BigQuery 回调处理器

> Google BigQuery 是一个无服务器且经济高效的企业数据仓库，可跨云运行并随数据扩展。

该 BigQueryCallbackHandler 允许您将 LangChain 和 LangGraph 中的事件记录到 Google BigQuery。这对于监控、审计和分析 LLM 应用程序的性能非常有用。

主要功能： - **LangGraph 支持**：自动检测 LangGraph 节点及 AGENT_STARTING / AGENT_COMPLETED 事件和顶级 INVOCATION_STARTING / INVOCATION_COMPLETED 边界（词汇与 Google ADK 的 BigQueryAgentAnalyticsPlugin) - **自动创建的 analytics 视图**：每个事件类型一列 CREATE OR REPLACE VIEW 个类型化列（v_llm_response.usage_total_tokens 而不是 JSON_VALUE(...)) - **自动 schema 升级**：追加式 ALTER TABLE ADD COLUMN 在现有表上，由 schema-version 标签控制，因此每个版本最多运行一次 - **子代理归属**： agent BigQuery 列从 langgraph_node 自动派生（当没有显式 agent 在元数据中设置时），因此多代理图按子代理标记，无需用户更改 - **丰富的 LLM 遥测**：token 使用（prompt_tokens / completion_tokens / total_tokens / cached_content_token_count), model_version、完整 usage_metadata, cache_metadata加上 llm_config （temperature、top_p、…）和 tools on LLM_REQUEST - **延迟追踪**：内置延迟测量，用于所有 LLM 和工具调用 - **事件过滤**: configurable allowlist / denylist plus an opt-in skip_internal_chain_events 启发式算法，可丢弃嘈杂的框架链（ChannelWrite, RunnableLambda、…），而不破坏追踪连续性 - **图上下文管理器**：显式 INVOCATION_* 边界和精确计时 - **flush() 在请求之间**：排空队列而不关闭处理器 - **实时仪表板**：带实时事件流 FastAPI 监控 Web 应用

安装

您需要安装 langchain-google-community 以及 bigquery 额外依赖项。对于此示例，您还需要 langchain-google-genai 和 langgraph.

pip install "langchain-google-community[bigquery]" langchain langchain-google-genai langgraph

前提条件

1. **Google Cloud 项目** 启用 **BigQuery API** enabled. 2. **BigQuery 数据集**：在使用回调处理器之前创建一个数据集来存储日志表。回调处理器会在数据集内自动创建必要的事件表（如果该表不存在）。 3. **Google Cloud Storage 存储桶（可选）**：如果您计划记录多模态内容（图像、音频等），建议创建 GCS 存储桶以卸载大文件。 4. **身份验证**: - 本地：运行 gcloud auth application-default login. - 云端：确保您的服务账号具有所需的权限。

IAM 权限

为使回调处理器正常工作，运行应用程序的主体（例如服务账号、用户账号）需要具有以下 Google Cloud 角色：

• - roles/bigquery.jobUser 在项目级别运行 BigQuery 查询。
• - roles/bigquery.dataEditor at Table Level to write log/event data.
• - 如果使用 GCS 卸载： roles/storage.objectCreator 和 roles/storage.objectViewer 在目标存储桶上。

与 LangGraph agent 配合使用

要将 BigQueryCallbackHandler 与 LangGraph agent 配合使用，请使用您的 Google Cloud 项目 ID 和数据集 ID 实例化它。处理器会在首次运行时创建事件表（以及按事件类型划分的分析视图）。使用 graph_context() 方法跟踪顶级调用边界——它会在进入时发出 INVOCATION_STARTING ，在异常时发出 INVOCATION_COMPLETED (or INVOCATION_ERROR ），并提供准确的延迟。

通过 session_id, user_id中的 agent 字典传递 metadata （以及可选的） config 对象来调用 agent 时。如果 agent 未设置，处理器会从 metadata['langgraph_node'] 自动派生，以便正确归因每个子 agent 的事件。

from datetime import datetime

from langchain.agents import create_agent
from langchain.messages import HumanMessage
from langchain.tools import tool
from langchain_google_community.callbacks.bigquery_callback import (
    BigQueryCallbackHandler,
    BigQueryLoggerConfig,
)
from langchain_google_genai import ChatGoogleGenerativeAI

