Nachverfolgen der Modellnutzung

Überwachen Sie die Nutzung von Unity-Gateway-Diensten mit der system.ai_gateway.usage Systemtabelle. Es erfasst Anfragen an Modelldienste, Modellanbieterdienste und MCP-Dienste aus verschiedenen Quellen, darunter KI-Abfrage, Coding-Agenten, Databricks-Apps, KI-Playground und andere Anwendungen.

Nutzungseinträge umfassen Anfrage- und Servicedetails, Antwortstatus, Nutzung und Latenz von Modelltokens, MCP-Aufrufmetadaten sowie Metadaten der Coding-Agent-Sitzungen. Abfragen Sie die Tabelle für individuelle Analysen oder nutzen Sie das integrierte Nutzungs-Dashboard, um Nutzung, Ausgaben, Akzeptanz und Leistung zu überwachen.

Konto- und Arbeitsbereichsadministratoren können auch auf der AI-Seite im Governance Hub einen zusammengefassten Überblick über die KI-Nutzung einsehen.

Requirements

Nutzungstabelle abfragen

Unity Gateway protokolliert Nutzungsdaten in der system.ai_gateway.usage Systemtabelle. Sie können die Tabelle auf der Benutzeroberfläche anzeigen oder die Tabelle aus Databricks SQL oder einem Notizbuch abfragen.

Hinweis

Akten sind in der Regel innerhalb einer Stunde verfügbar. Die Datenlieferung für neue Arbeitsbereiche kann länger als dies dauern.

Um die Tabelle auf der Benutzeroberfläche anzuzeigen, klicken Sie auf der Modelldienstseite auf den Link "Verwendungsnachverfolgungstabelle", um die Tabelle im Katalog-Explorer zu öffnen.

So fragen Sie die Tabelle aus Databricks SQL oder einem Notizbuch ab:

SELECT * FROM system.ai_gateway.usage;

Tip

Genie Code kann das für dich übernehmen. Probieren Sie diese Beispielaufforderung aus:

Query the system.ai_gateway.usage table to analyze Unity Gateway usage showing request count and total tokens, grouped by endpoint name for the last 7 days.

Pricing

Die Nutzungsverfolgung ist eine abgerechnete Funktion des Unity-Gateways. Azure Databricks erhebt Gebühren für die Nutzung, die es in der Tabelle system.ai_gateway.usage erfasst. Siehe Unity Gateway Preise.

Integriertes Verwendungsdashboard

Das integrierte Unity Gateway Nutzungs-Dashboard bietet eine konsolidierte Übersicht über Nutzung, Ausgaben, Einführung und Leistung über Modelle, MCP-Dienste, Coding-Agenten und Fähigkeiten hinweg.

Erstellen Sie das Dashboard

Kontoadministratoren können das Dashboard von der Unity-Gateway-Seite aus erstellen:

  1. Klicken Sie auf Govern > Create Usage Dashboard.
  2. Wählen Sie Kontonutzung zur Analyse der Nutzung über Arbeitsbereiche hinweg oder Arbeitsbereichsnutzung, um die Analyse auf den aktuellen Arbeitsbereich zu beschränken.
  3. Datenberechtigungen konfigurieren:
    • Datenfreigabeberechtigung: Betrachter führen Dashboard-Abfragen mit Ihren Datenberechtigungen durch.
    • Individuelle Datenberechtigung: Jeder Betrachter führt Dashboard-Abfragen mit eigenen Datenberechtigungen aus.
  4. Wählen Sie, ob Sie automatische Updates und geplante Datenaktualisierungen aktivieren möchten.
  5. Klicken Sie auf Einrichtung& veröffentlichen.

Das Standard-SQL-Warehouse wird automatisch ausgewählt. Die Identität, die Dashboard-Abfragen ausführt, benötigt Zugriff auf die zugrundeliegenden Systemtabellen. Siehe Zugriff auf Systemtabellen gewähren und Dashboard-Datenberechtigungen.

Dashboardoptionen für ai-gateway-Updates

Hinweis

In Arbeitsbereichen ohne das Dropdown-Menü Verwalten verwenden Sie die eigenständigen Schaltflächen Dashboard erstellen, Dashboard anzeigen und Aktualisieren auf der Unity-Gateway-Seite.

Entdecken Sie das Dashboard

Klicken Sie auf Govern > Usage Dashboard, um das Dashboard in einem neuen Tab zu öffnen.

