La integración de datos de telemetría de agentes construidos con el Agent Development Kit o con LangChain en BigQuery abre la puerta a una visión profunda del rendimiento, uso y coste de tus soluciones de IA. Es importante destacar que el primer paso consiste en habilitar la API de BigQuery y conceder a la cuenta de servicio los roles?BigQuery Job User?y?BigQuery Data Editor. Esta configuración garantiza que el agente pueda escribir de forma segura en el conjunto de datos que hayas creado dentro de tu proyecto en la nube.
Una vez establecida la conexión, el plugin de telemetría se encarga de poblar automáticamente el esquema de la tabla?agent_events?con los eventos clave: mensaje del usuario, inicio del agente, solicitud al modelo de lenguaje y respuesta generada. La experiencia nos demuestra que, al ajustar la configuración del plugin, puedes seleccionar con precisión los campos que deseas almacenar, evitando la captura de información redundante y reduciendo los costes de almacenamiento. Ejecutar una consulta sencilla en BigQuery permite validar que los datos fluyen correctamente y observar la cronología completa de cada interacción.
Con los datos ya centralizados, el siguiente paso es conectar Looker a la tabla de BigQuery mediante una conexión dedicada. El bloque?BigQuery Agent Analytics?disponible en el Marketplace de Looker simplifica este proceso: basta con indicar la conexión, el proyecto, el ID del conjunto de datos y la tabla objetivo. Una consideración clave es que, en esta fase, no se requiere conocimiento previo de LookML; los usuarios de negocio pueden acceder de inmediato a dashboards y exploraciones predefinidos, lo que acelera la adopción y reduce la fricción entre equipos de desarrollo y analítica.
Para organizaciones que buscan personalizar la solución, el bloque puede importarse como una dependencia remota en el archivo?manifest?de tu proyecto. Los archivos del bloque se importan en modo solo?lectura, por lo que es necesario trasladar las vistas y exploradores a tu propio modelo para poder modificarlos. Copiar los dashboards al proyecto local y reasignarles un modelo único permite mantener la coherencia y evitar conflictos de versiones. En este contexto, la capacidad de extender una vista mediante LookML resulta especialmente valiosa: al definir una dimensión que parsea los prompts del usuario con la función?JSON_VALUE?de BigQuery, se habilita una nueva columna disponible en los exploradores, lo que enriquece el análisis sin alterar la lógica original del bloque.
Los agentes de panel representan una evolución natural de esta arquitectura. Al conversar directamente con el dashboard, los usuarios pueden obtener respuestas que respetan los filtros aplicados, combinando la interactividad de un chatbot con la potencia analítica de Looker. Esta funcionalidad no solo mejora la experiencia del usuario final, sino que también libera al equipo de datos de consultas repetitivas, permitiendo enfocarse en problemas de mayor complejidad. Un ejemplo práctico consiste en preguntar al panel la predicción de consumo de tokens para los próximos cinco días; el agente realiza el cálculo y presenta el resultado dentro del mismo entorno visual.
En resumen, la combinación de BigQuery como almacén de telemetría y Looker como capa de visualización y exploración constituye una solución integral para monitorizar agentes de IA. Una consideración clave es planificar desde el inicio los permisos, la estructura del esquema y la estrategia de extensión del bloque, de modo que la solución sea escalable y fácil de mantener. La experiencia nos demuestra que, al adoptar este enfoque, las organizaciones pueden obtener insights accionables en tiempo real, optimizar costes y acelerar la toma de decisiones basadas en datos.
Fuente: YouTube