# 1. Define tools for the agent
@tool
def get_current_time() -> str:
    """Returns the current local time."""
    now = datetime.now()
    return f"Current time: {now.strftime('%I:%M:%S %p')} on {now.strftime('%B %d, %Y')}"

@tool
def get_weather(city: str) -> str:
    """Returns the current weather for a specific city."""
    # Simulated weather data (use real API in production)
    weather_data = {
        "new york": {"temp": 22, "condition": "Clear"},
        "tokyo": {"temp": 24, "condition": "Sunny"},
        "london": {"temp": 14, "condition": "Overcast"},
    }
    city_lower = city.lower()
    if city_lower in weather_data:
        data = weather_data[city_lower]
        return f"Weather in {city.title()}: {data['temp']}°C, {data['condition']}"
    return f"Weather data for '{city}' not available."

@tool
def convert_currency(amount: float, from_currency: str, to_currency: str) -> str:
    """Convert an amount between currencies."""
    rates = {"USD": 1.0, "EUR": 1.08, "GBP": 1.27, "JPY": 0.0067}
    from_curr, to_curr = from_currency.upper(), to_currency.upper()
    if from_curr not in rates or to_curr not in rates:
        return f"Unknown currency"
    result = amount * rates[from_curr] / rates[to_curr]
    return f"{amount} {from_curr} = {result:.2f} {to_curr}"

def run_agent_example(project_id: str):
    """Run a LangGraph agent with BigQuery logging."""

    dataset_id = "agent_analytics"

    # 2. Configure the callback handler.
    # `table_id` defaults to "agent_events"; pass it explicitly only if you
    # want a different table. The handler creates the table and the
    # per-event-type `v_*` analytics views on first run.
    config = BigQueryLoggerConfig(
        batch_size=1,
        batch_flush_interval=0.5,
        custom_tags={"env": "prod", "service": "travel"},  # static tags on every event
    )

    handler = BigQueryCallbackHandler(
        project_id=project_id,
        dataset_id=dataset_id,
        config=config,
        graph_name="travel_assistant",  # used for INVOCATION_* events + root_agent_name
    )

    # 3. Create the LLM and agent
    # Use project parameter for Vertex AI, or api_key for Gemini Developer API
    llm = ChatGoogleGenerativeAI(
        model="gemini-2.5-flash",
        project=project_id,  # For Vertex AI
    )
    tools = [get_current_time, get_weather, convert_currency]
    agent = create_agent(llm, tools)

    # 4. Run with graph_context for INVOCATION_STARTING / INVOCATION_COMPLETED
    query = "What time is it? What's the weather in Tokyo? How much is 100 USD in EUR?"

    run_metadata = {
        "session_id": "session-001",
        "user_id": "user-123",
        # `agent` is optional — when omitted the handler falls back to
        # metadata['langgraph_node'] for per-sub-agent attribution.
    }

    with handler.graph_context("travel_assistant", metadata=run_metadata):
        result = agent.invoke(
            {"messages": [HumanMessage(content=query)]},
            config={
                "callbacks": [handler],
                "metadata": run_metadata,
            },
        )

    print(f"Response: {result['messages'][-1].content}")

    # 5. Block until pending rows are written (between request boundaries).
    # Does NOT shut the handler down — subsequent invocations still work.
    handler.flush(timeout=5.0)

    # 6. Final cleanup at process exit.
    handler.shutdown()

if __name__ == "__main__":
    project_id = os.environ.get("GCP_PROJECT_ID", "your-project-id")
    run_agent_example(project_id)

配置选项

您可以使用 BigQueryLoggerConfig.

自定义回调处理器。要禁止处理器将数据记录到 BigQuery 表，请将此参数设置为 False.

