Anfragekennzeichnung

Fügen Sie individuelle Key-Value-Tags mit dem Databricks-Ai-Gateway-Request-Tags HTTP-Header an einzelne Anfragen an. Unity-Gateway-Protokolle protokollieren Anforderungs-Tags in die request_tagsSpalte sowohl in der Nutzungsverfolgung-Systemtabelle als auch in den Inferenztabellen, sodass Sie Kosten verfolgen, die Nutzung zuordnen und Analysen nach Projekt, Team, Umgebung oder einer anderen Dimension filtern können.

Bei Anfragen, bei denen Service-Richtlinien ausgeführt werden, können benutzerdefinierte Richtlinien diese Tags ebenfalls als event:context.request_tags auswerten. Zum Beispiel kann eine Richtlinie verlangen, dass ein Tag vorhanden ist, bevor eine Anfrage erlaubt wird. Siehe „Anfrage-Tags in Dienstrichtlinien“.

Der Header-Wert muss ein JSON-Objekt sein, das String-Schlüssel String-Werten zuordnet. Beispiele:

{ "project": "chatbot", "team": "ml-platform", "environment": "production" }

Tagge eine Modellserviceanfrage

Verwenden Sie den Parameter extra_headers (Python) oder übergeben Sie direkt den Header (REST API), um Tags an eine Modellserviceanfrage anzuhängen:

Python (OpenAI SDK)

from openai import OpenAI
import json
import os

DATABRICKS_TOKEN = os.environ.get('DATABRICKS_TOKEN')

client = OpenAI(
  api_key=DATABRICKS_TOKEN,
  base_url="https://<workspace-url>/ai-gateway/mlflow/v1"
)

request_tags = {"project": "chatbot", "team": "ml-platform"}

chat_completion = client.chat.completions.create(
  messages=[
    {"role": "user", "content": "What is Databricks?"},
  ],
  model="<model-service>",
  max_tokens=256,
  extra_headers={
    "Databricks-Ai-Gateway-Request-Tags": json.dumps(request_tags)
  }
)

Python (Anthropic SDK)

import anthropic
import json
import os

DATABRICKS_TOKEN = os.environ.get('DATABRICKS_TOKEN')

request_tags = {"project": "chatbot", "team": "ml-platform"}

client = anthropic.Anthropic(
  api_key="unused",
  base_url="https://<workspace-url>/ai-gateway/anthropic",
  default_headers={
    "Authorization": f"Bearer {DATABRICKS_TOKEN}",
    "Databricks-Ai-Gateway-Request-Tags": json.dumps(request_tags),
  },
)

message = client.messages.create(
  model="<model-service>",
  max_tokens=256,
  messages=[
    {"role": "user", "content": "What is Databricks?"},
  ],
)

REST API

curl \
  -u token:$DATABRICKS_TOKEN \
  -X POST \
  -H "Content-Type: application/json" \
  -H 'Databricks-Ai-Gateway-Request-Tags: {"project": "chatbot", "team": "ml-platform"}' \
  -d '{
    "model": "<model-service>",
    "max_tokens": 256,
    "messages": [
      {"role": "user", "content": "What is Databricks?"}
    ]
  }' \
  https://<workspace-url>/ai-gateway/mlflow/v1/chat/completions

Ersetzen Sie sie <workspace-url> durch Ihre Azure Databricks Arbeitsbereichs-URL und <model-service> durch den vollqualifizierten Namen Ihres Modelldiensts.

Markieren Sie eine Serviceanfrage eines Modellanbieters

Wenn Sie einen Modellanbieterdienst direkt abfragen, senden Sie den Tags-Header zusammen mit dem Header Databricks-Model-Provider-Service :

Python

from openai import OpenAI
import json

client = OpenAI(
    api_key="<databricks-token>",
    base_url="https://<workspace-url>/ai-gateway/openai/v1",
    default_headers={"Databricks-Model-Provider-Service": "main.default.openai_prod"},
)

request_tags = {"project": "chatbot", "team": "ml-platform"}

response = client.chat.completions.create(
    model="gpt-5.5",
    messages=[{"role": "user", "content": "What is Databricks?"}],
    extra_headers={"Databricks-Ai-Gateway-Request-Tags": json.dumps(request_tags)},
)

REST

curl https://<workspace-url>/ai-gateway/openai/v1/chat/completions \
  -H "Authorization: Bearer $DATABRICKS_TOKEN" \
  -H "Databricks-Model-Provider-Service: main.default.openai_prod" \
  -H "Content-Type: application/json" \
  -H 'Databricks-Ai-Gateway-Request-Tags: {"project": "chatbot", "team": "ml-platform"}' \
  -d '{
    "model": "gpt-5.5",
    "messages": [{"role": "user", "content": "What is Databricks?"}]
  }'