Tabelas de inferência do agente: logs de solicitação e avaliação (preteridos)

Quando você implanta um agente de IA, o Databricks cria três tabelas de inferência que capturam automaticamente solicitações e respostas de e para o agente. Essas tabelas ajudam você a monitorar o desempenho, depurar problemas e analisar comentários do usuário.

• Dados JSON brutos entram na tabela de conteúdo dentro de uma hora após o agente receber uma solicitação.
• Os logs de solicitação e os logs de avaliação processam e formatam dados da tabela de payload. Isso leva mais tempo.
• Você pode extrair e processar dados manualmente da tabela de conteúdo, se necessário.
• As alterações na tabela de conteúdo (exclusões ou atualizações) não são sincronizadas automaticamente com as tabelas derivadas.

O que está sendo alterado?

O Databricks não preenche automaticamente as tabelas payload_request_logs e payload_assessment_logs.

O que ainda funciona: a tabela bruta payload continua a receber dados de novas solicitações.

Migrar para o MLflow 3 e usar o rastreamento em tempo real para unificar logs de agente

Databricks recomenda fortemente migrar os endpoints dos agentes para usar o MLflow 3. O rastreamento em tempo real do MLflow 3 elimina a necessidade de tabelas separadas request_logs e assessment_logs ao unificar todos os logs do agente em um único local de rastreamento.

O MLflow 3 anexa avaliações aos rastreamentos e em seguida registra os rastreamentos no servidor de rastreamento do MLflow junto com todos os logs de carga útil, de resposta e das etapas intermediárias. Consulte a Etiqueta durante o desenvolvimento e Conceitos e modelo de dados.

Etapas da migração

1. Atualizar para o MLflow 3: verifique se o agente usa o MLflow 3.1.3 ou superior. O rastreamento será habilitado automaticamente quando você implantar agentes com o MLflow 3.

# Install prerequisites
%pip install mlflow>=3.1.3

# Restart Python to make sure the new packages are picked up
dbutils.library.restartPython()

2. Registre seu agente: registre o agente como faria normalmente, assegurando-se de que ele exija o MLflow 3.1.3 ou superior. Em seguida, registre o modelo no UC.

# Log your agent
with mlflow.start_run():
    logged_agent_info = mlflow.pyfunc.log_model(
        name="my_agent",
        pip_requirements=[
            "mlflow>=3.1.3",
        ],
        ...
    )

# Register your model to UC
uc_registered_model_info = mlflow.register_model(
    model_uri=logged_agent_info.model_uri, name=UC_MODEL_NAME
)

3. Implante seu agente: Implante o agente como você normalmente faria. Opcionalmente, defina o experimento do MLflow antes da implantação para controlar onde os rastreamentos são registrados. Se você não fizer isso, os rastreamentos serão registrados no experimento MLflow atualmente ativo.

import mlflow
from databricks import agents

# Set experiment for trace logging
mlflow.set_experiment("/path/to/your/experiment")

# Deploy with automatic tracing
deployment = agents.deploy(uc_model_name, uc_model_info.version)

# Retrieve the query endpoint URL for making API requests
deployment.query_endpoint

Consulte os agentes de rastreamento implantados no Databricks para obter mais informações.

Opções alternativas para continuar usando o MLflow 2

Se você não conseguir atualizar para o MLflow 3, o Databricks continuará preenchendo a tabela bruta payload . No entanto, o Databricks não processa mais esses dados em payload_requests_logs e payload_assessment_logs tabelas.

Em vez disso, o Databricks gera visões sobre suas tabelas de carga que fornecem os mesmos dados formatados. Você tem duas opções para acessar esses dados. Use as exibições fornecidas ou crie exibições materializadas.

Opção 1: Usar as exibições fornecidas

O método mais simples é usar as exibições geradas payload_request_logs_view e payload_assessment_logs_view no lugar das tabelas preteridas.

Essas exibições consultam a tabela de conteúdo para fornecer os mesmos dados formatados e funcionam imediatamente sem nenhuma configuração necessária.

Opcionalmente, renomeie as exibições para corresponder aos nomes de tabela originais para minimizar as alterações de código.

Opção 2: Criar exibições materializadas

As exibições fornecidas (payload_request_logs_view e payload_assessment_logs_view) processam dados em tempo real consultando a tabela de carga útil. Para cenários que exigem tabelas Delta físicas, como monitoramento em tempo real, crie exibições materializadas.

Execute o seguinte notebook para converter suas exibições em exibições materializadas:

Criar visões materializadas para logs de agentes de inferência

Obter laptop

Perguntas frequentes

O que acontece com os dados em meus logs de solicitação e logs de avaliação existentes?

Os dados existentes nas tabelas de inferência continuarão acessíveis. No entanto, após 4 de dezembro de 2025, nenhum novo dado será adicionado às tabelas request_logs e assessment_logs.

A implantação do meu agente falha?

Não, as implantações de agente antigas continuam funcionando e as tabelas de inferência de conteúdo continuam a ser preenchidas. No entanto, após as datas de descontinuação, você não receberá dados nas tabelas request_logs e assessment_logs. Use as exibições fornecidas ou migre para o MLflow 3 para manter a funcionalidade equivalente.

Se você precisar de assistência com a migração, entre em contato com sua equipe de suporte do Databricks.

O que vem a seguir

• Implantar seu agente com rastreamento usando o MLflow 3
• Saiba mais sobre as APIs de assessment do MLflow 3
• Configurar o monitoramento de produção para IA generativa