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。