Ai-Gateway-Nutzungsdashboard

Tab Analyse
Overview Überprüfen Sie die Nutzung, Tokens, aktive Nutzer und Coding-Agent-Sitzungen. Vergleichen Sie Modelle und Nutzer nach Ausgaben, Ausgabetrends und Ausgaben pro Token oder Anfrage.
Ausgeben Analysieren Sie Ausgaben nach Modell und Nutzer, vergleichen Sie Tokenverbrauch und Caching sowie ordnen Sie Ausgaben über Service- und Request-Tags zu.
Coding-Agents Vergleichen Sie Agenten-Adoption, Harness-Nutzung, Sitzungen, Token-Konsum und Subagenten. Untersuchen Sie einzelne Sitzungen, sortiert nach geschätzten Ausgaben.
Smart Routing Verfolgen Sie geschätzte Einsparungen durch Smart Routing, Session- und Nutzereinführung, die Opt-out-Rate der Sitzungen und die Modellmischung für Smart-Routing- und Nicht-Smart-Routing-Anfragen.
MCPs Verfolgen Sie Tool-Anrufe und aktive Nutzer, identifizieren Sie häufig genutzte Dienste und Tools und vergleichen Sie Nutzungsquellen.
Fähigkeiten Verfolgen Sie Fertigkeits-Downloads und Ladevorgänge, vergleiche die Nutzung von Fertigkeiten und überprüfen Sie Aktivitäten nach Nutzern.
Leistung Vergleichen Sie Modell- und MCP-Latenz, Streaming-Zeit bis zum ersten Byte, Ausgabe-Tokens pro Sekunde, Cache-Hit-Rate, Fehler und rate-limitierte Aufrufe.
README Überprüfen Sie Dashboard-Funktionen, aktuelle Änderungen und Links zu den zugrunde liegenden Datenquellen.

Wählen Sie einen Datumsbereich aus, um die Analyse zu fokussieren, oder wählen Sie einen Service Tag Key sowie einen oder mehrere Service Tag Value-Einträge, um die Nutzung und Ausgaben auf bestimmte Teams oder Projekte einzuschränken. Dashboards auf Kontoebene enthalten außerdem einen Filter Workspace-ID. Service-Tag-Filter gelten nicht für den Reiter Fähigkeiten.

Dashboard aktualisieren

Wenn eine neuere Dashboard-Version verfügbar ist, kann ein Kontoadministrator in der Dashboard-Versionszeile im Verwalten-Dropdown auf Aktualisieren klicken. Mit aktivierten automatischen Updates wird eine neuere Vorlage angewendet, wenn ein Kontoadministrator die Unity-Gateway-Seite besucht.

Ein Update ersetzt den Dashboard-Inhalt durch die neueste Vorlage und kann Anpassungen überschreiben. Speichere eine Kopie vor dem Aktualisieren, wenn du deine Änderungen erhalten möchtest.

Aktualisieren Sie die Dashboard-Daten

Die geplante Datenaktualisierung aktualisiert alle sechs Stunden die Abfrageergebnisse.

Verwalten Sie den Aktualisierungsplan im Dashboard. Siehe Erstellen eines Zeitplans.

Verwendungstabellenschema

Die system.ai_gateway.usage Tabelle weist das folgende Schema auf:

