Puoi calcolare il consumo di token per modello, giorno e utente per i modelli di terze parti negli strumenti per sviluppatori AI, come Anthropic Claude Opus 5.5 e Anthropic Claude Sonnet 5.5, utilizzando Cloud Logging e Observability Analytics.
Guida rapida
Se è già stato eseguito l'upgrade del bucket di log _Default del tuo progetto per Observability Analytics, esegui la seguente query in Logging > Observability Analytics (sostituendo [PROJECT_ID] con l'ID progetto Google Cloud ) per ottenere l'utilizzo dei token per 30 giorni nei modelli Anthropic di terze parti:
SELECT
JSON_VALUE(labels.model) AS model,
COUNT(*) AS requests,
SUM(SAFE_CAST(JSON_VALUE(json_payload.metadata.promptTokenCount) AS INT64)) AS input_tokens,
SUM(SAFE_CAST(JSON_VALUE(json_payload.metadata.candidatesTokenCount) AS INT64)) AS output_tokens,
IFNULL(SUM(SAFE_CAST(JSON_VALUE(json_payload.metadata.cachedContentTokenCount) AS INT64)), 0) AS cached_tokens,
IFNULL(SUM(SAFE_CAST(JSON_VALUE(json_payload.metadata.thoughtsTokenCount) AS INT64)), 0) AS thoughts_tokens,
SUM(SAFE_CAST(JSON_VALUE(json_payload.metadata.totalTokenCount) AS INT64)) AS total_tokens
FROM
`[PROJECT_ID].global._Default._Default`
WHERE
log_id = "businessaicode.googleapis.com/inference_response"
AND JSON_VALUE(labels.model_provider) = "Anthropic"
AND timestamp >= TIMESTAMP_SUB(CURRENT_TIMESTAMP(), INTERVAL 30 DAY)
GROUP BY
model
ORDER BY
total_tokens DESC
Prima di iniziare
Prima di eseguire i passaggi del tutorial, assicurati che il progetto soddisfi i seguenti requisiti:
- Il logging dei metadati è abilitato. I controlli dell'amministratore degli strumenti per sviluppatori AI devono avere l'opzione Logging dei metadati abilitata in modo che i record
inference_responseincludano il blocco di tokenjsonPayload.metadata. - Devi disporre almeno del ruolo Visualizzatore log (
roles/logging.viewer). Il ruoloroles/logging.viewerstandard concede l'accesso SQL alla visualizzazione log_Default._Defaultutilizzata in questa guida. Per eseguire query sulla vista_Default._AllLogsè necessarioroles/logging.privateLogVieweroroles/logging.viewAccessor. - Il tuo bucket di log
_Defaultè stato aggiornato per Observability Analytics.- Nella console Google Cloud , vai a Logging > Archiviazione dei log, trova il bucket
_Defaulte controlla la colonna Observability Analytics. - Se non è abilitata, fai clic su
Altro > Esegui l'upgrade per
utilizzare Observability Analytics. L'upgrade modifica
_Defaultin loco e non può essere annullato. - Attendi la propagazione iniziale: dopo l'upgrade di un bucket, Cloud Logging impiega dai 30 ai 60 minuti per aggiornare le cache di routing per le nuove voci di log e diverse ore per eseguire il backfill dei log storici (il backfill inizia un'ora dopo il completamento dell'upgrade).