自动创建 BigQuery 表时用于聚类的字段。

用于卸载大内容（图像、blob、大文本）的 GCS 存储桶名称。如果未提供，大内容可能会被截断或替换为占位符。

BigQuery 连接 ID（例如 us.my-connection）用作 ObjectRef 列的授权者。配合 BigQuery ML 使用 ObjectRef 时需要此参数。

（500 KB）在卸载到 GCS（如已配置）或截断之前，要以内联方式存储在 BigQuery 中的文本内容的最大长度（字符数）。

写入 BigQuery 之前要批量处理的事件数。

刷新部分批次之前的最大等待时间（秒）。

关闭时等待日志刷新的秒数。

要记录的事件类型列表。如果 None，除了以下事件外记录所有事件 event_denylist.

要跳过记录的事件类型列表。

是否记录详细的内容部分（包括 GCS 引用）。

如果未向回调处理程序构造函数显式提供，则使用的默认表 ID。

写入 BigQuery 失败时的重试逻辑配置（最大重试次数、延迟、倍数）。

在丢弃新事件之前，内部缓冲区队列中可容纳的最大事件数。

当 True，丢弃 CHAIN_* 框架内部 Runnables 发出的事件（ChannelWrite, ChannelRead, Branch, RunnableLambda, RunnableSequence, RunnableParallel, RunnableAssign, RunnablePassthrough, RunnableBinding, Pregel, __start__, __end__). Skipped runs are still registered in the trace registry so child LLM/tool events keep the real graph root as their trace_id （无断开的追踪）。每次抑制都记录一条 DEBUG 行，以便审计启发式算法。

静态标签写入 attributes.custom_tags 每行事件。可用于按部署、群组或实验分割仪表板（例如： {"env": "prod", "agent_role": "sales"}).

当 True，转储用户提供的 RunnableConfig 元数据（减去我们已经提升为一类列的键，例如 session_id, user_id, agent, langgraph_node）在 attributes.session_metadata.

可选 (raw_content, event_type) -> formatted 在内容解析前调用的钩子。用于 PII 重标识或强制自定义负载。失败时回退到原始内容并发出警告——格式化程序无法破坏代理。

当 True，以追加方式 ALTER TABLE ADD COLUMN 此处理程序未来版本添加到事件架构的任何新字段。由一个 langchain_bq_schema_version 表标签控制，以便差异最多每个架构版本运行一次。永不删除、重命名或更改列类型。

当 True，自动 CREATE OR REPLACE 在事件表旁边按事件类型创建分析视图。每个视图将 JSON 列展开为类型化的顶级列（见 自动创建的分析视图 下文）。

自动创建视图名称的前缀（v_llm_request, v_tool_completed，…）。当多个处理程序实例共享一个数据集时，按表设置以避免冲突。

以下代码示例展示如何定义具有事件过滤功能的 BigQuery 回调处理程序配置：

from langchain_google_community.callbacks.bigquery_callback import (
    BigQueryCallbackHandler,
    BigQueryLoggerConfig,
)

# 1. Configure BigQueryLoggerConfig
config = BigQueryLoggerConfig(
    enabled=True,
    event_allowlist=["LLM_REQUEST", "LLM_RESPONSE"],  # Only log these specific events
    shutdown_timeout=10.0,  # Wait up to 10s for logs to flush on exit
    max_content_length=500,  # Truncate content to 500 characters
)

# 2. Initialize the Callback Handler
handler = BigQueryCallbackHandler(
    project_id="your-project-id",
    dataset_id="your_dataset",
    table_id="your_table",
    config=config,
)

架构和生产环境设置

如果表不存在，插件会自动创建该表。但是，对于生产环境，我们建议使用以下 DDL 手动创建表，该语句利用了 **JSON** 类型以提高灵活性，以及 **REPEATED RECORD**用于多模态内容。