Spaltenname Typ Beschreibung Example
account_id STRING Die Konto-ID. 11d77e21-5e05-4196-af72-423257f74974
workspace_id STRING Die Arbeitsbereichs-ID. 1653573648247579
request_id STRING Ein eindeutiger Bezeichner für die Anforderung. b4a47a30-0e18-4ae3-9a7f-29bcb07e0f00
invocation_id STRING Ein eindeutiger Bezeichner für jeden einzelnen Ableitungsaufruf. Mehrere Aufrufe können dasselbe request_id teilen, z. B. Guardrail-Prüfungen oder Multi-Turn-Agent-Aufrufe. Verwenden Sie invocation_id, um sie zu unterscheiden. c0a8012e-9f3b-4d21-8a7e-1b2c3d4e5f60
schema_version INTEGER Die Schemaversion des Verwendungsdatensatzes. 1
service_type STRING Die Art des Dienstes, der den Nutzungsdatensatz generiert hat. Die Werte sind MODEL_SERVICE, MCP_SERVICE, und MODEL_PROVIDER_SERVICE. MODEL_SERVICE
service_id STRING Die ID des Modelldienstes, MCP-Dienstes oder Modellanbieterdienstes. 43addf89-d802-3ca2-bd54-fe4d2a60d58a
service_name STRING Der vollständig qualifizierte Name des Dienstes im Unity Catalog. main.default.github_tools
service_tags MAP Ressourcen-Tags, die auf den Unity Catalog angewendet werden, sind bei der Erstellung oder Aktualisierung sicher. Sie gelten für alle Anfragen an den Dienst und sind nützlich, um die Nutzung nach Team, Kostenstelle oder Projekt zu kategorisieren. {"team": "engineering"}
endpoint_id STRING Die eindeutige ID des Unity-Gateway-Modelldienstes. 43addf89-d802-3ca2-bd54-fe4d2a60d58a
endpoint_name STRING Der Name des Unity Gateway Modelldienstes. system.ai.gpt-5-2
endpoint_tags MAP Tags, die beim Erstellen oder Aktualisieren auf dem Modelldienst konfiguriert sind. Sie gelten für alle Anforderungen an den Modelldienst und eignen sich für die Kategorisierung von Diensten nach Team, Kostenstelle oder Projekt. {"team": "engineering"}
endpoint_metadata STRUCT Modelldienstmetadaten, einschließlich creator, creation_time, last_updated_time, destinations, inference_tableund fallbacks. {"creator": "user.name@email.com", "creation_time": "2026-01-06T12:00:00.000Z", ...}
event_time TIMESTAMP Der Zeitstempel, zu dem die Anforderung empfangen wurde. 2026-01-20T19:48:08.000+00:00
latency_ms LONG Die Gesamtlatenz in Millisekunden. 300
time_to_first_byte_ms LONG Die Zeit für das erste Byte in Millisekunden. 300
destination_type STRING Der Zieltyp (z. B. externes Modell oder Foundation-Modell). PAY_PER_TOKEN_FOUNDATION_MODEL
destination_name STRING Der Name des Zielmodells oder Anbieters. system.ai.gpt-5-2
destination_id STRING Die eindeutige ID des Ziels. 507e7456151b3cc89e05ff48161efb87
destination_model STRING Das für die Anforderung verwendete spezifische Modell. GPT-5.2
requester STRING Die ID des Benutzers oder Dienstprinzipals, der die Anforderung gestellt hat. user.name@email.com
requester_type STRING Der Typ des Anforderers (Benutzer, Dienstprinzipal oder Benutzergruppe). USER
ip_address STRING Die IP-Adresse des Anforderers. 1.2.3.4
url STRING Die URL der Anforderung. https://<workspace-url>/ai-gateway/mlflow/v1/chat/completions
user_agent STRING Der Benutzer-Agent des Anforderers. OpenAI/Python 2.13.0
api_type STRING Der Typ des API-Aufrufs (z. B. Chat, Fertigstellungen oder Einbettungen). mlflow/v1/chat/completions
request_tags MAP Vom Benutzer bereitgestellte Tags, die mit einzelnen Anfragen über den HTTP-Header Databricks-Ai-Gateway-Request-Tags gesendet werden. Verwenden Sie Anforderungstags, um die Verwendung bestimmten Projekten, Teams, Umgebungen oder Endbenutzern zuzuordnen. Siehe Tag-Anfragen für Nutzungsverfolgung und Anfrage-Tagging. {"project": "chatbot", "team": "ml-platform"}
invocation_metadata STRUCT Informationen darüber, woher die Anfrage stammt, welche Dienststufe vom Modellanbieter gemeldet wird und ob die Anfrage ein Claude-Abonnement verwendet. {"source": "EXTERNAL_CLIENT", "service_tier": "priority", "relayed": false}
input_tokens LONG Die Anzahl der Eingabetoken. 100
output_tokens LONG Die Anzahl der Ausgabetoken. 100
total_tokens LONG Die Gesamtzahl der Token (Eingabe + Ausgabe). 200
token_details STRUCT Detaillierte Aufschlüsselung der Token- und Werkzeugnutzung, einschließlich cache_read_input_tokens, cache_creation_5m_input_tokens, output_reasoning_tokens, cache_creation_1h_input_tokens, file_search_count, num_web_search_queries und cache_creation_input_tokens. {"cache_read_input_tokens": 100, ...}
response_content_type STRING Der Inhaltstyp der Antwort. application/json
status_code INT Der HTTP-Statuscode der Antwort. 200
routing_information STRUCT Routeninformationen für Fallback-Versuche. Enthält ein attempts Array mit priority, action, destinationdestination_idstatus_codeerror_code, latency_msund start_timeend_time für jedes Modell, das während der Anforderung versucht wurde. {"attempts": [{"priority": "1", ...}]}
mcp_metadata STRUCT Details einer Anfrage an einen MCP-Service, einschließlich des aufgerufenen Tools, des Servertyps und der JSON-RPC Operation. Gefüllt für MCP_SERVICE Zeilen. {"tool_name": "echo", "server_type": "EXTERNAL", "json_rpc_method": "tools/call"}
session_metadata STRUCT Sitzungs- und Clientkontext, einschließlich Session- und Subagenten-IDs, Name und Version des Codieragenten, Client-Interface, Argumentationsaufwand und Smart-Routing-Rezept. Verwenden Sie diese Felder, um verwandte Anfragen zu gruppieren und die Nutzung nach Agent oder Sitzung zu analysieren. {"coding_agent": "claude-code", "agent_version": "2.1.282", "reasoning_effort": "high", ...}
auth_mode STRING Der Databricks-Zugangstyp, der zur Authentifizierung der Anfrage verwendet wird: ein persönliches Zugriffstoken (PAT) oder ein OAuth-Token (OAUTH). OAUTH

