Agent überwachen

Auf dieser Seite wird beschrieben, wie Sie integrierte Messwerte, benutzerdefinierte Messwerte und Benachrichtigungen verwenden, um Ihre Kundenservicemitarbeiter in der Vertex AI Agent Engine zu überwachen.

Übersicht

Sie können die Vertex AI-Agent Engine mit Cloud Monitoring ohne zusätzliche Einrichtung oder Konfiguration verwenden. Eingebettete Kundenservicemitarbeiter-Messwerte werden automatisch erfasst und auf den Cloud Monitoring-Seiten in derGoogle Cloud Console visualisiert.

Unterstützte integrierte Messwerte

Die folgenden Agent-Messwerte werden unterstützt und mit der von der Vertex AI-Agent Engine überwachten Ressource aiplatform.googleapis.com/ReasoningEngine verknüpft:

  • Anzahl der Anfragen
  • Anfragelatenzen
  • Zeit für die Container-CPU-Zuweisung
  • Zeit für die Speicherbelegung des Containers

Weitere Informationen zu Messwerttypen, Einheiten, Labels sowie Latenz und Stichprobenzeit finden Sie in der vollständigen Liste der AI Platform-Messwerte.

Messwerte für einen Kundenservicemitarbeiter aufrufen

Sie können die in Ihren Kundenservicemitarbeitern integrierten Messwerte in der Google Cloud Console über den Metrics Explorer aufrufen:

  1. Wenn Sie Messwerte im Messwert-Explorer aufrufen möchten, bitten Sie Ihren Administrator, Ihnen die Rolle Monitoring Viewer (roles/monitoring.viewer) für Ihr Projekt zuzuweisen.

  2. Rufen Sie in der Google Cloud Console den Metrics Explorer auf:

    Zum Metrics Explorer

  3. Wählen Sie Ihr Google Cloud Projekt aus.

  4. Klicken Sie auf Messwert auswählen, um eine Suchleiste zu öffnen.

  5. Geben Sie in die Suchleiste Vertex AI Reasoning Engine ein und klicken Sie auf Vertex AI Reasoning Engine.

  6. Klicken Sie auf die Messwertkategorie Reasoning_engine und dann auf einen Messwert, z. B. Anzahl der Anfragen.

  7. Optional können Sie zusätzliche Labelfilter und Aggregationselemente festlegen und den Zeitraum anpassen.

Standardmäßig werden in den Diagrammen im Metrics Explorer für den Messwert Anzahl der Anfragen Datenpunkte an einem Standardzeitintervall ausgerichtet und als Anfragen pro Sekunde (ein Ratenmesswert) dargestellt.

Messwerte für einen Kundenservicemitarbeiter abfragen

Sie können Messwerte auch über die Monitoring Query Language (MQL), die Prometheus Query Language (PromQL) oder die Cloud Monitoring v3 API abfragen. MQL und PromQL bieten mehr Optionen für die Filterung, Aggregation und Transformation von Messwerten. Mit der Cloud Monitoring API können Sie alle Rohdatenpunkte programmatisch auflisten und abfragen.

Messwerte mit MQL oder PromQL abfragen

Mit MQL oder PromQL können Sie Datenpunkte mit einem benutzerdefinierten Zeitintervall ausrichten und aggregieren und transformierte Datenpunkte als absolute Anzahl von Anfragen (anstelle von Anfragen pro Sekunde) darstellen:

MQL 

fetch aiplatform.googleapis.com/ReasoningEngine
  | metric 'aiplatform.googleapis.com/reasoning_engine/request_count'
  | filter
      (resource.reasoning_engine_id == 'RESOURCE_ID')
      && (metric.response_code == 'RESPONSE_CODE')
  | align delta(10m)
  | every 10m