- Nella console Google Cloud , vai a Logging > Archiviazione dei log, trova il bucket
Come è strutturato il record di log
Ogni chiamata di inferenza genera una singola voce InferenceResponseLog nel log businessaicode.googleapis.com%2Finference_response. L'identità del modello viene registrata in labels, mentre i conteggi dei token vengono registrati in jsonPayload.metadata:
{
"logName": "projects/[PROJECT_ID]/logs/businessaicode.googleapis.com%2Finference_response",
"timestamp": "2026-10-07T17:23:03.495323480Z",
"labels": {
"model": "claude-sonnet-5-5",
"model_provider": "Anthropic",
"client_name": "antigravity_cli",
"user_id": "user:user@example.com",
"trajectory_id": "25cd0b58-58ea-4beb-b2d7-42e0d3fdd96d",
"request_id": "25cd0b58-58ea-4beb-b2d7-42e0d3fdd96d-19"
},
"jsonPayload": {
"@type": "type.googleapis.com/google.cloud.businessaicode.logging.v1.InferenceResponseLog",
"metadata": {
"promptTokenCount": "70825",
"cachedContentTokenCount": "69079",
"candidatesTokenCount": "14215",
"totalTokenCount": "85040"
}
}
}
Riferimento dei campi e regole di conteggio
| Campo LogEntry (Esplora log e metriche basate su log) | Espressione SQL (Observability Analytics) | Descrizione |
|---|---|---|
labels.model |
JSON_VALUE(labels.model) |
Identificatore del modello (ad esempio, claude-sonnet-5-5 per Anthropic Claude Sonnet 5.5 o claude-opus-5-5 per Anthropic Claude Opus 5.5). |
labels.model_provider |
JSON_VALUE(labels.model_provider) |
Nome del provider (ad esempio Anthropic o Google). |
labels.user_id |
JSON_VALUE(labels.user_id) |
Entità autenticata (ad esempio user:user@example.com). |
labels.trajectory_id |
JSON_VALUE(labels.trajectory_id) |
ID della conversazione o della traiettoria dell'agente. Un turno utente in genere comprende più chiamate request_id in un unico trajectory_id. |
jsonPayload.metadata.promptTokenCount |
SAFE_CAST(JSON_VALUE(json_payload.metadata.promptTokenCount) AS INT64) |
Token di input totali per la chiamata (inclusi i token memorizzati nella cache). |
jsonPayload.metadata.cachedContentTokenCount |
SAFE_CAST(JSON_VALUE(json_payload.metadata.cachedContentTokenCount) AS INT64) |
Sottoinsieme di promptTokenCount fornito dalla cache dei prompt. Omesso se pari a zero. Non aggiungere a promptTokenCount o totalTokenCount. |
jsonPayload.metadata.candidatesTokenCount |
SAFE_CAST(JSON_VALUE(json_payload.metadata.candidatesTokenCount) AS INT64) |
Token di output generati dal modello. |
jsonPayload.metadata.thoughtsTokenCount |
SAFE_CAST(JSON_VALUE(json_payload.metadata.thoughtsTokenCount) AS INT64) |
Token di ragionamento, se applicabili. Ometti per i modelli Anthropic. |
jsonPayload.metadata.totalTokenCount |
SAFE_CAST(JSON_VALUE(json_payload.metadata.totalTokenCount) AS INT64) |
Totale autorevole per la chiamata. Equivale a promptTokenCount + candidatesTokenCount (+ thoughtsTokenCount se presente). |
Passaggio 1: verifica i log in entrata in Esplora log
Prima di eseguire query SQL, verifica che i record inference_response con i metadati dei token arrivino nel tuo progetto:
- Nella console Google Cloud , apri Logging > Esplora log.
Incolla la seguente query nell'editor di query, sostituendo
[PROJECT_ID]con il tuo ID progetto:logName="projects/[PROJECT_ID]/logs/businessaicode.googleapis.com%2Finference_response" labels.model_provider="Anthropic"Fai clic su Esegui query.
Nel riquadro Campi di log, fai clic su modello per visualizzare la distribuzione delle richieste tra i modelli Anthropic. Questa visualizzazione conteggia le richieste, non i token.
Passaggio 2: somma i token per modello in Observability Analytics
- Nella console Google Cloud , apri Logging > Observability Analytics.