Verschachtelte Spaltenschemata

Die folgenden Tabellen beschreiben Felder innerhalb verschachtelter Spalten STRUCT . Die Feldverfügbarkeit hängt vom für die Anfrage verwendeten Dienst, Modell und Client ab.

Aufruf und Token-Metadaten

Feldpfad Typ Beschreibung
invocation_metadata.source STRING Die Anwendung, der Dienst oder die API, die die Anfrage initiiert hat. Verwenden Sie dieses Feld, um die Nutzung seiner Quelle zuzuordnen. Zu den Werten gehören AI_PLAYGROUND, EXTERNAL_CLIENT, AI_QUERY, DATABRICKS_APPS, GUARDRAIL, ROUTER, MANAGED_AGENT, WEB_SEARCH und SAFEGUARD_CLASSIFIER.
invocation_metadata.service_tier STRING Die vom Modellanbieter in der Inferenzantwort gemeldete Service-Schicht, wie default oder priority. Nutzen Sie dieses Feld, um die Nutzung zwischen den Preisstufen der Anbieter zu vergleichen.
invocation_metadata.relayed BOOLEAN Ob die Anfrage über das Claude-Abonnement des Anrufers an Anthropic weitergeleitet wurde.
token_details.cache_read_input_tokens LONG Die Anzahl der Token, die aus dem Prompt-Cache gelesen werden.
token_details.cache_creation_input_tokens LONG Die Anzahl der Token, die in den Prompt-Cache geschrieben werden.
token_details.output_reasoning_tokens LONG Die Anzahl der Argumentationstoken im Output.
token_details.cache_creation_5m_input_tokens LONG Die Anzahl der in den Prompt-Cache geschriebenen Eingabetoken mit einer Lebensdauer von 5 Minuten.
token_details.cache_creation_1h_input_tokens LONG Die Anzahl der in den Prompt-Cache geschriebenen Eingabetoken mit einer Lebensdauer von 1 Stunde.
token_details.file_search_count LONG Die Anzahl der Dateisuch-Toolaufrufe, die im Rahmen der Anfrage durchgeführt werden.
token_details.num_web_search_queries LONG Die Anzahl der abrechenbaren Websuchanfragen, die im Rahmen der Anfrage ausgeführt wurden.

MCP-Servicemetadaten

Diese Felder werden in mcp_metadata für MCP_SERVICE Zeilen ausgefüllt.

Feldpfad Typ Beschreibung
mcp_metadata.tool_name STRING Der Name des von einer MCP-Anfrage tools/call aufgerufenen Werkzeugs. Nutzen Sie dieses Feld, um die Nutzung einzelner Tools auf einem Server zu analysieren.
mcp_metadata.server_type STRING Die Kategorie des MCP-Servers, der die Anfrage behandelt, wie EXTERNAL oder SYSTEM.
mcp_metadata.json_rpc_method STRING Die JSON-RPC Operation, die vom Client angefordert wird, wie tools/call zum Beispiel ein Werkzeug aufzurufen, tools/list Werkzeuge zu entdecken oder initialize eine Sitzung zu starten.

