AI Agent Debugger

AI Agent Debugger 是一款為 AI Agent 開發者打造的視覺化除錯工具。

不同於僅聚焦於模型輸入與輸出的除錯方式，AI Agent Debugger 將除錯範圍擴展到完整的 Agent 執行流程。它能清楚展示每一輪對話、每一次模型呼叫、MCP 工具呼叫、自訂 Skill 執行以及最終輸出，幫助開發者觀察 Agent 的運作鏈路，並快速定位提示詞、模型設定、工具呼叫或業務邏輯中的問題。

AI Agent Debugger 適用於以下情境：

除錯 AI 大模型工具呼叫鏈，排查工具參數、執行結果或異常原因

比較不同模型執行相同任務的表現，評估回應時間、Token 消耗與成本等關鍵指標

驗證 MCP Server 與 AI 大模型的整合是否符合預期

反覆最佳化系統提示詞，並觀察不同設定對執行結果的影響

建議使用最新版 Apidog 用戶端，以體驗 AI Agent Debugger 的完整功能。

建立新的 Agent 除錯工作階段

從 Apidog 頂部標籤列進入 AI Agent Debugger。

頁面上方區域用於設定模型與執行狀態：

在左側選擇模型提供者，例如 OpenAI 或 Anthropic。

在中間選擇模型，例如 gpt-5.5

選擇提供者與模型後，系統會自動匹配對應的 Base URL，例如 https://api.openai.com/v1，無需手動輸入

點擊 Run 開始除錯

設定提示詞

在 Prompts 標籤中設定 Agent 的輸入內容。

頁面分為兩個輸入區域：

System Prompt：用於定義 Agent 的角色、目標、限制與工具使用規則，屬於 Agent 設定

User Prompt：用於填寫本次工作階段的測試輸入，例如「What's Apidog?」

完成設定後，點擊右上角的 Run 開始除錯。

如果希望在傳送後自動清空輸入框，可以勾選 Clear after Send。

設定工具

在 Tools 標籤中，你可以選擇 Agent 在執行期間可呼叫的工具。標籤上的數字表示目前可用或已設定的工具數量。

工具分為兩類：

內建工具

AI Agent Debugger 提供 AI 大模型常用的內建工具，用於讀取檔案、搜尋內容、執行命令或擷取網頁內容。

工具	說明
`bash`	在持久化 Shell 工作階段中執行命令
`web_fetch`	擷取網頁內容並轉換為 Markdown、文字或 HTML
`read`	讀取文字、圖片或 PDF 檔案
`edit`	對檔案執行精準字串替換
`write`	建立或覆寫檔案
`grep`	使用正規表示式搜尋檔案內容
`glob`	使用 glob 模式尋找檔案
`kill_shell`	重設目前的 Shell 工作階段

你可以依需求啟用或停用個別工具。停用後，Agent 在執行期間將無法呼叫該工具。

MCP 工具

如果需要 Agent 呼叫外部系統或自訂能力，可以在 Tools 標籤中新增 MCP Servers。

AI Agent Debugger 支援以下 MCP 連線方式：

STDIO：啟動本機 MCP Server 程序

HTTP：連線到支援 Streamable HTTP 的 MCP Server

SSE：連線到基於 Server-Sent Events 的 MCP Server

對於需要驗證的 MCP Servers，你可以設定請求 Headers，或使用 OAuth 2.0 完成授權。成功連線後，你可以從工具清單中選擇要公開給 Agent 使用的工具。

設定 Skills

在 Skills 標籤中，你可以為 Agent 設定可重複使用的 Skills。標籤上的數字表示目前已載入的技能數量。

Skills 適用於以下情境：

為 Agent 提供專案內的固定工作流程

重複使用常見任務的操作規範

減少系統提示詞中重複的長文字描述

在 Agent 執行期間，相關 Skills 會依任務需求被讀取，從而取得更完整的操作指引。

設定驗證與模型參數

在 Authentication 標籤中設定模型服務或 MCP 服務所需的驗證資訊。

在 Settings 標籤中，你可以設定模型執行時參數，例如 Temperature、Max Tokens、Top P 等。不同模型提供者可能支援不同參數；請以你的模型提供者實際支援的參數為準。

