代理推理表：请求和评估日志（已弃用）

部署 AI 代理时，Databricks 会创建三个推理表，用于自动捕获代理的请求和响应。 这些表可帮助你监视性能、调试问题和分析用户反馈。

• 原始 JSON 数据会在代理收到请求后一小时内输入有效负载表。
• 请求日志和评估日志表处理有效负载表中的数据并设置数据格式。 这需要额外的时间。
• 如果需要，可以从有效负载表手动提取和处理数据。
• 对有效负载表的更改（删除或更新）不会自动同步到派生表。

有什么变化？

Databricks 不再自动填充 payload_request_logs 和 payload_assessment_logs 表。

仍然有效：原始 payload 表继续从新请求接收数据。

迁移到 MLflow 3 并使用实时跟踪来统一代理日志

Databricks 强烈建议迁移代理终结点以使用 MLflow 3。 MLflow 3 实时追踪通过在一个追踪位置统一所有代理日志，无需单独的 request_logs 和 assessment_logs 表。

MLflow 3 将评估附加到跟踪中，然后将跟踪以及所有有效负载、响应和中间步骤日志一起记录到 MLflow 跟踪服务器。 在开发期间查看标签和概念与数据模型。

迁移步骤

1. 升级到 MLflow 3：确保代理使用 MLflow 3.1.3 或更高版本。 使用 MLflow 3 部署代理时，将自动启用跟踪。

# Install prerequisites
%pip install mlflow>=3.1.3

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

2. 记录代理：像平常一样记录代理，确保它需要 MLflow 3.1.3 或更高版本。 然后，将模型注册到 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. 部署代理： 像平常一样部署代理。 （可选）在部署前设置 MLflow 实验，以控制日志记录的位置。 如果不这样做，日志将被记录到当前活动的 MLflow 实验中。

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

有关详细信息 ，请参阅 Databricks 上部署的跟踪代理 。

继续使用 MLflow 2 的替代选项

如果无法升级到 MLflow 3，Databricks 将继续填充原始 payload 表。 但是，Databricks 不再将此数据处理到payload_requests_logspayload_assessment_logs表中。

相反，Databricks 会基于数据负载表生成视图，以提供相同格式的数据。 有两个选项可用于访问此数据。 使用提供的视图或创建物化视图。

选项 1：使用提供的视图

最简单的方法是使用生成的视图 payload_request_logs_view 并 payload_assessment_logs_view 代替已弃用的表。

这些视图查询有效负载表以提供相同的格式化数据，并且它们可立即工作，无需设置。

（可选）重命名视图以匹配原始表名，以最大程度地减少代码更改。

选项 2：创建物化视图

提供的视图（payload_request_logs_view 和 payload_assessment_logs_view）通过查询有效负载表实时计算数据。 对于需要物理 Delta 表（如实时监视）的方案，请改为创建具体化视图。

运行以下笔记本，将视图转换为具体化视图：

为代理推理日志创建具体化视图

获取笔记本

常见问题解答

现有请求日志和评估日志中的数据会发生什么情况？

推理表中的现有数据将继续可访问。 但是，从 2025 年 12 月 4 日起，不会在 request_logs 和 assessment_logs 表中填充任何新数据。

代理部署是否中断？

否，旧代理的部署将继续正常运作，有效负载推理表会继续被填充。 但是，在弃用日期之后，你不会在request_logs和assessment_logs表中收到数据。 使用提供的视图或迁移到 MLflow 3 来维护等效的功能。

如果需要迁移方面的帮助，请联系 Databricks 支持团队。

下一步

• 使用 MLflow 3 部署代理并跟踪
• 了解 MLflow 3 评估 API
• 为 Gen AI 设置生产监控