Tabelas de inferência de agentes: logs de solicitações e avaliações (obsoleto)

importante

Aviso de descontinuação : o Databricks não preenche mais automaticamente as tabelas payload_request_logs e payload_assessment_logs . Essas tabelas foram descontinuadas.

Ação necessária :

• Recomendação : Atualize para o MLflow 3 para usar o rastreamento em tempo real, que oferece registro unificado com melhor desempenho.
• Alternativa : Se você precisar continuar usando o MLflow 2, veja as soluções alternativas para manter o acesso aos seus dados.

Linha do tempo :

• 4 de dezembro de 2025 :
  • Agentes recém-implantados via agents.implantado() Não serão mais geradas as tabelas request_logs ou assessment_logs.
  • As tabelas legadas request_logs e assessment_logs não são mais preenchidas pelo Mosaic AI. Você pode criar sua própria tabela de substituição usando a visão materializada. Veja soluções alternativas para MLflow 2.
  • A APIexperimental legada para registro de feedback não será mais compatível com agentes implantados com a versão mais recente do databricks-agents. Em vez disso, utilize a API de Avaliações do MLflow 3.

Ao implantar um agente AI , Databricks cria três tabelas de inferência que capturam automaticamente as solicitações e respostas de e para o seu agente. Essas tabelas ajudam você a monitorar o desempenho, depurar problemas e analisar o feedback do usuário.

Tabela de inferência	Exemplo de nome de tabela do Databricks	Índice
Payload	{catalog_name}.{schema_name}.{model_name}_payload	Cargas úteis JSON brutas de solicitação e resposta
Logs de solicitação de payload	{catalog_name}.{schema_name}.{model_name}_payload_request_logs	Solicitações e respostas formatadas. Rastreamentos do MLflow. Derivado da tabela de carga útil bruta.
Logs de avaliação de payload	{catalog_name}.{schema_name}.{model_name}_payload_assessment_logs	Feedback formatado, conforme apresentado no aplicativo de avaliação, para cada solicitação Derivado da tabela de carga útil bruta.

• Os dados JSON brutos entram na tabela de payloads em até uma hora após o seu agente receber uma solicitação.
• As tabelas logs de requisição e logs de avaliação processam e formatam os dados da tabela de carga útil. Isso requer tempo adicional.
• Se necessário, você pode extrair e processar manualmente os dados da tabela de carga útil.
• As alterações na tabela de dados (exclusões ou atualizações) não são sincronizadas automaticamente com as tabelas derivadas.

O que está mudando?

O Databricks não preenche mais 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.

Migre para o MLflow 3 e use o rastreamento em tempo real para unificar os logs dos agentes.

Databricks recomenda fortemente a migração do endpoint do agente para usar MLflow 3. O rastreamento em tempo real MLflow 3 elimina a necessidade de tabelas request_logs e assessment_logs separadas, unificando todos os logs do agente em um único local de rastreamento.

	Observabilidade Legada	Observabilidade do MLflow 3
Latência na coleta de dados	1 hora ou mais	<10s
Organização de dados	Os rastros e o feedback do usuário (avaliações) são extraídos em tabelas separadas do Unity Catalog (request_logs e assessment_logs).	Todos os seus dados relacionados à observabilidade, como registros, feedback e avaliações, podem ser facilmente acessados no mesmo experimento.
Coleta de Feedback	Não possui muito apoio. Utiliza a API de feedback experimental, que insere dados na tabela de inferência de carga útil.	MLflow 3 fornece APIs simplificadas para executar avaliações, rotulagem humana e gerenciamento de conjuntos de dados de avaliação.
Monitoramento	Não possui muito apoio. O suporte é limitado ao monitoramento legado, agora obsoleto, que se restringia aos juízes integrados legados e aos juízes de diretrizes, e não possui suporte a métricas personalizadas. O monitoramento legado da execução se baseia nos logs de solicitações de carga útil, o que significa que as respostas do seu agente levarão mais de uma hora para serem avaliadas.	O monitoramento está integrado nativamente ao MLflow 3, sendo compatível com qualquer Scorer: marcadores integrados Avaliador de código personalizado Juízes personalizados Inclui recursos de preenchimento retroativo para aplicar novas métricas a registros históricos. Os dados são lidos do MLflow para avaliação, reduzindo a latência do monitoramento para 15 a 30 minutos.

