O Google Cloud inclui a telemetria dos agentes em tabelas do BigQuery pertencentes aos clientes

Google Cloud ampliou suas ferramentas de monitoramento e avaliação de agentes de IA em 13 de novembro de 2026, acrescentando registro controlado pelo cliente, painéis, proteções de privacidade e limites de gastos no BigQuery e no Looker para agentes de dados gerenciados e agentes personalizados desenvolvidos com o Agent Development Kit (ADK) ou o LangGraph.

O sistema usa um caminho comum de telemetria para agentes próprios e personalizados. Os agentes gerenciados do Conversational Analytics emitem telemetria automaticamente, enquanto agentes personalizados do ADK ou do LangGraph podem enviar telemetria estruturada com instrumentação do SDK em uma única linha. Os dados são armazenados em tabelas do BigQuery pertencentes ao cliente, para análise nas ferramentas de desenvolvimento e administração do Google Cloud.

Vários recursos essenciais de monitoramento estão disponíveis de forma geral (GA). Os painéis predefinidos do BigQuery Studio acompanham o uso, as sessões ativas, as principais fontes de conhecimento e a latência. Os painéis do Looker System Activity para o Conversational Analytics também estão disponíveis de forma geral no Looker (Google Cloud core) e no Looker (original), abrangendo o engajamento e o uso de tokens. As avaliações dos usuários e a revisão de consultas na guia Respostas e feedback continuam em versão prévia.

Os rastros operacionais excluem o conteúdo das conversas

O Google Cloud separa a telemetria operacional do conteúdo das conversas para que administradores e responsáveis pelos agentes possam gerenciar essas duas camadas de forma independente. O Cloud Monitoring fornece métricas agregadas de volume de solicitações, latência e uso de tokens, enquanto o Cloud Trace apresenta spans passo a passo de cada solicitação. Os escopos de observabilidade do Cloud Trace podem consolidar a telemetria de vários projetos de agentes.

Essas métricas operacionais e os spans higienizados dos rastros de primeira parte excluem o conteúdo essencial do cliente, incluindo prompts dos usuários, respostas dos modelos, pensamentos internos e SQL gerado. Isso permite que as equipes de plataforma monitorem a atividade sem conceder automaticamente às ferramentas operacionais acesso ao conteúdo de cada interação.

Para auditorias mais detalhadas, os responsáveis pelos agentes e os editores podem optar por ativar o registro de conversas para agentes específicos. Em seguida, um agente de serviço gerenciado pelo Google transmite prompts, respostas e telemetria por turno pela BigQuery Storage Write API para uma tabela do BigQuery pertencente ao cliente. agent_events A tabela herda as permissões de gerenciamento de identidade e acesso do conjunto de dados, as chaves de criptografia gerenciadas pelo cliente e os controles de serviço de VPC.

As proteções de privacidade verificam cada turno antes do registro e ignoram o registro daquele turno quando uma fonte de conhecimento usa segurança em nível de linha, etiquetas de política em nível de coluna ou mascaramento dinâmico de dados. Se ocorrer um erro de registro, a sessão de chat do usuário continua sem interrupção. Assim, o projeto distingue a ampla visibilidade operacional do acesso mais restrito e habilitado explicitamente às interações completas.

Segundo o Google Cloud, os agentes personalizados podem manter mais detalhes de diagnóstico por meio do plug-in de código aberto do ADK, que pode transmitir árvores completas de invocação de ferramentas, telemetria de séries temporais e cargas úteis multimodais para o BigQuery. O registro de conversas de primeira parte remove deliberadamente argumentos de ferramentas de baixo nível e SQL interno.

Os limites de gastos vão além dos painéis

Os registros também servem de base para o gerenciamento de custos. Cada turno de conversa no BigQuery registra as contagens de tokens de entrada, saída, raciocínio, em cache e total, além da latência total do turno. O Looker System Activity também informa separadamente as estimativas de tokens de entrada e saída nas cargas de trabalho de inteligência empresarial.

Os limites por consulta para os bytes verificados no BigQuery usam estimativas de execução a seco para bloquear consultas grandes demais sem incorrer em cobranças por varreduras sob demanda. Separadamente, as cotas diárias de tokens de entrada e saída para o BigQuery e a API Conversational Analytics estão em versão prévia. Essas cotas podem ser aplicadas por projeto, usuário ou agente no console do Google Cloud ou pela gcloud CLI.

A combinação une o acompanhamento do consumo a limites ativos. Os limites de varredura de bytes controlam os gastos com consultas antes da execução, enquanto as cotas de tokens em versão prévia estendem a aplicação dos limites ao consumo dos agentes em diferentes projetos, usuários e agentes individuais.

Os resultados das avaliações ficam ao lado dos registros de produção

A ferramenta de código aberto Prism, do Google Cloud, testa agentes do Conversational Analytics fundamentados em tabelas do BigQuery ou em Explores do Looker. Ela oferece suporte a conjuntos de testes reutilizáveis, asserções de expressões regulares e descoberta de agentes em várias regiões, com avaliações voltadas à precisão do SQL e à qualidade das respostas antes que alterações em prompts, modelos ou esquemas cheguem aos usuários.

O Prism pode gravar no BigQuery as execuções de avaliação concluídas, em tabelas particionadas por dia, colocando os resultados de referência ao lado dos registros de produção agent_events para análise no BigQuery e no Looker. As avaliações nativas de agentes do BigQuery de primeira parte também estão disponíveis separadamente em versão prévia, por meio de uma API e de um notebook guiado do Colab.

O anúncio estabelece a telemetria do BigQuery pertencente ao cliente como camada comum para monitoramento, controles de custos e avaliação, vinculando a supervisão dos agentes às permissões e aos controles de segurança já existentes no data warehouse. O registro de conversas gerenciadas e os principais painéis estão disponíveis de forma geral, enquanto as cotas de tokens, as avaliações nativas e alguns recursos de feedback do Looker continuam em versão prévia. Para as equipes de produção, o projeto de implantação inclui, portanto, tanto a delimitação entre rastros operacionais e conversas completas quanto as diferentes disponibilidades de cada controle.