PromQL 

sum_over_time(
  increase(
      aiplatform_googleapis_com:reasoning_engine_request_count{
          monitored_resource='aiplatform.googleapis.com/ReasoningEngine',
          reasoning_engine_id='RESOURCE_ID',
          response_code='RESPONSE_CODE'
      }
      [10m]
  )
  [10m:10m]
)

Sie können die Fehlerrate abfragen, indem Sie das Verhältnis der Anfragen, die mit bestimmten Fehlerantwortcodes (z. B. 500) gekennzeichnet sind, zur Gesamtzahl der Anfragen (Prozentsatz der fehlgeschlagenen Anfragen) berechnen:

MQL 

fetch aiplatform.googleapis.com/ReasoningEngine
  | metric 'aiplatform.googleapis.com/reasoning_engine/request_count'
  | filter resource.reasoning_engine_id == 'RESOURCE_ID'
  | { filter metric.response_code == '500' ; ident }
  | align rate(10m)
  | every 10m
  | group_by [], [value_request_count_aggregate: aggregate(value.request_count)]
  | ratio

PromQL 

sum_over_time(
  sum(
    rate(
      aiplatform_googleapis_com:reasoning_engine_request_count{
        monitored_resource='aiplatform.googleapis.com/ReasoningEngine',
        reasoning_engine_id='RESOURCE_ID',
        response_code='500'
      }
      [10m]
    )
  )
  [10m:10m]
)
/
sum_over_time(
  sum(
    rate(
      aiplatform_googleapis_com:reasoning_engine_request_count{
        monitored_resource='aiplatform.googleapis.com/ReasoningEngine',
        reasoning_engine_id='RESOURCE_ID',
      }
      [10m]
    )
  )
  [10m:10m]
)

Best Practices und Einschränkungen für Verhältnismesswerte finden Sie unter Verhältnismesswerte. Ein Beispiel zum Festlegen einer Benachrichtigung für den Messwert „Fehlerrate“ finden Sie unter Beispielrichtlinien in JSON.

Messwerte mit der Cloud Monitoring API abfragen

Mit der Cloud Monitoring API haben Sie folgende Möglichkeiten:

  • Definition der von der Vertex AI Agent Engine überwachten Ressource abrufen

  • Verfügbare Definitionen für Agent-Messwerte auflisten

  • Zeitreihendaten für request_count abfragen

Alle Agent-Messwerte sind mit der von der Agent Engine überwachten Ressource aiplatform.googleapis.com/ReasoningEngine verknüpft.

Sie können diese APIs über den APIs Explorer, sprachspezifische Clientbibliotheken oder die Befehlszeile aufrufen. Weitere Informationen zum Lesen von Messwerten über APIs Explorer und Clientbibliotheken finden Sie in der Dokumentation. In den folgenden Beispielen wird die Verwendung in der Befehlszeile veranschaulicht, insbesondere das curl-Tool.

Definition der überwachten Ressource der Agent Engine abrufen

Mit dem folgenden Befehl wird die Definition der überwachten Ressource mit projects.monitoredResourceDescriptors sowie alle verfügbaren Labels abgerufen, die zum Filtern verwendet werden können:

gcurl https://monitoring.googleapis.com/v3/projects/PROJECT_ID/monitoredResourceDescriptors/aiplatform.googleapis.com/ReasoningEngine

Die Labels sollten resource_container, location und reasoning_engine_id enthalten.

Verfügbare Definitionen für Agent-Messwerte auflisten

Im folgenden Befehl wird projects.metricDescriptors verwendet, um alle Messwerte und Labelfilter für die Agent Engine abzurufen:

gcurl https://monitoring.googleapis.com/v3/projects/PROJECT_ID/metricDescriptors?filter='metric.type=starts_with("aiplatform.googleapis.com/reasoning_engine")'

Das Ergebnis sollte die Definition der folgenden Messwerte sowie ihre spezifischen Labels enthalten:

  • aiplatform.googleapis.com/reasoning_engine/request_count
  • aiplatform.googleapis.com/reasoning_engine/request_latencies
  • aiplatform.googleapis.com/reasoning_engine/cpu/allocation_time
  • aiplatform.googleapis.com/reasoning_engine/memory/allocation_time

Zeitreihendaten für request_count abfragen

Sie können projects.timeSeries.list zusammen mit Parametern wie interval, filter und aggregation verwenden, um Zeitreihendaten abzufragen.