Sitzungsmetadaten

Die Felder session_metadata helfen dabei, Anfragen innerhalb einer Sitzung zu korrelieren und unterscheiden Codierungsagenten, Client-Oberflächen und Anfrageeinstellungen. Jedes Feld wird ausgefüllt, wenn die entsprechenden Informationen vom Client oder der Anfrage verfügbar sind. Der Client meldet coding_agent, agent_version, und surface über seine Anfrageheader, und Unity Gateway überprüft diese nicht.

Feldpfad Typ Beschreibung
session_metadata.client_session_id STRING Die vom Client bereitgestellte Session-ID. Nutze es, um Anfragen zu gruppieren, die während derselben Gesprächs- oder Coding-Agent-Sitzung gestellt werden.
session_metadata.client_subagent_id STRING Die vom Client bereitgestellte Subagent-ID. Nutzen Sie es mit client_session_id, um Anfragen von Subagenten innerhalb einer übergeordneten Sitzung zu unterscheiden.
session_metadata.coding_agent STRING Der normalisierte Name des Coding-Agenten, der die Anfrage gesendet hat, wie claude-code oder codex. Unity Gateway liest den Namen aus dem Databricks-Custom-Coding-Agent-Header, wenn dieser einen Wert enthält. Andernfalls leitet er den Namen aus dem User-Agent Header ab.
session_metadata.agent_version STRING Die vom Coding-Agent gemeldete Version wurde aus dem User-Agent-Header abgeleitet. Verwende es mit coding_agent, um die Nutzung über Agent-Releases hinweg zu vergleichen. Nicht befüllt, wenn der Databricks-Custom-Coding-Agent-Header coding_agent setzt.
session_metadata.surface STRING Die Client-Schnittstelle, von der der Coding-Agent die Anfrage gesendet hat, wie zum Beispiel eine Kommandozeilen-Schnittstelle, IDE oder Desktop-Anwendung. Mehrere Schnittstellen sind durch Zwischenräume getrennt. Schnittstellen, die im kommagetrennten Databricks-Custom-Client-Surfaces Anfrageheader aufgeführt sind, kommen zuerst, gefolgt von Schnittstellen, die aus den User-Agent und-Headern originator abgeleitet werden. Bei MCP_SERVICE Zeilen kommen die Schnittstellen nur aus dem Header User-Agent .
session_metadata.reasoning_effort STRING Der in der Anfrage angegebene Argumentationsaufwand, wie low, medium, oder high. Verfügbare Werte hängen vom Modell und der API ab.
session_metadata.smart_router_name STRING Der Name des vom Client ausgewählten Smart-Routing-Rezepts. Nutze es, um die Nutzung nach Routing-Rezept zu gruppieren.

Tag-Anforderungen für die Verwendungsnachverfolgung

Anforderungstags sind benutzerdefinierte Schlüssel-Wert-Paare, die der Aufrufer an einzelne Anforderungen anfügt. Verwenden Sie Anforderungstags, um die Verwendung nach Projekt, Team, Umgebung, Endbenutzer oder einer anderen Dimension zu attributieren, die für Ihre Organisation relevant ist. Anforderungstags werden in der system.ai_gateway.usage Tabelle protokolliert und können verwendet werden, um Nutzungsdaten zu filtern, zu aggregieren und zu analysieren.

Um einzelne Anfragen zu kennzeichnen, fügen Sie den Databricks-Ai-Gateway-Request-Tags HTTP-Header mit einem JSON-Objekt hinzu, das Zeichenfolgenschlüssel Zeichenfolgenwerten zuordnet. Anfrage-Tags werden in der request_tags Spalte der Nutzungstabelle und in Inferenztabellen protokolliert.

Beispiele, die zeigen, wie man Anfrage-Tags mit der REST API, dem OpenAI SDK und dem Anthropic SDK einsetzt, siehe Anfrage-Tagging.

Beispielsweise können Sie die Nutzung nach Projekt mithilfe von Anforderungstags aggregieren:

SELECT
  request_tags['project'] AS project,
  COUNT(*) AS request_count,
  SUM(total_tokens) AS total_tokens
FROM system.ai_gateway.usage
WHERE request_tags['project'] IS NOT NULL
GROUP BY request_tags['project']
ORDER BY total_tokens DESC;

Einschränkungen

Weitere Ressourcen