLS AgentLoop 在会话与调用链观测的基础上，进一步支持多模态内容展示。开发者可在对应的消息和调用节点中直接查看图片，并把图片与提示词、模型输出、工具结果放在同一条链路中分析。
💡 多模态可观测的价值，不仅在于“日志中能看图”，还在于让媒体内容成为可查看、可关联的调用上下文。
本文以 DSH（DeepSeek Harness）的图片采集场景为例，介绍 TLS AgentLoop 如何把媒体内容接回 Session、Trace 和 Span，让一次图文请求从“执行过”变成“看得清”。
一、为什么只看执行记录还不够
传统调用链能回答“任务如何执行”：哪些步骤被触发、每个阶段耗时多少、错误出现在哪个节点。对纯文本任务来说，这通常已经足够定位大部分问题。
多模态任务还要回答另一个问题：这次执行是基于什么内容发生的。
以“根据截图修复页面”为例，模型调用和代码修改都可能显示成功，但页面效果仍不符合预期。此时开发者需要核对上传的截图是否正确、关键区域是否清晰、提示词是否准确描述预期，以及模型输出和工具修改是否对应截图中的问题。
如果日志中只有附件 ID，就要另找原始文件；如果图片独立存放，又难以对应具体会话和轮次；如果把大段 Base64 写入日志，记录虽完整，但阅读和检索效率低，对业务方来说，还存在数据完整性（Base64 可能被截断）和成本问题：
-
数据完整性：多模态文件以 Base64 混入日志 / Trace 数据，可能导致一条日志或 Trace Span 超长被截断，造成日志 / Trace 数据不完整，影响观测数据的可用性。特别是视频、音频等多模态文件。
-
成本较高：多模态内容以 Base64 混入 Trace Span / 日志中，作为通用 Trace / 日志字段进行索引和存储，成本较高。
-
使用低效：多模态文件的阅读、管理与 Trace / 日志的关联效率低。
二、媒体回到会话和调用链
TLS AgentLoop 沿用已有的 Session、Trace 和 Span 结构：Session 串联多轮会话，Trace 表示一次请求或一轮任务，Span 记录模型调用、工具执行等具体阶段。多模态内容出现在对应的消息和调用节点中，而不是被放进孤立的附件列表。
列表发现：先找到包含媒体的任务
在 Trace、Session 列表中，包含多模态内容输入的记录会显示媒体标识。开发者可结合状态、耗时、Token 等已有信息，快速筛出需要进一步检查的记录。
进入详情后，左侧调用树会继续标识包含媒体的 Span 或 Trace。即使一次任务包含多轮交互和多个执行步骤，也能沿着原有浏览路径定位到相关内容。
原位预览：把图片放回消息上下文
在支持输入、输出的格式化视图中，图片可直接预览并按需放大；对于已提供且受支持的媒体数据场景，前端也支持音频、视频播放。
文字与媒体保留在同一条消息上下文中，开发者可对照提示词、模型回答和执行信息阅读，不必在截图、日志和调用链之间来回拼接。
会话复盘：看清问题如何演变
在 Session 详情中，多轮任务可连续查看各轮输入、输出，再进入关联的 Trace 检查执行细节。媒体属于哪一轮交互、与哪段文字对应，都能在会话中保留下来。
对团队协作来说，这也减少了反复转发截图、粘贴日志、补充背景的时间成本。大家围绕同一条会话和调用链讨论，信息口径更容易对齐。
三、一次图文请求的排查路径
当一条包含图片的 Agent 任务结果不符合预期时，可以沿着“输入—执行—反馈”三个步骤排查。
核对输入
展开相关模型调用，在输入区域直接查看采集的截图及文字要求。重点看三件事：截图是否为预期图片；关键区域是否清晰；提示词是否明确说明期望结果。
若输入本身有缺失或歧义，应优先检查输入组织和提示词，而不是将问题直接归因于模型能力。
对照执行
若输入符合预期，再检查模型输出、工具参数和工具结果。模型给出的修改方向是否对应截图中的问题？工具修改的文件是否正确？执行过程中是否出现异常？后续调用是否根据工具结果继续处理？
图片提供任务背景，Trace 提供执行步骤，两者结合，排查才不会只停留在“结果不对”的判断上。
追踪反馈
对于需要多次补充要求的任务，可回到 Session 视图，查看用户后续反馈是否出现在对应轮次，模型是否据此调整回答。
这里要保留一个判断边界：某条记录未显示图片，不等于模型一定没有收到图片。媒体是否可见，还受采集开关、插件覆盖范围、上传结果、访问权限和网络条件影响。
四、背后的实现思路
不同团队的多模态数据来源并不相同：
- 来自 Agent 运行时附件；
- 已存放在客户自有 TOS 桶中的媒体文件；
- 直接使用公开可访问的图片、音频或视频链接。
TLS AgentLoop 的多模态观测能力围绕这些场景提供接入方式，让媒体内容能回到对应的 Session、Trace 和 Span 中，成为可查看、可关联的调用上下文。
TLS 插件内部多模态能力
对于 Agent 运行过程中产生或接收的本地附件，TLS 插件 / SDK 可在采集阶段识别多模态内容，并完成媒体读取、上传授权、对象存储和引用上报。
以 DSH 图片采集为例，插件会识别模型输入中的图片附件，读取文件内容，并获取 MIME 类型、文件大小、内容摘要等信息。随后，插件通过 TLS 附件能力申请上传地址，取得对象存储 TOS 对象标识和临时上传地址，再将图片文件上传至 TOS。Trace 上报时，插件不会把大段 Base64 写入日志，而是在原消息位置写入媒体引用。引用包含对象位置、媒体类型、大小、摘要等元数据，TLS 负责记录 Trace、消息结构和媒体引用，TOS 负责保存图片等二进制内容。
这种方式适合希望由采集插件或 SDK 托管媒体处理链路的客户。
接入后，开发者可在 AgentLoop 的会话和调用链中直接查看图片，并对照提示词、模型输出和工具结果排查问题。