推荐的 DDL：

CREATE TABLE `your-gcp-project-id.adk_agent_logs.agent_events`
(
  timestamp TIMESTAMP NOT NULL OPTIONS(description="The UTC timestamp when the event occurred."),
  event_type STRING OPTIONS(description="The category of the event."),
  agent STRING OPTIONS(description="The name of the agent."),
  session_id STRING OPTIONS(description="A unique identifier for the conversation session."),
  invocation_id STRING OPTIONS(description="A unique identifier for a single turn."),
  user_id STRING OPTIONS(description="The identifier of the end-user."),
  trace_id STRING OPTIONS(description="OpenTelemetry trace ID."),
  span_id STRING OPTIONS(description="OpenTelemetry span ID."),
  parent_span_id STRING OPTIONS(description="OpenTelemetry parent span ID."),
  content JSON OPTIONS(description="The primary payload of the event."),
  content_parts ARRAY<STRUCT<
    mime_type STRING,
    uri STRING,
    object_ref STRUCT<
      uri STRING,
      version STRING,
      authorizer STRING,
      details JSON
    >,
    text STRING,
    part_index INT64,
    part_attributes STRING,
    storage_mode STRING
  >> OPTIONS(description="For multi-modal events, contains a list of content parts."),
  attributes JSON OPTIONS(description="Arbitrary key-value pairs."),
  latency_ms JSON OPTIONS(description="Latency measurements."),
  status STRING OPTIONS(description="The outcome of the event."),
  error_message STRING OPTIONS(description="Detailed error message."),
  is_truncated BOOLEAN OPTIONS(description="Flag indicating if content was truncated.")
)
PARTITION BY DATE(timestamp)
CLUSTER BY event_type, agent, user_id;

自动创建的分析视图

当处理程序创建事件表时，它还会创建一个 CREATE OR REPLACE VIEW 每个事件类型在其旁边（由 create_views控制，默认 True）。每个视图将 JSON 列展开为 类型化的顶层列，这样分析查询就不必每次都拼写 JSON_VALUE(...) 每次：

-- With the auto-view
SELECT agent, SUM(usage_total_tokens) AS tokens
FROM `PROJECT.DATASET.v_llm_response`
GROUP BY agent;

-- Equivalent against the raw table
SELECT agent,
       SUM(CAST(JSON_VALUE(attributes, '$.usage.total_tokens') AS INT64)) AS tokens
FROM `PROJECT.DATASET.agent_events`
WHERE event_type = 'LLM_RESPONSE'
GROUP BY agent;

默认视图名称（可通过以下方式配置 view_prefix）以及类型化的 列，每个视图在始终包含的列之上添加：

每个视图还公开原始表中的始终包含的列 (timestamp, event_type, agent, session_id, invocation_id, user_id, trace_id, span_id, parent_span_id, status, error_message, is_truncated）加上从 attributes JSON: root_agent_name, custom_tags, session_metadata.

自动模式升级

现有表在处理程序模式获得新列时以追加方式自动升级 。处理程序在启动时读取表并运行 ALTER TABLE ADD COLUMN 用于任何新字段，由 langchain_bq_schema_version 表标签控制，这样差异运行最多一次 每个模式版本。 **从不** 删除、重命名或重新类型化列。 使用以下方式禁用 auto_schema_upgrade=False.

子代理归因

对于多代理 LangGraph 部署， agent BigQuery 列是 从这个备用链自动派生的：

1. metadata["agent"] — 用户提供的显式值（最高优先级） 2. metadata["langgraph_node"] — 活动的 LangGraph 节点，因此每个 子代理的事件都标记有节点名称 3. metadata["checkpoint_ns"] — LangGraph 检查点命名空间 4. handler.graph_name — 顶级回退 INVOCATION_* 事件

多智能体图（例如 supervisor → TheCritic, TheMeteo，...）因此 生成遥测数据，其中每个事件都归属于来源 子代理，无任何用户更改。

事件类型和负载

该 content 列包含一个 **JSON** 特定于 event_type. 该 content_parts 列提供内容的结构化视图，对于图像或卸载的数据特别有用。

LLM 交互

这些事件跟踪发送给 LLM 的原始请求和从 LLM 接收的响应。

子代理（LangGraph 节点）和调用生命周期

这些事件来自 LangGraph 的节点和图上下文生命周期。 agent 自动派生自 metadata['langgraph_node'] 当没有 显式 agent 被设置时，因此事件按子代理标记。

工具使用

这些事件跟踪代理执行工具的情况。工具名称在 中也有显示， attributes.tool_name 并且（对于自动视图）作为 类型化 tool_name column.

