Google Cloud lagrar agenttelemetri i BigQuery-tabeller som ägs av kunden

Google Cloud utökade sina verktyg för övervakning och utvärdering av AI-agenter den 13 november 2026 och lade till kundstyrd loggning, instrumentpaneler, integritetsskydd och utgiftsgränser i BigQuery och Looker för hanterade dataagenter och anpassade agenter byggda med Agent Development Kit (ADK) eller LangGraph.

Systemet använder en gemensam telemetriväg för Googles egna agenter och anpassade agenter. Hanterade Conversational Analytics-agenter skickar automatiskt telemetri, medan anpassade ADK- eller LangGraph-agenter kan skicka strukturerad telemetri med en enda rad SDK-instrumentering. Data lagras i BigQuery-tabeller som ägs av kunden och kan analyseras i Google Clouds verktyg för utvecklare och administratörer.

Flera centrala övervakningsfunktioner är allmänt tillgängliga (GA). De förbyggda instrumentpanelerna i BigQuery Studio visar användning, aktiva sessioner, de vanligaste kunskapskällorna och fördröjning. Looker System Activity-instrumentpanelerna för Conversational Analytics är också allmänt tillgängliga i Looker (Google Cloud core) och Looker (original), där de visar användarengagemang och tokenanvändning. Användarbetyg och granskning av frågor på fliken Svar & feedback är fortfarande i förhandsversion.

Operativa spårningar innehåller inte konversationsinnehåll

Google Cloud skiljer operativ telemetri från konversationsinnehåll, så att administratörer och agentägare kan styra de två lagren oberoende av varandra. Cloud Monitoring tillhandahåller samlade mätvärden för antal förfrågningar, fördröjning och tokenanvändning, medan Cloud Trace visar enskilda steg för varje förfrågan. Med observabilitetsomfång i Cloud Trace kan telemetri från flera agentprojekt sammanföras.

De här operativa mätvärdena och avidentifierade spårningsstegen från Googles egna agenter innehåller inte kundernas centrala innehåll, däribland användarprompter, modellsvar, interna resonemang och genererad SQL. Det gör att plattformsteamen kan övervaka aktiviteten utan att operativa verktyg automatiskt får tillgång till innehållet i varje interaktion.

För mer ingående granskning kan agentägare och redigerare välja att aktivera konversationsloggning för enskilda agenter. En tjänsteagent som hanteras av Google strömmar då prompter, svar och telemetri på tur-nivå via BigQuery Storage Write API till en BigQuery-tabell som ägs av kunden agent_events Tabellen ärver datauppsättningens behörigheter för identitets- och åtkomsthantering, kundhanterade krypteringsnycklar och VPC Service Controls.

Integritetsskydden kontrollerar varje tur innan den loggas och hoppar över loggningen för den turen om en kunskapskälla använder säkerhet på radnivå, policytaggar på kolumnnivå eller dynamisk datamaskering. Om ett loggningsfel uppstår fortsätter användarens chattsession utan avbrott. Utformningen skiljer därmed mellan bred operativ insyn och mer begränsad, uttryckligen aktiverad åtkomst till fullständiga interaktioner.

Google Cloud uppger att anpassade agenter kan behålla fler diagnostikdetaljer med det öppna ADK-insticksprogrammet, som kan strömma fullständiga träd över verktygsanrop, telemetri som tidsserier och multimodala nyttolaster till BigQuery. Loggning av konversationer från Googles egna agenter tar avsiktligt bort lågnivåargument till verktyg och intern SQL.

Utgiftsgränser kompletterar instrumentpanelerna

Loggarna ger också underlag för kostnadshantering. För varje konversationstur i BigQuery registreras antal indatatoken, utdatatoken, resonemangstoken, cachelagrade token och token totalt, tillsammans med den totala fördröjningen för turen. Looker System Activity redovisar separat uppskattat antal indata- och utdatatoken för arbetsbelastningar inom business intelligence.

Gränser per fråga för antal byte som genomsöks i BigQuery använder uppskattningar från torrkörningar för att blockera alltför stora frågor utan att några avgifter för genomsökning på begäran uppstår. Separata dagliga kvoter för indata- och utdatatoken i BigQuery och Conversational Analytics API är i förhandsversion. Kvoterna kan tillämpas per projekt, användare eller agent via Google Cloud Console eller gcloud CLI.

Kombinationen förenar rapportering av förbrukning med aktiva gränser. Gränser för genomsökta byte hanterar frågekostnader innan körning, medan tokenkvoterna i förhandsversion utökar begränsningarna till agenters förbrukning i olika projekt, hos olika användare och för enskilda agenter.

Utvärderingsresultat visas intill produktionsloggar

Google Clouds verktyg med öppen källkod, Prism, testar Conversational Analytics-agenter som bygger på BigQuery-tabeller eller Looker Explores. Det stöder återanvändbara testsviter, påståenden med reguljära uttryck och identifiering av agenter i flera regioner. Utvärderingarna fokuserar på SQL-träffsäkerhet och svarskvalitet innan ändringar av prompter, modeller eller scheman når användarna.

Prism kan skriva slutförda utvärderingskörningar till BigQuery-tabeller som partitioneras per dag och placera jämförelseresultaten intill produktionens agent_events poster för analys i BigQuery och Looker. Inbyggda utvärderingar av BigQuery-agenter från Google är separat tillgängliga i förhandsversion via ett API och en guidad Colab-anteckningsbok.

Med tillkännagivandet blir kundägda BigQuery-tabeller det gemensamma lagret för telemetri, övervakning, kostnadskontroller och utvärdering. Därmed knyts tillsynen av agenter till befintliga behörigheter och säkerhetskontroller för datalagret. Hanterad konversationsloggning och de viktigaste instrumentpanelerna är allmänt tillgängliga, medan tokenkvoter, inbyggda utvärderingar och vissa Looker-funktioner för användarfeedback fortfarande är i förhandsversion. För produktionsteam omfattar driftsättningsplaneringen därför både gränsdragningen mellan operativa spårningar och fullständiga konversationer och skillnaderna i tillgänglighet mellan de olika kontrollerna.