Databricks 近日宣布將 OpenTelemetry 追蹤功能直接整合至其 Unity Catalog，此舉旨在為人工智慧代理提供具治理且具成本效益的雲端資料可觀察性，解決 AI 追蹤資料量龐大及傳統工具在成本與治理上的挑戰，進而簡化資料管道並深化分析能力。
Databricks 近日宣布，已將 OpenTelemetry (OTel) 追蹤功能直接整合至其 Unity Catalog，此舉旨在為人工智慧（AI）代理提供具治理且具成本效益的雲端資料可觀察性，並簡化遙測資料管道。這項整合將有助於解決 AI 代理產生的大量追蹤資料，以及傳統可觀察性工具在處理成本與治理上所面臨的挑戰。
隨著 AI 應用日益成熟並投入生產環境，透過追蹤資料來理解 AI 代理的行為變得至關重要，這包括捕捉提示（prompts）、工具呼叫（tool calls）、回應及延遲等資訊。若缺乏健全的追蹤機制，AI 代理的除錯、評估與治理將變得異常複雜。傳統的可觀察性平台，面對 AI 代理追蹤資料的規模與敏感性時，往往會遇到高昂的資料保留成本、碎片化的治理，以及需要額外資料管道才能將追蹤資料整合至分析工作流程等限制。尤其是敏感的提示資料，更使得將追蹤資料傳送至第三方 SaaS 工具時，產生資安摩擦與資料主權疑慮。
Databricks 的新整合方案將追蹤資料轉移至其 Lakehouse 架構中，將其視為首要資料集。這讓團隊能夠運用熟悉的 SQL 工具進行查詢、建立儀表板與 ETL（萃取、轉換、載入）管道，同時也能套用如個人身份資訊（PII）遮罩等細緻的治理控制。該平台也透過 Zerobus Ingest 引入一個全託管的無伺服器擷取路徑，該引擎原生支援透過 gRPC 和 REST API 的標準 OpenTelemetry 協定（OTLP），允許 OpenTelemetry 相容收集器與 MLflow 等應用框架直接匯出跨度（spans）、日誌與指標，從而無需中介的訊息傳輸總線如 Kafka，並降低營運開銷。
這種「單一儲存點」（single-sink）的架構，能將遙測資料直接串流至 Lakehouse，支援高吞吐量擷取與長期保留，同時避免 SaaS 可觀察性解決方案常見的成本壓力。透過將追蹤資料直接導入 Unity Catalog，Databricks 讓團隊能超越基礎除錯，使生產追蹤資料能立即用於分析，加速真實世界使用、模型評估與持續改進之間的迭代循環。此整合也強化了 MLflow 的評估堆疊，支援大規模離線評估與生產系統的持續監控，並在 MLflow Experiment UI 中引入原生可觀察性儀表板，提供追蹤量、錯誤、延遲、權杖使用量與成本等洞察，旨在為 AI 代理創建一個持續改進的循環。