链执行

这些事件为非图的 LangChain Runnable 生命周期触发（图 调用和 LangGraph 节点使用 INVOCATION_* / AGENT_* 事件 上面列出的代替）。

检索器使用

这些事件跟踪检索器的执行。

代理操作

这些事件来自旧版 LangChain AgentExecutor风格代理 (on_agent_action / on_agent_finish）。 data 字段包含 JSON-serialized string of the action / finish payload.

其他事件

高级分析查询

一旦您的代理运行并记录事件，您可以对 agent_events table.

### 1. 重建追踪（对话轮次） 使用 trace_id 将所有事件（链、LLM、工具）分组到单个执行流程中。

SELECT
  timestamp,
  event_type,
  span_id,
  parent_span_id,
  -- Extract summary or specific content based on event type
  COALESCE(
    JSON_VALUE(content, '$.messages[0].content'),
    JSON_VALUE(content, '$.summary'),
    JSON_VALUE(content)
  ) AS summary,
  JSON_VALUE(latency_ms, '$.total_ms') AS duration_ms
FROM
  `your-gcp-project-id.adk_agent_logs.agent_events`
WHERE
    -- Replace with a specific trace_id from your logs
  trace_id = '019bb986-a0db-7da1-802d-2725795ab340'
ORDER BY
  timestamp ASC;

### 2. 分析 LLM 延迟和令牌使用情况 计算 LLM 调用的平均延迟和总令牌使用量。

SELECT
  JSON_VALUE(attributes, '$.model') AS model,
  COUNT(*) AS total_calls,
  AVG(CAST(JSON_VALUE(latency_ms, '$.total_ms') AS FLOAT64)) AS avg_latency_ms,
  SUM(CAST(JSON_VALUE(attributes, '$.usage.total_tokens') AS INT64)) AS total_tokens
FROM
  `your-gcp-project-id.adk_agent_logs.agent_events`
WHERE
  event_type = 'LLM_RESPONSE'
GROUP BY
  1;

3. 使用 BigQuery 远程模型（Gemini）分析多模态内容

如果您将图像卸载到 GCS，可以使用 BigQuery ML 直接分析它们。

SELECT
  logs.session_id,
  -- Get a signed URL for the image (optional, for viewing)
  STRING(OBJ.GET_ACCESS_URL(parts.object_ref, "r").access_urls.read_url) as signed_url,
  -- Analyze the image using a remote model (e.g., gemini-2.5-flash)
  AI.GENERATE(
    ('Describe this image briefly. What company logo?', parts.object_ref)
  ) AS generated_result
FROM
  `your-gcp-project-id.adk_agent_logs.agent_events` logs,
  UNNEST(logs.content_parts) AS parts
WHERE
  parts.mime_type LIKE 'image/%'
ORDER BY logs.timestamp DESC
LIMIT 1;

### 4. 分析跨度层次结构和持续时间 使用 span ID 可视化您代理的操作执行流程和性能（LLM 调用、工具使用）。

SELECT
  span_id,
  parent_span_id,
  event_type,
  timestamp,
  -- Extract duration from latency_ms for completed operations
  CAST(JSON_VALUE(latency_ms, '$.total_ms') AS INT64) as duration_ms,
  -- Identify the specific tool or operation
  COALESCE(
    JSON_VALUE(content, '$.tool'),
    'LLM_CALL'
  ) as operation
FROM `your-gcp-project-id.adk_agent_logs.agent_events`
WHERE trace_id = 'your-trace-id'
  AND event_type IN ('LLM_RESPONSE', 'TOOL_COMPLETED')
ORDER BY timestamp ASC;

5. 查询卸载的内容（获取签名 URL）

SELECT
  timestamp,
  event_type,
  part.mime_type,
  part.storage_mode,
  part.object_ref.uri AS gcs_uri,
  -- Generate a signed URL to read the content directly (requires connection_id configuration)
  STRING(OBJ.GET_ACCESS_URL(part.object_ref, 'r').access_urls.read_url) AS signed_url
FROM `your-gcp-project-id.adk_agent_logs.agent_events`,
UNNEST(content_parts) AS part
WHERE part.storage_mode = 'GCS_REFERENCE'
ORDER BY timestamp DESC
LIMIT 10;