将已有 TOS 私有多模态资源进行观测关联
如果客户已将图片、音频、视频等多模态资源存储在自有 TOS 中，TLS AgentLoop 也支持将这些资源与调用过程关联，无需业务侧重复上传文件。
在这种模式下，业务系统或采集 SDK 可在上报 Trace 时携带媒体对象的引用信息，例如 TOS 对象位置、媒体类型、文件大小、内容摘要等。TLS 保存的是“这条消息关联了哪一个媒体对象”，而非媒体文件本身。
当开发者在 AgentLoop 中查看会话或 Trace 详情时，前端会根据媒体引用申请临时访问地址，再从 TOS 读取对应内容并完成预览。这样既保留了客户对私有媒体资源的存储与权限管理方式，也让媒体内容能够出现在对应的调用上下文中。
这种方式适合已有多模态资产管理体系的客户。例如，图片、录音、视频片段统一存放在私有 TOS 桶中，客户只需要将这些资源与 Agent 调用记录关联，即可用于问题排查、案例沉淀和后续评测分析。
对于这类场景，接入前需要确认资源访问权限、临时访问地址的生成方式、保留周期和跨系统权限边界。Trace 中记录了可追溯的媒体引用，不会直接保存长期有效的签名地址。
兼容 GenAI 标准多媒体消息
除 TLS 插件自定义引用外，AgentLoop 前端也支持识别 GenAI 规范的多模态消息。
对于已携带公开可访问媒体地址的数据，可根据媒体 part 的 type，结合 modality、mime_type 等字段直接展示。音频、视频、PDF 或多文件场景，可参考 OpenTelemetry GenAI 多模态消息规范与示例（https://github.com/open-telemetry/semantic-conventions-genai/blob/main/docs/gen-ai/non-normative/examples-llm-calls.md#multimodal-inputs-example）组织数据：每个文件对应一个 parts 元素，分别填写承载方式、媒体类型和文件地址。TLS 前端按支持范围提供图片预览、音视频播放或文件打开入口。
Attributes.gen_ai.input.messages 的内容数据结构如下：
[ { "role": "user", "parts": [ { "type": "text", "content": "请结合这段录音、视频和 PDF，总结主要内容。" }, { "type": "uri", "modality": "audio", "mime_type": "audio/mpeg", "uri": "https://example.com/recording.mp3" }, { "type": "uri", "modality": "video", "mime_type": "video/mp4", "uri": "https://example.com/demo.mp4" }, { "type": "uri", "modality": "document", "mime_type": "application/pdf", "uri": "https://example.com/report.pdf" } ] }]
三种方式如何选择
- 如果媒体文件来自 Agent 运行时附件，优先使用 TLS 插件 / SDK 完成解析、上传和引用上报。
- 如果客户已有 TOS 私有资源，优先通过对象引用完成观测关联。
- 如果媒体内容已有公开可访问链接，可直接使用 GenAI 标准多媒体消息完成展示。
三种方式对应不同的数据来源，但目标一致：让图片、音频、视频等多模态内容回到具体的消息和调用节点中。
五、如何快速验证接入
接入时，从一条简单、可重复的图文请求开始，先跑通链路，再扩展到更复杂的业务流程。
-
配置采集：安装支持对应媒体场景的 AgentLoop 采集插件，配置 TLS 地域、采集目标和鉴权信息，并按需开启内容采集。
-
发起请求：准备一条包含图片的任务。任务结束后，在 Session 与 Trace 中核对媒体标识、图片预览、提示词和相关调用记录。
-
检查异常：图片未显示时，结合插件日志检查附件读取、上传授权和文件上传结果，再确认访问权限和网络条件。
图片、提示词和工具结果都可能包含业务数据。正式接入前，应先明确允许采集的内容、可访问的人员和保留周期，并统筹 Trace 与媒体文件的保存策略。
六、从看见过程到理解上下文
随着 Agent 的输入不再只有文字，TLS AgentLoop 的多模态方案把媒体内容放回具体的执行上下文：既能查看任务中的图片，也能对照提示词、模型输出和工具结果理解处理过程。
对开发者来说，这意味着排查时多了一份直接可查的内容依据；对团队协作来说，这意味着问题讨论可围绕同一条会话和调用链开展。
在 AgentLoop 已有的数据回流与评测能力之上，这些图文任务记录也可以成为问题案例整理和样本建设的起点。后续多模态样本如何回流与评测，可结合具体数据格式和评估器支持范围进一步接入。
多模态可观测的终点，不是多展示一张图片，而是让开发者在知道“执行了什么”之外，还能看清“这些执行基于什么内容”。
阅读原文，查看火山引擎 TLS AgentLoop 文档，了解产品能力与接入流程。
免责声明：
本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。
任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。
本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。
本文转载自：字节跳动技术团队 火山引擎存储
火山引擎存储《日志服务 TLS AgentLoop：让多模态调用清晰可见》