Azure OpenAI Responses Telemetry：從邊界到驗證行
在受控應用程式邊界使用 Azure OpenAI Responses Telemetry，保持事件契約較小，並在建置聚合檢視之前驗證已知結果。
- 1
選擇結果
Azure 部署成本歸因
- 2
定義合約
提供商、部署、型號、區域、功能和狀態
- 3
埋點邊界
將 Azure 部署名稱與返回的模型識別符號分開。
- 4
核實證據
Exercise a known fixture, then inspect llm_request_completed for one correctly typed terminal row.
開始之前
先決條件和界限
- 伺服器端 Azure OpenAI 憑據和 TELEMETRY_API_KEY
- 穩定的部署、區域、功能和提示版本合約
- 已部署模型的版本化價格查詢
交貨設定
安裝並初始化伺服器端
在僅伺服器程式碼中匯入 telemetry-sh 並使用 process.env.TELEMETRY_API_KEY 對其進行一次初始化。 將攝取憑據保留在瀏覽器包、客戶端可見的環境變數、原始碼控制、日誌和異常訊息之外。
npm安裝
npm install telemetry-sh- 1準備一個具有有限網路行為的可重用伺服器端交付客戶端。
- 2在成功、失敗、重試或超時邊界處新增結果事件。
- 3在啟用警示之前傳送受控裝置並檢查儲存的行。
片段
從一個結構化事件開始
在工作流程完成、失敗或重試的位置新增此形狀。然後從真實的欄位建置儀表板。
Azure OpenAI Responses Telemetry事件
import OpenAI from "openai";
import telemetry from "telemetry-sh";
const azure = new OpenAI({
apiKey: process.env.AZURE_OPENAI_API_KEY,
baseURL: process.env.AZURE_OPENAI_BASE_URL,
});
const startedAt = performance.now();
try {
const response = await azure.responses.create({
model: process.env.AZURE_OPENAI_DEPLOYMENT,
input: userInput,
});
await telemetry.log("llm_request_completed", {
provider: "azure_openai",
deployment: process.env.AZURE_OPENAI_DEPLOYMENT,
model: response.model,
region: process.env.AZURE_REGION,
feature: "document_summary",
status: "success",
latency_ms: Math.round(performance.now() - startedAt),
input_tokens: response.usage?.input_tokens,
output_tokens: response.usage?.output_tokens,
total_tokens: response.usage?.total_tokens,
prompt_version: "summary-v3",
});
return response;
} catch (error) {
await telemetry.log("llm_request_completed", {
provider: "azure_openai",
deployment: process.env.AZURE_OPENAI_DEPLOYMENT,
feature: "document_summary",
status: "failed",
latency_ms: Math.round(performance.now() - startedAt),
error_type: classifyProviderError(error),
});
throw error;
}活動合約
提供商、部署、型號、區域、功能和狀態
input_tokens、output_tokens、total_tokens、latency_ms 和 estimated_cost_usd
response_id、prompt_version、error_type 和接受的結果
實施檢查點
檢查站 1
將 Azure 部署名稱與返回的模型識別符號分開。
檢查站 2
從回應中讀取使用情況並應用與部署關聯的價格版本。
檢查站 3
未經明確批准，請勿記錄提示、輸出、API 憑證、終端使用者識別符號或原始提供程式錯誤主體。
驗證
證明事件已到達
在演練已知的成功和失敗案例後執行此命令。如果您的最終事件契約與程式碼片段不同，請替換後備資料表名稱。
Azure OpenAI Responses Telemetry 驗證查詢
SELECT *
FROM llm_request_completed
ORDER BY timestamp_utc DESC
LIMIT 20;實施參考
在啟用新的生產路徑之前，請檢查事件合約、資料安全指南和上游主要文件。
生產邊界
保持結果事件小且可恢復
該模式提供了
- 除了上游工作流程之外，還有一個有界的、SQL 就緒的結果。
- 用於儀表板、警示和跨事件關聯的穩定欄位。
- 用於驗證成功、失敗、重試和超時行為的夾具驅動路徑。
該模式不提供
- OTLP 匯出器、自動收集管道或詳細追蹤和診斷日誌的替代品。
- 僅因為有效負載包含事件 ID，所以僅傳送一次。
- 收集原始提供商有效負載、使用者內容、憑證或受監管資料的權限。
事件架構起點
此工作流程的事件契約
在將查詢或程式碼片段適應生產之前，請檢查行粒度、發出邊界、所需型別、隱私類、範例有效負載和驗證清單。
相關產品功能
繼續此工作流程 AI代理監控
透過可審查的 SQL 連線代理執行、工具使用、模型成本、品質和產品結果。
相關 SQL 查詢範例
用 SQL 回答下一個問題
針對此工作流程中的結構化欄位執行查詢，檢查範例結果，並將有用的答案轉換為儀表板或警示。
按功能和模型計算 LLM 成本
哪些產品功能和型號正在推動法學碩士支出？
開啟查詢範例測量 LLM 獲得第一個權杖的時間
在輸出開始之前，哪些模型和功能組合感覺很慢？
開啟查詢範例衡量每美元所接受的人工智慧產出
哪種模型和功能組合可以產生最受接受的單位美元產出？
開啟查詢範例按提示版本查詢 AI 品質回歸
新的提示版本是否在不增加人工交接的情況下提高了品質？
開啟查詢範例按實施系列瀏覽
比較相關整合模式
與此整合配對的範本
更多整合