Im folgenden Beispiel wird gezeigt, wie Sie die Rohdatenpunkte für den Messwert request_count für eine bestimmte Kundenservicemitarbeiterinstanz in einem bestimmten Zeitraum abfragen:

gcurl https://monitoring.googleapis.com/v3/projects/PROJECT_ID/timeSeries?filter='metric.type="aiplatform.googleapis.com/reasoning_engine/request_count"%20AND%20resource.labels.reasoning_engine_id="RESOURCE_ID"&interval.endTime=2025-03-26T11:00:0.0-08:00&interval.startTime=2025-03-26T10:00:0.0-08:00'

Ersetzen Sie Folgendes:

  • PROJECT_ID: Ihre Google Cloud -Projekt-ID
  • RESOURCE_ID: Die Instanz-ID der Agent Engine. Das ist nicht immer erforderlich. Sie können mehrere Agent Engine-Instanzen innerhalb desselben Projekts abfragen.
  • interval.startTime und interval.endTime: Der Beginn (inklusive) und das Ende (exklusiv) des Zeitintervalls im RFC 3339-Format. Beispiel: "2025-03-26T11:22:33Z" für die koordinierte Weltzeit (UTC) und "2025-03-26T11:22:33-08:00" für die Pacific Standard Time (PST). Die vollständige Definition und weitere Beispiele finden Sie in RFC 3339.

Sie sollten eine Antwort ähnlich der folgenden erhalten:

{
  "timeSeries": [
    {
      "metric": {
        "labels": {
          "response_code": "200",
          "response_code_class": "2xx"
        },
        "type": "aiplatform.googleapis.com/reasoning_engine/request_count"
      },
      "resource": {
        "type": "aiplatform.googleapis.com/ReasoningEngine",
        "labels": {
          "reasoning_engine_id": "RESOURCE_ID",
          "location": "LOCATION",
          "project_id": "PROJECT_ID"
        }
      },
      "metricKind": "DELTA",
      "valueType": "INT64",
      "points": [
        {
          "interval": {
            "startTime": "2025-03-26T18:55:27.001Z",
            "endTime": "2025-03-26T18:56:27Z"
          },
          "value": {
            "int64Value": "25"
          }
        },
        {
          "interval": {
            "startTime": "2025-03-26T18:54:27.001Z",
            "endTime": "2025-03-26T18:55:27Z"
          },
          "value": {
            "int64Value": "36"
          }
        }
        // ... more data points ...
      ]
    }
    // ... potentially more time series with other response codes ...
  ],
  "unit": "1"
}

Weitere Informationen zum Antwortformat findest du unter projects.timeSeries.list.

Benutzerdefinierte Messwerte für einen Kundenservicemitarbeiter erstellen

Wenn die integrierten Kundenservicemitarbeiter-Messwerte Ihren spezifischen Anwendungsfall nicht abdecken, können Sie benutzerdefinierte Messwerte definieren. Sie haben folgende Möglichkeiten, benutzerdefinierte Messwerte zu erstellen:

  • Logbasierte Messwerte: Hiermit lassen sich Trends und Muster in einer großen Anzahl von Logeinträgen beobachten.

  • Benutzerdefinierte Messwerte: Messwerte, die nicht von Google Clouddefiniert sind, z. B. anwendungsspezifische Daten oder clientseitige Systemdaten.