MLflow 3 associa avaliações a rastreamentos e, em seguida, logs os rastreamentos no servidor de rastreamento MLflow juntamente com todos os logs de carga útil, resposta e etapas intermediárias. Consulte Avaliações de registro e Conceitos e modelo de dados.

Migração os passos

1. Atualize para o MLflow 3 : Certifique-se de que seu agente esteja usando o MLflow 3.1.3. ou acima. O rastreamento será ativado automaticamente quando você implantar agentes com MLflow 3.

Python

# 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 você normalmente faria, certificando-se de que ele requer MLflow 3.1.3. ou acima. Em seguida, registre o modelo na UC.

Python

# 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, configure seu experimento MLflow antes da implantação para controlar onde os rastreamentos são registrados. Caso contrário, os rastreamentos serão registros do experimento MLflow atualmente ativo.

Python

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

nota

MLflow 3 atualmente suporta até 100.000 rastreamentos por endpoint de serviço. Se você prevê a necessidade de limites maiores, entre em contato com a equipe da sua account Databricks .

Veja agentes implantados com rastreamento para mais informações.

Opções alternativas para continuar usando o MLflow 2

importante

Os métodos alternativos MLflow 2 não suportam endpoints com monitoramento de agente ativado. Se você utiliza monitoramento, precisa migrar para o MLflow 3 e recriar seus monitores como avaliadores do MLflow 3.

Se você não puder atualizar para o MLflow 3, o Databricks continuará a preencher a tabela bruta payload . No entanto, o Databricks já não processa estes dados nas tabelas payload_requests_logs e payload_assessment_logs .

Em vez disso, Databricks gera visualizações das suas tabelas de dados que fornecem os mesmos dados formatados. Você tem duas opções para acessar esses dados. Utilize a visualização fornecida ou crie uma visualização materializada.

Opção 1: Utilize a visualização fornecida

O método mais simples é usar a visualização gerada payload_request_logs_view e payload_assessment_logs_view no lugar das tabelas obsoletas.

Essas visualizações consultam a tabela de dados para fornecer os mesmos dados formatados e funcionam imediatamente, sem necessidade de configuração.

Opcionalmente, renomeie a visualização para corresponder aos nomes originais das suas tabelas, a fim de minimizar as alterações de código.

Opção 2: Criar visão materializada

A visão fornecida (payload_request_logs_view e payload_assessment_logs_view) compute dados em tempo real consultando a tabela de carga útil. Para cenários que exigem tabelas Delta físicas, como monitoramento de tempo real, crie uma visão materializada.

Execute o seguinte Notebook para converter sua visualização em uma visualização materializada:

Criar visualização materializada para logsde inferência de agentes

Open notebook in new tab

Perguntas frequentes

O que acontece com os dados nos meus logs de solicitações e logs de avaliação existentes?

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

A minha implantação do agente falhou?

Não, suas antigas implantações de agentes continuam funcionando e suas tabelas de inferência de carga útil continuam sendo preenchidas. No entanto, após as datas de descontinuação, você não receberá dados nas tabelas request_logs e assessment_logs . Utilize a visualização fornecida ou migre para MLflow 3 para manter funcionalidades equivalentes.

Se precisar de ajuda com a migração, entre em contato com a equipe de suporte da Databricks.

O que vem a seguir?

• Implante seu agente com rastreamento usando MLflow 3.
• Saiba mais sobre as APIs de avaliação do MLflow 3.
• Configure o monitoramento de produção para a Gen AI.