6. 高级 SQL 场景

这些高级模式展示了如何使用 BigQuery ML 对数据进行会话化分析、工具使用分析以及执行根本原因分析。

-- 1. Sessionize Conversation History (Create View)
-- Consolidates all events into a single row per session with a formatted history.
CREATE OR REPLACE VIEW `your-project.your-dataset.agent_sessions` AS
SELECT
  session_id,
  user_id,
  MIN(timestamp) AS session_start,
  MAX(timestamp) AS session_end,
  ARRAY_AGG(
    STRUCT(timestamp, event_type, TO_JSON_STRING(content) as content, error_message)
    ORDER BY timestamp ASC
  ) AS events,
  STRING_AGG(
      CASE
          -- LLM_REQUEST carries the user's prompt under content.messages
          WHEN event_type = 'LLM_REQUEST' THEN CONCAT('User: ', JSON_VALUE(content, '$.summary'))
          WHEN event_type = 'LLM_RESPONSE' THEN CONCAT('Agent: ', JSON_VALUE(content, '$.summary'))
          WHEN event_type = 'TOOL_STARTING' THEN CONCAT('SYS: Calling ', JSON_VALUE(content, '$.tool'))
          WHEN event_type = 'TOOL_COMPLETED' THEN CONCAT('SYS: Result from ', JSON_VALUE(content, '$.tool'))
          WHEN event_type = 'TOOL_ERROR' THEN CONCAT('SYS: ERROR in ', JSON_VALUE(content, '$.tool'))
          ELSE NULL
      END,
      '\n' ORDER BY timestamp ASC
  ) AS full_conversation
FROM
  `your-project.your-dataset.agent_events`
GROUP BY
  session_id, user_id;

-- 2. Tool Usage Analysis
-- Extract tool names from content (the auto-view `v_tool_completed`
-- exposes `tool_name` directly if you'd rather skip the JSON_VALUE).
SELECT
  JSON_VALUE(content, '$.tool') AS tool_name,
  event_type,
  COUNT(*) as count
FROM `your-project.your-dataset.agent_events`
WHERE event_type IN ('TOOL_STARTING', 'TOOL_COMPLETED', 'TOOL_ERROR')
GROUP BY 1, 2
ORDER BY tool_name, event_type;

-- 3. Granular Cost & Token Estimation
-- Estimate tokens based on content character length (approx 4 chars/token)
SELECT
  session_id,
  COUNT(*) as interaction_count,
  SUM(LENGTH(TO_JSON_STRING(content))) / 4 AS estimated_tokens,
  -- Example cost: $0.0001 per 1k tokens
  ROUND((SUM(LENGTH(TO_JSON_STRING(content))) / 4) / 1000 * 0.0001, 6) AS estimated_cost_usd
FROM `your-project.your-dataset.agent_events`
GROUP BY session_id
ORDER BY estimated_cost_usd DESC
LIMIT 5;

-- 4. AI-Powered Root Cause Analysis (Requires BigQuery ML)
-- Use Gemini to analyze failed sessions
SELECT
  session_id,
  AI.GENERATE(
    ('Analyze this conversation and explain the failure root cause. Log: ', full_conversation),
    connection_id => 'your-project.us.bqml_connection',
    endpoint => 'gemini-2.5-flash'
  ).result AS root_cause_explanation
FROM `your-project.your-dataset.agent_sessions`
WHERE error_message IS NOT NULL
LIMIT 5;

BigQuery 中的会话分析

Looker Studio 仪表板

您可以使用我们预构建的 Looker Studio 仪表板模板.

要将此仪表板连接到您自己的 BigQuery 表，请使用以下链接格式，将占位符替换为您的特定项目、数据集和表 ID：

https://lookerstudio.google.com/reporting/create?c.reportId=f1c5b513-3095-44f8-90a2-54953d41b125&ds.ds3.connector=bigQuery&ds.ds3.type=TABLE&ds.ds3.projectId=<your-project-id>&ds.ds3.datasetId=<your-dataset-id>&ds.ds3.tableId=<your-table-id>