Logbasierte Messwerte

In den folgenden Schritten wird gezeigt, wie Sie einen logbasierten Messwert (tool_calling_count) für einen Beispiel-Workflow erstellen und verwenden, in dem mehrere Kundenservicemitarbeiter mehrere Tools aufrufen und Sie die Aufrufe der Tools zählen möchten:

  1. Legen Sie fest, dass Ihr Tool jedes Mal einen Logeintrag schreibt, wenn es aufgerufen wird. Beispiel: "tool-\<tool-id\> invoked by agent-\<agent-id\>"

  2. So erstellen Sie einen neuen logbasierten Zählermesswert über die Google Cloud Console:

    1. Rufen Sie in der Google Cloud Console die Seite Logbasierte Messwerte auf:

      Zu „Logbasierte Messwerte”

    2. Klicken Sie im Bereich Benutzerdefinierte Messwerte auf Messwert erstellen. Der Bereich Logbasierten Messwert erstellen wird angezeigt.

    3. Wählen Sie als Messwerttyp die Option Zähler aus.

    4. Geben Sie im Bereich Details den Namen des logbasierten Messwerts ein. Beispiel: tool_calling_count. Optional können Sie eine Beschreibung und Einheiten eingeben.

    5. Gehen Sie im Bereich Filterauswahl so vor:

      1. Wählen Sie in der Drop-down-Liste Projekt oder Log-Bucket auswählen die Option Projektlogs aus.

      2. Geben Sie im Feld Filter erstellen den Logfilter mithilfe der Logging-Abfragesprache ein. Beispiel:

        resource.type="aiplatform.googleapis.com/ReasoningEngine"
resource.labels.reasoning_engine_id="RESOURCE_ID"
textPayload =~ "tool-\d+ invoked by agent-\d+" -- assuming both tool and agent IDs are numeric

    6. Klicken Sie im Bereich Labels auf die Schaltfläche Label hinzufügen, um zwei neue Labels hinzuzufügen.

      1. Führen Sie für das erste Label die folgenden Schritte aus:

        1. Geben Sie im Feld Labelname den Wert tool ein.

        2. Geben Sie im Feld Feldname den Wert textPayload ein.

        3. Geben Sie im Feld Regulärer Ausdruck den Wert (tool-\d+) invoked by agent-\d+ ein.

      2. Gehen Sie für das zweite Label so vor:

        1. Geben Sie im Feld Labelname den Wert agent ein.

        2. Geben Sie im Feld Feldname den Wert textPayload ein.

        3. Geben Sie im Feld Regulärer Ausdruck den Wert tool-\d+ invoked by (agent-\d+) ein.

      1. Klicken Sie auf Fertig.

    7. Klicken Sie auf Messwert erstellen.

  3. So rufen Sie den Messwert tool_calling_count und die zugehörigen Protokolle in der Google Cloud Console auf:

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

      Zum Metrics Explorer

    2. Klicken Sie auf Messwert auswählen, um eine Suchleiste zu öffnen.

    3. Geben Sie in die Suchleiste Vertex AI Reasoning Engine ein und klicken Sie auf Vertex AI Reasoning Engine.

    4. Klicken Sie auf die Messwertkategorie Logbasierte Messwerte und dann auf Logging/user/tool_calling_count. Passen Sie den Zeitraum bei Bedarf an.

    5. Optional: Filtern Sie nach den Labels tool und agent.

      • Wenn Sie die Gesamtzahl der Aufrufe für ein bestimmtes Tool für alle Kundenservicemitarbeiter abrufen möchten, setzen Sie das Filterlabel tool auf den Wert dieser Tool-ID.

      • Wenn Sie die Gesamtzahl der Aufrufe für einen bestimmten Kundenservicemitarbeiter für alle Tools abrufen möchten, setzen Sie das Filterlabel agent auf den Wert dieser Kundenservicemitarbeiter-ID.

      Optional können Sie unter Summe nach die Option tool oder agent auswählen, um die Gesamtzahl nach verschiedenen Tools oder Kundenservicemitarbeitern aufgeschlüsselt zu erhalten.

