Gemini Code Assist-Messwerte generieren

In diesem Dokument wird beschrieben, wie Sie Messwerte für Gemini Code Assist generieren. Sie können beispielsweise Messwerte generieren, die die tägliche aktive Nutzung oder die Akzeptanz von Code-Empfehlungen für eine Vielzahl von Google Cloud Produkten, einschließlich Cloud Logging, Google Cloud CLI, Cloud Monitoring und BigQuery, erfassen.

Wenn Sie Gemini für Google Cloud-Logs für Prompts, Antworten und Metadaten aktivieren und ansehen möchten, lesen Sie den Abschnitt Gemini für Google Cloud -Logs ansehen.

Hinweise

Anzahl der einzelnen Nutzer auflisten

In der folgenden Anleitung wird beschrieben, wie Sie mit der gcloud CLI die Anzahl der einzelnen Nutzer von Gemini Code Assist im letzten Zeitraum von 28 Tagen auflisten:

  1. Prüfen Sie in einer Shell-Umgebung, ob alle installierten Komponenten der gcloud CLI auf die neueste Version aktualisiert wurden:

    gcloud components update

  2. Logeinträge für Gemini Code Assist-Nutzer und ‑Nutzung lesen:

    gcloud logging read 'resource.type=cloudaicompanion.googleapis.com/Instance labels.product=~"code_assist"' \
--freshness 28d \
--project PROJECT_ID \
--format "csv(timestamp.date('%Y-%m-%d'),labels.user_id)"

    Ersetzen Sie PROJECT_ID durch Ihre Google Cloud Projekt-ID.

    Mit dem Unix-Befehl uniq können Sie Nutzer pro Tag eindeutig identifizieren.

    Die Ausgabe sieht etwa so aus:

    2024-10-30,user1@company.com
2024-10-29,user2@company.com
2024-10-29,user2@company.com
2024-10-29,user2@company.com
2024-10-29,user1@company.com
2024-10-28,user1@company.com

Diagramm mit der täglichen Nutzung erstellen

In den folgenden Schritten wird beschrieben, wie Sie mit Monitoring tägliche Nutzungsdiagramme erstellen, in denen die Gesamtzahl der täglich aktiven Gemini Code Assist-Nutzer und die Anzahl ihrer Anfragen pro Tag dargestellt werden.

  1. Erstellen Sie einen Monitoring-Messwert aus Ihren Logdaten, in dem die Anzahl der Gemini Code Assist-Nutzer erfasst wird:

    1. Rufen Sie in der Google Cloud Console die Seite Log-Explorer auf:

      Zum Log-Explorer

      Wenn Sie diese Seite über die Suchleiste suchen, wählen Sie das Ergebnis aus, dessen Zwischenüberschrift Logging ist.

    2. Geben Sie im Abfragebereich die folgende Abfrage ein und klicken Sie auf Abfrage ausführen:

       resource.type="cloudaicompanion.googleapis.com/Instance" AND labels.product="code_assist" AND jsonPayload.@type="type.googleapis.com/google.cloud.cloudaicompanion.logging.v1.ResponseLog"

    3. Klicken Sie in der Symbolleiste auf Aktionen und wählen Sie dann Messwert erstellen aus.

      Das Dialogfeld Logbasierten Messwert erstellen wird angezeigt.

    4. Konfigurieren Sie die folgenden Messwertdetails:

      • Achten Sie darauf, dass der Messwerttyp auf Zähler festgelegt ist.
      • Geben Sie dem Messwert den Namen code_assist_example.

      • Achten Sie darauf, dass die Filterauswahl auf den Speicherort Ihrer Logs verweist, entweder Projekt oder Bucket.

        Informationen zum Generieren von Monitoring-Messwerten aus Ihren Logdaten finden Sie unter Übersicht über logbasierte Messwerte.

    5. Klicken Sie auf Messwert erstellen.

      Es wird ein Erfolgsbanner angezeigt, in dem erklärt wird, dass der Messwert erstellt wurde.

    6. Klicken Sie in diesem Erfolgsbanner auf Im Metrics Explorer ansehen.

      Der Metrics Explorer wird geöffnet und zeigt ein vorkonfiguriertes Diagramm an.

  2. Diagramm in einem Dashboard speichern:

    1. Klicken Sie in der Symbolleiste auf Diagramm speichern.
    2. Optional: Aktualisieren Sie den Diagrammtitel.
    3. Verwenden Sie das Menü Dashboard, um ein vorhandenes benutzerdefiniertes Dashboard auszuwählen oder ein neues zu erstellen.
    4. Klicken Sie auf Diagramm speichern.

Nutzung mit BigQuery analysieren

In den folgenden Schritten wird beschrieben, wie Sie Ihre Logdaten mit BigQuery analysieren.

Es gibt zwei Möglichkeiten, Ihre Logdaten in BigQuery zu analysieren:

  • Erstellen Sie eine Logsenke und exportieren Sie Ihre Logdaten in ein BigQuery-Dataset.
  • Führen Sie ein Upgrade für den Log-Bucket durch, in dem Ihre Logdaten gespeichert sind, um Log Analytics zu verwenden, und erstellen Sie dann ein verknüpftes BigQuery-Dataset.

