用途：将 Harbor 智能体评测结果记录到 Phoenix，形成带版本的数据集、实验、运行、评分与 ATIF 轨迹，用于对比和诊断。Phoenix 不执行 Harbor 任务，也不重算奖励。
要求：Python 3.12+、Harbor 0.21.0+、Phoenix server 15.0+，并在同一环境安装客户端：uv pip install "arize-phoenix-client[harbor]"。
用法：在原有 harbor run 命令中加入 --plugin arize-phoenix，保留用户的数据集、智能体、模型、环境、并发、重试与任务设置。默认 trace_mode=atif，也可用 --plugin-kwarg trace_mode=null 关闭轨迹。设置端点与密钥：export PHOENIX_COLLECTOR_ENDPOINT=http://localhost:6006 与 export PHOENIX_API_KEY=your-api-key（无需认证时省略）。也可用插件参数 endpoint、api_key、dataset、experiment_name、experiment_name_template 覆盖。
记录映射：一个任务集合对应一个带版本数据集，一个任务对应一个数据集示例，一种智能体与模型配置对应一个实验，一次计划尝试对应一个重复，最终逻辑试验对应一个运行，最终文本轮为输出，最终验证奖励为 CODE 类型评估，步骤奖励命名为 <step_name>.<reward_key>，异常产生运行错误与 infra_ok=0。仅记录逻辑试验的最终物理尝试。
参考输出：任务根 task.toml 可写 [metadata.arize-phoenix] reference_output_path="tests/expected.json"，插件在 setup 读取 UTF-8 JSON；字符串转为 messages 格式，对象原样保存，其他类型需包裹为对象；路径须相对任务根且禁止逃逸。
评分：reward 表示行为结果，0 是行为失败而非基础设施错误；infra_ok 1 表示无异常，0 表示至少一次异常。比较时先看有 reward 的运行比例，再看 infra_ok，并用步骤分数和轨迹定位失败。
轨迹：一次逻辑试验对应一条轨迹和一个会话，根为 harbor.trial，多步任务含 harbor.step 子 span，支持 ATIF v1.0–v1.7，v1.8 音频字段不支持。缺失或无效轨迹会警告并记录无轨迹运行。
限制：不支持 regrade 及派生任务、事后导入、实时 OTLP 关联、单任务多数据集、混合数据集与直接任务、同一 Harbor 任务并发写入。配置错误或写入失败会中止任务；轨迹转换失败不会中止。试用选择插件即要求成功记录。