Eine Anleitung zum Erstellen von Agent-Logs finden Sie unter Agent protokollieren. Weitere Informationen zu logbasierten Messwerten finden Sie unter Übersicht über logbasierte Messwerte.

Benutzerdefinierte Messwerte

In den folgenden Schritten wird gezeigt, wie Sie einen benutzerdefinierten Messwert (token_count) für einen Beispielworkflow erstellen und verwenden, in dem mehrere Kundenservicemitarbeiter mehrere Modelle aufrufen und Sie die Gesamtzahl der verbrauchten Tokens berechnen möchten. Dabei wird davon ausgegangen, dass Sie die Anzahl der Tokens seit Anwendungsstart für jeden aufrufenden Kundenservicemitarbeiter und jedes Zielmodell erfassen:

  1. Definieren Sie den benutzerdefinierten Messwerttyp, indem Sie projects.metricDescriptors.create mit den folgenden Parametern aufrufen:

    • name: ein URL-String, z. B. projects/PROJECT_ID

    • Request body: Ein MetricDescriptor-Objekt:

      {
  "name": "token_count",
  "description": "Token Consumed by models.",
  "displayName": "Token Count",
  "type": "custom.googleapis.com/token_count",
  "metricKind": "CUMULATIVE",
  "valueType": "INT64",
  "unit": "1",
  "labels": [
    {
      "key": "model",
      "valueType": "STRING",
      "description": "Model."
    },
    {
      "key": "agent",
      "valueType": "STRING",
      "description": "Agent."
    }
  ],
  "monitoredResourceTypes": [
    "generic_node"
  ]
}

      Der neue Messwert token_count wird mit der Art Cumulative erstellt und stellt die Gesamtzahl der Tokens seit Anwendungsstart dar. Weitere Informationen zu den Cumulative-Messwerten finden Sie unter Messwertarten und -typen. Die Labels model und agent stehen für den Namen des Ziel-Large Language Models (LLM) und des aufrufenden Agents.

    1. Sie finden den Messwert token_count im Metrics Explorer:

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

      Zum Metrics Explorer

      1. Klicken Sie auf Messwert auswählen, um eine Suchleiste zu öffnen.

      2. Geben Sie Generischer Knoten in die Suchleiste ein und klicken Sie auf Benutzerdefinierte Messwerte.

      3. Klicken Sie auf Tokenanzahl.

  2. Schreiben Sie Datenpunkte in den neuen Messwert, indem Sie projects.timeSeries.create mit den folgenden Parametern aufrufen:

    • name: ein URL-String, z. B. projects/PROJECT_ID

    • Request body: eine Liste von TimeSeries-Objekten:

      {
  "timeSeries": [
    {
      "metric": {
        "type": "custom.googleapis.com/token_count",
        "labels": {
          "model": "model-1",
          "agent": "agent-1"
        }
      },
      "resource": {
        "type": "generic_node",
        "labels": {
          "project_id": "PROJECT_ID",
          "node_id": "RESOURCE_ID",
          "namespace": "",
          "location": "us-central1"
        }
      },
      "points": [
        {
          "interval": {
            "startTime": "2025-03-26T10:00:00-08:00",
            "endTime": "2025-03-26T10:01:00-08:00"
          },
          "value": {
            "int64Value": 15
          }
        }
      ]
    },
    {
      "metric": {
        "type": "custom.googleapis.com/token_count",
        "labels": {
          "model": "model-1",
          "agent": "agent-2"
        }
      },
      "resource": {
        "type": "generic_node",
        "labels": {
          "project_id": "PROJECT_ID",
          "node_id": "RESOURCE_ID",
          "namespace": "",
          "location": "us-central1"
        }
      },
      "points": [
        {
          "interval": {
            "startTime": "2025-03-26T10:00:00-08:00",
            "endTime": "2025-03-26T10:01:00-08:00"
          },
          "value": {
            "int64Value": 20
          }
        }
      ]
    }
    // ... more time series ...
  ]
}