Bei beiden Ansätzen können Sie SQL verwenden, um Ihre Logdaten abzufragen und zu analysieren, und die Ergebnisse dieser Abfragen in Diagrammen darstellen. Wenn Sie Log Analytics verwenden, können Sie Ihre Diagramme in einem benutzerdefinierten Dashboard speichern. Es gibt jedoch Unterschiede bei der Preisgestaltung. Weitere Informationen finden Sie unter Log Analytics-Preise und BigQuery-Preise.

In diesem Abschnitt wird beschrieben, wie Sie eine Logs-Senke erstellen, um ausgewählte Logeinträge nach BigQuery zu exportieren. Außerdem finden Sie hier eine Liste mit Beispielabfragen. Weitere Informationen zu Log Analytics finden Sie unter Logs mit Log Analytics abfragen und analysieren und Verknüpftes BigQuery-Dataset abfragen.

Logsenke erstellen

  1. Rufen Sie in der Google Cloud Console die Seite Log Router auf:

    Zum Logrouter

    Wenn Sie diese Seite über die Suchleiste suchen, wählen Sie das Ergebnis aus, dessen Zwischenüberschrift Logging ist.

  2. Wählen Sie das Google Cloud Projekt aus, in dem die Logeinträge, die Sie weiterleiten möchten, erstellt werden.
  3. Wählen Sie Senke erstellen aus.

  4. Geben Sie im Bereich Senkendetails die folgenden Details ein:

    • Geben Sie unter Senkenname eine Kennzeichnung für die Senke an. Nachdem Sie die Senke erstellt haben, können Sie sie nicht mehr umbenennen, aber löschen und eine neue erstellen.

    • Geben Sie unter Senkenbeschreibung den Zweck oder den Anwendungsfall für die Senke an.

  5. Konfigurieren Sie im Bereich Sink destination die folgenden Details:

    • Wählen Sie unter Senkendienst auswählen die Option BigQuery-Dataset aus.
    • Erstellen Sie unter BigQuery-Dataset auswählen ein neues BigQuery-Dataset mit dem Namen code_assist_bq.

  6. Öffnen Sie den Bereich Logs auswählen, die in der Senke enthalten sein sollen und geben Sie im Feld Build-Einschlussfilter Folgendes ein:

    resource.type="cloudaicompanion.googleapis.com/Instance" AND labels.product="code_assist"

  7. Optional: Wenn Sie prüfen möchten, ob Sie den richtigen Filter eingegeben haben, wählen Sie Vorschau von Logs aus. Der Log-Explorer wird in einem neuen Tab geöffnet, auf dem der Filter bereits ausgefüllt ist.

  8. Klicken Sie auf Senke erstellen.

Logsenke zum Schreiben von Logeinträgen in das Dataset autorisieren

Wenn Sie Inhaberzugriff auf das BigQuery-Dataset haben, erteilt Cloud Logging der Logs-Senke die erforderlichen Berechtigungen zum Schreiben von Logdaten.

Wenn Sie keinen Inhaberzugriff haben oder keine Einträge in Ihrem Dataset sehen, hat die Logs-Senke möglicherweise nicht die erforderlichen Berechtigungen. Folgen Sie der Anleitung unter Zielberechtigungen festlegen, um diesen Fehler zu beheben.

Abfragen

Mit den folgenden BigQuery-Beispielabfragen können Sie Daten auf Nutzer- und Aggregatebene für die tägliche aktive Nutzung und generierte Vorschläge generieren.

Bevor Sie die folgenden Beispielabfragen verwenden, müssen Sie den vollständig qualifizierten Pfad für die neu erstellte Senke abrufen. So rufen Sie den Pfad ab:

  1. Rufen Sie in der Google Cloud Console die Seite BigQuery auf.

    BigQuery aufrufen

  2. Suchen Sie in der Ressourcenliste nach dem Dataset mit dem Namen code_assist_bq. Diese Daten sind das Ziel der Senke.

  3. Wählen Sie die Antworttabelle unter code_assist_bq_dataset aus, klicken Sie auf das Symbol  und dann auf ID kopieren, um die Dataset-ID zu generieren. Notieren Sie sich die ID, damit Sie sie in den folgenden Abschnitten als GENERATED_BIGQUERY_TABLE-Variable verwenden können.

Einzelne Nutzer nach Tag auflisten

SELECT DISTINCT labels.user_id as user, DATE(timestamp) as use_date
FROM GENERATED_BIGQUERY_TABLE
ORDER BY use_date

Ersetzen Sie GENERATED_BIGQUERY_TABLE durch den vollständig qualifizierten Pfad der BigQuery-Antworttabelle, den Sie in den vorherigen Schritten zum Erstellen eines Sinks notiert haben.

Konsolidierte Nutzer nach Tag auflisten

SELECT COUNT(DISTINCT labels.user_id) as total_users, DATE(timestamp) as use_date
FROM GENERATED_BIGQUERY_TABLE
GROUP BY use_date
ORDER BY use_date

Einzelne Anfragen pro Tag und Nutzer auflisten

SELECT COUNT(*), DATE(timestamp) as use_date, labels.user_id as user
FROM GENERATED_BIGQUERY_TABLE
GROUP BY use_date, user
ORDER BY use_date

Gesamtlistenanfragen pro Tag nach Datum auflisten

SELECT COUNT(*), DATE(timestamp) as use_date
FROM GENERATED_BIGQUERY_TABLE
GROUP BY use_date
ORDER BY use_date

Nächste Schritte