Gemini Code Assist-Messwerte mit Logging generieren

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

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 in den letzten 28 Tagen auflisten:

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

    gcloud components update

  2. Lesen Sie die Logeinträge zu Gemini Code Assist-Nutzern und zur Nutzung:

    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 auf Tagesbasis eindeutig identifizieren.

    Die Ausgabe sieht in 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 gezeigt, wie Sie mithilfe der Monitoring-Funktion Diagramme zur täglichen Nutzung erstellen, die die Gesamtzahl der täglich aktiven Gemini Code Assist-Nutzer und die Anzahl ihrer Anfragen pro Tag enthalten.

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

    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 Messwert erstellen aus.

      Das Dialogfeld Logbasierten Messwert erstellen wird angezeigt.

    4. Konfigurieren Sie die folgenden Messwertdetails:

      • Der Messwerttyp muss auf Zähler festgelegt sein.
      • Geben Sie dem Messwert den Namen code_assist_example.

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

        Informationen zum Generieren von Monitoring-Messwerten aus Ihren Protokolldaten 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 Banner auf Im Metrics Explorer ansehen.

      Der Metrics Explorer wird geöffnet und ein vorkonfiguriertes Diagramm wird angezeigt.

  2. So speichern Sie das Diagramm in einem Dashboard:

    1. Klicken Sie in der Symbolleiste auf Diagramm speichern.
    2. Optional: Aktualisieren Sie den Diagrammtitel.
    3. Wählen Sie im Menü Dashboard ein vorhandenes benutzerdefiniertes Dashboard aus oder erstellen Sie ein neues.
    4. Klicken Sie auf Diagramm speichern.

Nutzung mit BigQuery analysieren

In den folgenden Schritten wird gezeigt, wie Sie Ihre Protokolldaten mit BigQuery analysieren.

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

  • Erstellen Sie eine Logsenke und exportieren Sie Ihre Protokolldaten in ein BigQuery-Dataset.
  • Aktualisieren Sie den Log-Bucket, in dem Ihre Protokolldaten gespeichert werden, auf Log Analytics und erstellen Sie dann ein verknüpftes BigQuery-Dataset.

Bei beiden Ansätzen können Sie Ihre Protokolldaten mit SQL abfragen und 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 den Preisen. Weitere Informationen finden Sie unter Log Analytics-Preise und BigQuery-Preise.

In diesem Abschnitt wird beschrieben, wie Sie eine Log-Senke erstellen, um ausgewählte Logeinträge nach BigQuery zu exportieren. Außerdem finden Sie 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, aus dem die Logeinträge stammen, die Sie weiterleiten möchten.
  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 (Senke) die folgenden Details:

    • Wählen Sie unter Senkendienst auswählen die Option BigQuery-Dataset aus.
    • Erstellen Sie unter BigQuery-Dataset auswählen ein neues BigQuery-Dataset und geben Sie ihm den Namen code_assist_bq.

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

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

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

  8. Klicken Sie auf Senke erstellen.

Autorisieren Sie die Log-Senke, Logeinträge in das Dataset zu schreiben.

Wenn Sie Inhaberzugriff auf das BigQuery-Dataset haben, gewährt Cloud Logging der Log-Senke die erforderlichen Berechtigungen zum Schreiben von Protokolldaten.

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

Abfragen

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

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

  1. Öffnen Sie in der Google Cloud Console die Seite BigQuery.

    BigQuery aufrufen

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

  3. Wählen Sie die Tabelle mit den Antworten unter dem Symbol code_assist_bq_dataset aus, klicken Sie auf das Symbol  und dann auf ID kopieren, um die Datensatz-ID zu generieren. Notieren Sie sich diese, damit Sie sie in den folgenden Abschnitten als Variable GENERATED_BIGQUERY_TABLE 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 zur BigQuery-Antworttabelle, den Sie in den vorherigen Schritten zum Erstellen eines Sinks notiert haben.

Nutzer insgesamt 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 nach 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

Aggregierte Anfragen 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