- Imposta il selettore dell'intervallo di tempo su Ultimi 30 giorni (il selettore dell'intervallo di tempo limita i risultati della query oltre alla clausola SQL
WHERE). Incolla ed esegui la seguente query, sostituendo
[PROJECT_ID]con il tuo ID progetto:SELECT JSON_VALUE(labels.model) AS model, COUNT(*) AS requests, SUM(SAFE_CAST(JSON_VALUE(json_payload.metadata.promptTokenCount) AS INT64)) AS input_tokens, SUM(SAFE_CAST(JSON_VALUE(json_payload.metadata.candidatesTokenCount) AS INT64)) AS output_tokens, IFNULL(SUM(SAFE_CAST(JSON_VALUE(json_payload.metadata.cachedContentTokenCount) AS INT64)), 0) AS cached_tokens, IFNULL(SUM(SAFE_CAST(JSON_VALUE(json_payload.metadata.thoughtsTokenCount) AS INT64)), 0) AS thoughts_tokens, SUM(SAFE_CAST(JSON_VALUE(json_payload.metadata.totalTokenCount) AS INT64)) AS total_tokens FROM `[PROJECT_ID].global._Default._Default` WHERE log_id = "businessaicode.googleapis.com/inference_response" AND JSON_VALUE(labels.model_provider) = "Anthropic" AND timestamp >= TIMESTAMP_SUB(CURRENT_TIMESTAMP(), INTERVAL 30 DAY) GROUP BY model ORDER BY total_tokens DESC
Passaggio 3: formule SQL comuni
Utilizza le seguenti query SQL in Logging > Observability Analytics per analizzare le tendenze giornaliere dei token e l'attribuzione dei token per utente.
Tendenza giornaliera dei token per modello
SELECT
TIMESTAMP_TRUNC(timestamp, DAY) AS day,
JSON_VALUE(labels.model) AS model,
COUNT(*) AS requests,
SUM(SAFE_CAST(JSON_VALUE(json_payload.metadata.totalTokenCount) AS INT64)) AS total_tokens
FROM
`[PROJECT_ID].global._Default._Default`
WHERE
log_id = "businessaicode.googleapis.com/inference_response"
AND JSON_VALUE(labels.model_provider) = "Anthropic"
AND timestamp >= TIMESTAMP_SUB(CURRENT_TIMESTAMP(), INTERVAL 30 DAY)
GROUP BY
day, model
ORDER BY
day DESC, total_tokens DESC
Attribuzione per utente e per modello
SELECT
JSON_VALUE(labels.user_id) AS user_id,
JSON_VALUE(labels.model) AS model,
COUNT(*) AS requests,
SUM(SAFE_CAST(JSON_VALUE(json_payload.metadata.totalTokenCount) AS INT64)) AS total_tokens
FROM
`[PROJECT_ID].global._Default._Default`
WHERE
log_id = "businessaicode.googleapis.com/inference_response"
AND JSON_VALUE(labels.model_provider) = "Anthropic"
AND JSON_VALUE(labels.user_id) IS NOT NULL
AND timestamp >= TIMESTAMP_SUB(CURRENT_TIMESTAMP(), INTERVAL 30 DAY)
GROUP BY
user_id, model
ORDER BY
total_tokens DESC
Passaggio 4: fissa un grafico a una dashboard di Cloud Monitoring
Per la creazione di dashboard hai due opzioni, a seconda che tu abbia bisogno di analisi SQL storiche o ad hoc o di una metrica continua leggera:
| Approccio | Ideale per | Conserva la cronologia per più di 30 giorni? | Supporta il raggruppamento user_id? |
|---|---|---|---|
| Opzione A: salva il grafico SQL da Observability Analytics | Tabelle e grafici per modello, giornalieri e per utente senza configurazione delle metriche | Limitato dalla conservazione del bucket di log (30 giorni per impostazione predefinita) | Sì (nessun limite di cardinalità) |
| Opzione B: metrica di distribuzione basata su log | Serie temporali di monitoraggio continuo e avvisi su etichette a bassa cardinalità | Sì (archiviati in Monitoring) | No (la cardinalità elevata esaurisce la quota di metriche) |
Opzione A: salva direttamente da Observability Analytics
- Esegui la query del passaggio 2 o la query Tendenza giornaliera dei token per modello in Observability Analytics.
- Se vuoi un grafico a barre o una serie temporale visiva, cambia il riquadro dei risultati da Tabella a Grafico.
- Nella barra degli strumenti del riquadro dei risultati, fai clic su Salva nella dashboard, quindi scegli una dashboard di Monitoring esistente o creane una nuova.
Opzione B: crea una metrica di distribuzione basata su log
- Nella console Google Cloud , vai a Logging > Metriche basate su log, quindi fai clic su Crea metrica.
- Seleziona Distribuzione come tipo di metrica.
- Incolla la query del passaggio 1 nel campo Filtro e imposta Nome campo su
jsonPayload.metadata.totalTokenCount. - Aggiungi due etichette:
modelmappato alabels.modelmodel_providermappato alabels.model_provider