  3. Sobald die Datenpunkte über die Cloud Monitoring API hochgeladen wurden, können Sie den neuen Messwert token_count in der Google Cloud Console aufrufen:

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

      Zum Metrics Explorer

    2. Klicken Sie auf Messwert auswählen, um eine Suchleiste zu öffnen.

    3. Geben Sie Generischer Knoten in die Suchleiste ein und klicken Sie auf Benutzerdefinierte Messwerte.

    4. Klicken Sie auf Tokenanzahl. Passen Sie den Zeitraum an und konfigurieren Sie bei Bedarf Labelwerte für model oder agent.

Benachrichtigungen für einen Kundenservicemitarbeiter erstellen

Sie können Messwerte in Kombination mit Benachrichtigungen verwenden. Weitere Informationen finden Sie unter Übersicht über Benachrichtigungen.

Im folgenden Beispiel wird gezeigt, wie Sie eine Benachrichtigung zu einem Grenzwert für den Messwert request_latencies erstellen, damit Sie benachrichtigt werden, wenn die Latenz für eine bestimmte Dauer einen vordefinierten Wert überschreitet:

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

    Zu Benachrichtigungen

  2. Klicken Sie auf Richtlinie erstellen. Die Seite Benachrichtigungsrichtlinie erstellen wird geöffnet.

    1. Wählen Sie für Richtlinienkonfigurationsmodus die Option Builder aus.

    2. Wählen Sie im Drop-down-Menü Messwert auswählen die Optionen Vertex AI Reasoning Engine -> reasoning_engine -> Request Latency aus.

    3. Konfigurieren Sie optional Filter im Bereich Filter hinzufügen (z. B. reasoning_engine_id, response_code).

    4. Stellen Sie im Bereich Daten transformieren für Rollierendes Zeitfenster und Funktion für rollierendes Zeitfenster Werte wie 5min und 99th percentile ein (99. Perzentil der Anfragelatenz über den 5-Minuten-Ausrichtungszeitraum überwachen).

    5. Klicken Sie auf Weiter.

  3. Führen Sie im Abschnitt Benachrichtigungstrigger konfigurieren die folgenden Schritte aus:

    1. Wählen Sie unter Bedingungstypen die Option Schwellenwert aus.

    2. Wählen Sie einen Benachrichtigungstrigger aus, z. B. Bei jedem Verstoß.

    3. Wählen Sie eine Grenzwertposition aus, z. B. Über Grenzwert.

    4. Geben Sie einen Grenzwert ein, z. B. 5000ms.

    5. Klicken Sie auf Weiter.

  4. Führen Sie im Bereich Benachrichtigungen konfigurieren und Benachrichtigung fertigstellen die folgenden Schritte aus:

    1. Wählen Sie einen oder mehrere Benachrichtigungskanäle aus. Weitere Informationen finden Sie unter Benachrichtigungskanäle verwalten.

    2. Optional: Konfigurieren Sie den Benachrichtigungsbetreff, die Dauer bis zur automatischen Schließung von Vorfällen, Anwendungslabels, Richtlinienlabels, den Schweregrad und zusätzliche Dokumentation.

    3. Legen Sie den Richtliniennamen im Abschnitt Benachrichtigungsrichtlinie benennen fest, z. B. latency-99p-alert.

    4. Klicken Sie auf Richtlinie erstellen.

Weitere Informationen zum Bestätigen und Untersuchen von Vorfällen und zum Stummschalten von Benachrichtigungen finden Sie im Hilfeartikel Vorfälle für messwertbasierte Benachrichtigungsrichtlinien.

Weitere Beispiele für Benachrichtigungen finden Sie unter Beispielrichtlinien in JSON.