查看工作階段清單

每次點擊 Run，左側都會產生一筆新的工作階段記錄。

工作階段清單會顯示該次執行的摘要資訊，例如：

對話輪數

執行步驟數

回應時間

Token 消耗

預估成本

使用的模型

例如：

Session 3
1 turn · 1 step · 10s · 3.1k tokens · $0.02
gpt-5.5

你可以點擊左側不同的工作階段，查看對應的對話輪次與呼叫追蹤。

查看對話輪次

中間的 Turns 面板用於顯示目前工作階段中的多輪對話。

當一個工作階段包含多個使用者輸入時，每一輪都會作為獨立對話輪次顯示。點擊某個對話輪次後，你可以在右側查看對應的呼叫流程。

查看追蹤

右側的 Traces 面板用於顯示 Agent 的完整執行流程。

呼叫追蹤會依執行順序顯示，包含：

使用者提示詞與系統提示詞

每一次模型呼叫

模型思考過程（如果模型支援）

MCP 工具呼叫與自訂 Skill 執行

工具輸入參數、執行結果、耗時與錯誤訊息

AI 大模型最終輸出

當工具呼叫失敗或模型回傳異常時，你可以在呼叫追蹤中定位到具體步驟，並查看輸入參數與回傳內容，以便排查問題。

比較模型表現

你可以使用相同的提示詞與工具設定，選擇不同模型執行任務，並透過工作階段清單比較模型表現。

工作階段摘要會顯示回應時間、Token 消耗與預估成本等關鍵指標，幫助你評估不同模型在效果、效能與成本之間的取捨。

例如，你可以比較：

相同任務在不同模型下的執行步驟數是否不同

哪個模型能更準確地選擇工具

哪個模型的回應時間較低

哪個模型的 Token 消耗與成本更可控

FAQ

Agent 沒有呼叫預期的工具，該如何排查？

請檢查以下設定：

該工具是否已在 Tools 標籤中啟用。

系統提示詞是否清楚描述了該工具的使用情境。

MCP Server 是否已成功連線，且目標工具未被停用。

呼叫追蹤中是否存在模型思考過程或工具呼叫記錄。

目前使用的 AI 大模型是否支援工具呼叫。

MCP 工具呼叫失敗時該怎麼辦？

你可以在呼叫追蹤中查看失敗的工具呼叫，重點檢查輸入參數、輸出結果與錯誤訊息。常見原因包括：

MCP Server 未連線或連線中斷

參數格式不符合工具要求

OAuth、API Key 或 Header 驗證設定不正確

本機 STDIO 服務啟動命令不可用

多次執行相同任務可以評估什麼？

Agents 是非確定性系統。相同提示詞在不同模型、不同參數或不同工具設定下，可能產生不同的執行路徑。建議透過多次執行與工作階段比較，觀察執行步驟、呼叫結果、耗時、Token 消耗與最終輸出，從而評估更合適的設定。

建立新的 Agent 除錯工作階段#

設定提示詞#

設定工具#

內建工具#

MCP 工具#

設定 Skills#

設定驗證與模型參數#

查看工作階段清單#

查看對話輪次#

查看追蹤#

比較模型表現#

FAQ#

Agent 沒有呼叫預期的工具，該如何排查？#

MCP 工具呼叫失敗時該怎麼辦？#

多次執行相同任務可以評估什麼？#

建立新的 Agent 除錯工作階段

設定提示詞

設定工具

內建工具

MCP 工具

設定 Skills

設定驗證與模型參數

查看工作階段清單

查看對話輪次

查看追蹤

比較模型表現

FAQ

Agent 沒有呼叫預期的工具，該如何排查？

MCP 工具呼叫失敗時該怎麼辦？

多次執行相同任務可以評估什麼？