就在几周前，来自世界各地的超过32,000名云从业者齐聚拉斯维加斯参加Google Cloud Next 2025。除了主旨演讲、工作坊以及多场充满活力的演讲和分会，整个展览馆还设有超过500个现场演示，供与会者参观或亲身体验。我们来看看一个这样的演示！

演示的主要目标有两个。我们希望展示如何与指标和日志进行各种交互。我们还想让参会者稍微体验一下互动环节。在互动环节中，我们使用了各种大号的物理按钮和脚踏板，可以用来选择答案或确认选项。

演示流程如下所示：

• 我们请参会者输入他们想要发送给AI模型的提示。
• 该提示在后台发送给了三个不同的模型：Cloud Run上的Gemma 3、Vertex AI上的Gemini 2.0 Flash以及Vertex AI上的Gemini 2.0 Lite Flash。这产生了日志和指标数据。
• 然后，参会者被给予了关于这三个模型的小测验。每次测验输入都会产生日志和指标。
• 在测验结束时，我们向参会者展示了他们的回答，并切换到Google Cloud Console。
• 在Cloud Monitoring中，我们展示了Cloud Run提供的各种原生指标、使用OpenTelemetry实现的自定义指标以及云追踪功能。
• 最后，我们转向BigQuery，展示了如何将日志复制到数据库以使用Jupyter 笔记本进一步分析日志。

虽然演示前端在本地运行，而后端则部署为一个 Cloud Run 实例。此实例通过 Vertex AI SDK 与 Gemini 通信，并通过其自身的 Cloud Run 实例与 Gemma 通信。演示的持久状态保存在 Firestore 数据库中。所有 Cloud Run 日志通过一个简单的 sink 实时同步到 BigQuery。

云监控帮助您了解云应用程序和基础设施的性能和健康状况。它收集来自 Google Cloud 服务及其他来源的指标、事件和元数据，让您在仪表板上可视化数据并设置关键问题的警报。这有助于您主动识别和解决潜在问题，优化资源使用，提高正常运行时间，并更好地理解系统行为，最终使您的应用程序更加可靠且节省成本。

对于像 Cloud Run 这样的服务，我们正在将它用于此演示的后端，Cloud Monitoring 会自动收集一系列原生指标，无需任何设置。这包括请求延迟、请求数量、容器的 CPU 和内存使用量，以及实例数量等在内的数据。这种无需额外配置即可直接使用的集成帮助开发人员立即了解其无服务器应用的性能和资源使用情况，简化了故障排查和优化过程。

Cloud Trace 是 Google Cloud 中的一个分布式跟踪工具，帮助你了解应用及其服务间的请求延迟情况。它追踪应用不同部分处理请求的时间，并展示整个请求流程。这对于在微服务架构中找出性能瓶颈特别有用，因为它显示了请求生命周期中的时间消耗。

这里有一个真实的例子：在这次演示中，我们将提示发送给多个模型。我们确信自己正确地实现了并发性（因此对这三个不同模型的调用应该是并行的），然而，延迟似乎比预期高了很多。当我们深入查看调用的跟踪信息时，我们很快意识到我们不小心顺序执行了这些调用。这些跟踪记录是通过我们代码中添加的OpenTelemetry监控工具获得的。

在 BigQuery 中轻松互动你的日志

BigQuery 是一个无服务器的企业数据仓库，允许在不管理基础设施的情况下对大规模数据集进行超快速的 SQL 查询。它设计用于可扩展分析，支持多种类型的数据，并集成了机器学习功能，为实时和历史数据提供强大的洞察工具。

使用简单的导出，您可以将 Cloud Logging 中的日志实时传输到 BigQuery，变成一个强大的长期日志分析平台。这使您可以对大量的历史日志数据运行复杂的 SQL 查询，这对于深入的安全审计、合规性检查以及发现细微的操作趋势非常有用。

将BigQuery与Jupyter Notebooks相连，可以进一步增强日志分析能力。这使用户能够利用Python及其数据科学库进行高级数据探索、自定义可视化，并对日志数据进行机器学习，从而促进更深入的洞察，并提供超越标准日志工具的可分享和互动分析功能。

为了这个演示，我们构建了一个名为构建了一个 Jupyter Notebook的笔记本，对各种互动测验事件数据进行了分析，并将答案与外部的 Firestore 数据库进行交叉验证，并将这些结果以表格和图表的形式展示出来。

{: .img-fluid "这是一张描述性的图片，具体细节请查看链接。"}

想在家试试这个演示吗？源代码可在 GitHub 上获取。

想了解更多关于Google Cloud的可观察性吗？试试这些资源：

• 文档资料：Google Cloud 中的可观测性（Observability）。

• 在线教程资料：Google Cloud 中的可观测性（Observability）。

  [MCP]：模型上下文协议
  [LLM]：大型语言模型
  [RAG]：检索增强生成技术
  [SSE]：服务器推送事件