LangGraph 集成

该 BigQueryCallbackHandler 为 LangGraph 代理提供增强支持，包括自动节点检测、图级别跟踪和延迟测量。

LangGraph 事件类型

除了标准 LangChain 事件外，回调处理器还会自动检测并记录 LangGraph 特定事件：

图上下文管理器

使用 graph_context() 方法明确标记图执行边界。这启用了 INVOCATION_STARTING 和 INVOCATION_COMPLETED 事件并提供准确的延迟测量：

from langchain.agents import create_agent
from langchain.messages import HumanMessage
from langchain_google_community.callbacks.bigquery_callback import (
    BigQueryCallbackHandler,
    BigQueryLoggerConfig,
)

# Initialize handler with graph name
handler = BigQueryCallbackHandler(
    project_id="your-project-id",
    dataset_id="agent_analytics",
    table_id="agent_events",
    graph_name="my_agent",
)

# Create your agent
agent = create_agent(llm, tools)

# Use the graph context manager for proper INVOCATION_STARTING/INVOCATION_COMPLETED events
run_metadata = {
    "session_id": "session-123",
    "user_id": "user-456",
    "agent": "my_agent",
}

with handler.graph_context("my_agent", metadata=run_metadata):
    result = agent.invoke(
        {"messages": [HumanMessage(content="What is the weather in Tokyo?")]},
        config={
            "callbacks": [handler],
            "metadata": run_metadata,
        },
    )

延迟跟踪

回调处理器自动跟踪所有操作的延迟，并将测量结果存储在 latency_ms JSON 列中：

-- Query latency by event type
SELECT
    event_type,
    agent,
    COUNT(*) as count,
    ROUND(AVG(CAST(JSON_EXTRACT_SCALAR(latency_ms, '$.total_ms') AS FLOAT64)), 2) as avg_latency_ms,
    ROUND(APPROX_QUANTILES(CAST(JSON_EXTRACT_SCALAR(latency_ms, '$.total_ms') AS FLOAT64), 100)[OFFSET(95)], 2) as p95_latency_ms
FROM `your-project.your-dataset.agent_events`
WHERE DATE(timestamp) = CURRENT_DATE()
  AND event_type IN ('LLM_RESPONSE', 'TOOL_COMPLETED', 'INVOCATION_COMPLETED')
GROUP BY event_type, agent
ORDER BY avg_latency_ms DESC;

事件过滤

使用 event_allowlist 和 event_denylist 控制记录哪些事件：

from langchain_google_community.callbacks.bigquery_callback import (
    BigQueryCallbackHandler,
    BigQueryLoggerConfig,
)

# Production config: Only log important events
config = BigQueryLoggerConfig(
    event_allowlist=[
        "LLM_RESPONSE",
        "LLM_ERROR",
        "TOOL_COMPLETED",
        "TOOL_ERROR",
        "INVOCATION_COMPLETED",
        "INVOCATION_ERROR",
    ],
)

handler = BigQueryCallbackHandler(
    project_id="your-project-id",
    dataset_id="agent_analytics",
    config=config,
)

或排除嘈杂事件：

# Exclude chain events but log everything else
config = BigQueryLoggerConfig(
    event_denylist=["CHAIN_START", "CHAIN_END"],
)

示例和资源

示例代码

以下示例演示了 BigQuery 回调处理器的各种功能：

分析笔记本

此 LangGraph 代理分析笔记本 提供全面的 BigQuery 分析查询，包括：

• - 实时事件监控
• - 工具使用分析
• - 延迟分析与趋势
• - 错误调试
• - 用户参与度指标
• - 时间序列可视化

实时监控仪表板

A 基于 FastAPI 的监控仪表板 可用于实时代理监控：

Features: - 通过服务器发送事件（SSE）的实时事件流 - 事件分布和延迟趋势的交互式图表 - 具有详细时间线视图的会话追踪 - 20 多个用于分析查询的 REST API 端点 - 每 5 秒自动刷新

# Run the dashboard
cd libs/community/examples/bigquery_callback/webapp
pip install -r requirements.txt
uvicorn main:app --port 8001
# Open http://localhost:8001

## 反馈 我们欢迎您对 BigQuery 代理分析的反馈。如有问题、建议或遇到任何问题，请通过 bqaa-feedback@google.com 联系团队。

其他资源

• - BigQuery 存储写入 API
• - 对象表简介
• - 示例代码和笔记本