Anthropic Claude API Telemetry: 境界から検証された行まで
制御されたアプリケーション境界で Anthropic Claude API Telemetry を使用し、イベント コントラクトを小さく保ち、集約ビューを構築する前に既知の結果を検証します。
- 1
結果を選択してください
クロード API コスト分析
- 2
契約を定義する
プロバイダー、モデル、機能、ステータス
- 3
境界を計測する
アナリティクスで間もなく期限切れになるモデル識別子をハードコーディングするのではなく、API の応答と構成からモデルを読み取ります。
- 4
証拠を検証する
Exercise a known fixture, then inspect llm_request_completed for one correctly typed terminal row.
始める前に
前提条件と境界
- 公式の Anthropic TypeScript SDK はサーバー側で構成されています
- サーバー側 TELEMETRY_API_KEY
- 製品のワークフローとレビューされた結果の定義
配信設定
サーバー側のインストールと初期化
サーバー専用コードで telemetry-sh をインポートし、process.env.TELEMETRY_API_KEY で一度初期化します。 ブラウザ バンドル、クライアントに表示される環境変数、ソース管理、ログ、および例外メッセージに取り込み資格情報が含まれないようにします。
npmのインストール
npm install telemetry-sh- 1制限されたネットワーク動作を持つ再利用可能なサーバー側配信クライアントを 1 つ準備します。
- 2成功、失敗、再試行、またはタイムアウトの境界に結果イベントを追加します。
- 3アラートを有効にする前に、制御されたフィクスチャを送信し、保存されている行を検査します。
スニペット
1 つの構造化されたイベントから始める
ワークフローが完了、失敗、または再試行される場所にこの図形を追加します。次に、実際のフィールドからダッシュボードを構築します。
Anthropic Claude API Telemetryイベント
const startedAt = performance.now();
const message = await anthropic.messages.create({
model: process.env.ANTHROPIC_MODEL,
max_tokens: 1024,
messages,
});
await telemetry.log("llm_request_completed", {
provider: "anthropic",
model: message.model,
feature: "support_reply",
status: "success",
stop_reason: message.stop_reason,
input_tokens: message.usage.input_tokens,
output_tokens: message.usage.output_tokens,
latency_ms: Math.round(performance.now() - startedAt),
prompt_version: "support-v3",
release: process.env.APP_RELEASE,
});イベント契約
プロバイダー、モデル、機能、ステータス
input_tokens、output_tokens、latency_ms、および stop_reason
run_id、prompt_version、reviewer_outcome、およびリリース
実装のチェックポイント
チェックポイント 1
アナリティクスで間もなく期限切れになるモデル識別子をハードコーディングするのではなく、API の応答と構成からモデルを読み取ります。
チェックポイント 2
使用状況と停止理由がわかった後でリクエストの結果をログに記録し、制御されたエラー タイプで失敗をログに記録します。
チェックポイント 3
生のプロンプト、補完、API キー、およびツール ペイロードをテレメトリから除外します。
検証
イベントが到着したことを証明する
既知の成功例と失敗例を実行した後、これを実行します。最終的なイベント コントラクトがスニペットと異なる場合は、フォールバック テーブル名を置き換えます。
Anthropic Claude API Telemetry 検証クエリ
SELECT *
FROM llm_request_completed
ORDER BY timestamp_utc DESC
LIMIT 20;実装の参考資料
新しい運用パスを有効にする前に、イベント契約、データ安全性に関するガイダンス、上流の主要ドキュメントを確認してください。
生産境界
結果イベントを小さく、回復可能なものに保つ
このパターンが提供するのは、
- 上流のワークフローの横にある、制限付きの SQL 対応の結果。
- ダッシュボード、アラート、およびイベント間の相関関係の安定したフィールド。
- 成功、失敗、再試行、タイムアウトの動作を検証するためのフィクスチャ駆動のパス。
このパターンでは提供されません
- OTLP エクスポーター、自動収集パイプライン、または詳細なトレースと診断ログの代替。
- ペイロードにイベント ID が含まれているという理由だけで、1 回だけ配信されます。
- 生のプロバイダー ペイロード、ユーザー コンテンツ、資格情報、または規制されたデータを収集する許可。
イベントスキーマの開始点
このワークフローのイベント コントラクト
クエリまたはスニペットを運用環境に適用する前に、行粒度、出力境界、必要なタイプ、プライバシー クラス、サンプル ペイロード、および検証チェックリストを確認してください。
関連製品の機能
このワークフローを続行します AIエージェントの監視
レビュー可能な SQL を使用して、エージェントの実行、ツールの使用、モデルのコスト、品質、製品の結果を結び付けます。
関連する SQL レシピ
SQL で次の質問に答えてください
このワークフローの構造化フィールドに対してクエリを実行し、結果の例を検査して、有用な回答をダッシュボードまたはアラートに変換します。
AI エージェントのタスクの成功と人間による引き継ぎを測定する
どのエージェントのワークフローが正常に終了し、受け入れられた結果をもたらしますか?
レシピを開く機能とモデルごとに LLM コストを計算する
LLM の支出を促進しているのはどの製品機能とモデルですか?
レシピを開くLLM キャッシュの節約と再試行コストを測定する
再試行とキャッシュミスに関連するモデルコストはどれくらいですか?
レシピを開く最初のトークンまでの LLM 時間を測定する
出力が開始される前に速度が遅いと感じるモデルと機能の組み合わせはどれですか?
レシピを開く1 ドルあたりの受け入れられた AI 出力を測定する
どのモデルと機能の組み合わせが、1 ドルあたり最も受け入れられる出力を生成しますか?
レシピを開く実装ファミリーごとに参照する
関連する統合パターンを比較する
この統合と組み合わせるテンプレート
さらなる統合
OpenAI エージェント Telemetry
OpenAI エージェントの実行、ツール呼び出し、モデルの使用状況、レイテンシー、コスト、および構造化イベントによる最終結果をログに記録します。
オープンガイドAmazon Bedrock モデル Telemetry
Bedrock Converse リクエストをモデルまたは推論プロファイル、トークン使用量、レイテンシー、停止理由、再試行、ビジネス結果別に測定します。
オープンガイドOpenAI 応答 API Telemetry
プロンプトや生成されたコンテンツを収集せずに、OpenAI レスポンス API レイテンシ、トークン使用量、ツール アクティビティ、障害、およびダウンストリームの結果を測定します。
オープンガイド