Messwerte für einen Kundenservicemitarbeiter überwachen

Mit dem Dashboard „Vertex AI Agent Engine – Übersicht“ können Sie den Betriebszustand und die Leistung Ihrer Kundenservicemitarbeiter im Blick behalten.

Standard-Dashboard aufrufen

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

    Dashboards aufrufen

  2. Wählen Sie Ihr Google Cloud Projekt aus.

  3. Fügen Sie im Bereich Meine Dashboards den Filter Name:Vertex AI Agent Engine Overview hinzu.

  4. Klicken Sie auf Vertex AI Agent Engine – Übersicht, um das Standard-Dashboard für Kundenservicemitarbeiter aufzurufen.

Standard-Dashboard anpassen

Das Standarddashboard enthält nur die vordefinierten Messwerte für Kundenservicemitarbeiter. Wenn Sie dem Dashboard eigene benutzerdefinierte Messwerte hinzufügen möchten, kopieren und passen Sie das Standarddashboard wie unten beschrieben an:

  1. Öffnen Sie das Standard-Dashboard.

  2. Klicken Sie auf Dashboard kopieren. Klicken Sie im Dialogfeld Dashboard kopieren auf Kopieren. Die Dashboard-Kopie wird geöffnet. Sie finden die Dashboard-Kopie auch im Bereich Meine Dashboards in der Kategorie Benutzerdefiniert.

  3. So fügen Sie in der Dashboard-Kopie einen Messwert hinzu:

    1. Klicken Sie auf Widget hinzufügen. Die Seitenleiste Widget hinzufügen wird angezeigt.

    2. Wählen Sie unter Daten die Option Messwert aus. Der Bereich Widget konfigurieren wird angezeigt.

    3. Klicken Sie auf Messwert auswählen, um eine Suchleiste zu öffnen.

    4. Wenn der benutzerdefinierte Messwert mit logbasierten Messwerten erstellt wurde:

      1. Geben Sie Vertex AI Reasoning Engine in die Suchleiste ein und klicken Sie auf Vertex AI Reasoning Engine.

      2. Klicken Sie auf die Messwertkategorie Logbasierte Messwerte und dann auf einen Messwert, z. B. Logging/user/tool_calling_count.

      3. Klicken Sie auf Übernehmen.

    5. Wenn der benutzerdefinierte Messwert mit benutzerdefinierten Messwerten erstellt wurde:

      1. Geben Sie Generic Node (Allgemeiner Knoten) in die Suchleiste ein und klicken Sie auf Generic Node (Allgemeiner Knoten).

      2. Klicken Sie auf die Messwertkategorie Benutzerdefinierte Messwerte und dann auf einen Messwert, z. B. Tokenanzahl.

      3. Klicken Sie auf Übernehmen.

    6. Im Dashboard wird ein neues Diagramm mit dem benutzerdefinierten Messwert angezeigt.

  4. Sie können das Layout des Dashboards weiter anpassen, z. B.:

    1. Sie können das Widget verschieben, indem Sie den Widget-Titel gedrückt halten und es an eine andere Stelle im selben Dashboard ziehen.

    2. Sie können die Größe des Widgets ändern, indem Sie die rechte untere Ecke des Widgets gedrückt halten und die Größe anpassen.

Weitere Informationen zum Hinzufügen von Messwertdiagrammen mithilfe von Monitoring Query Language (MQL) oder Prometheus Query Language (PromQL) sowie zum Auflisten Ihrer Messwerte finden Sie unter Diagramme und Tabellen zu einem benutzerdefinierten Dashboard hinzufügen.

Wenn Sie benutzerdefinierte Benachrichtigungen konfiguriert haben, lesen Sie den Hilfeartikel Benachrichtigungsrichtlinien und Benachrichtigungen in einem Dashboard anzeigen, um diese Benachrichtigungen Ihrem Dashboard hinzuzufügen.