AUDR von Chargebee ist eine offene Spezifikation und ein Instrumentierungs-Toolkit, das Agentennutzung, Rohkostentreiber und geschäftliche Zuordnungen über verteilte Laufzeiten hinweg erfasst.
Funktion und offizielle Positionierung des Produkts
AUDR (Agent Usage Detail Record) ist ein offener Standard zur Erfassung von End-to-End-Telemetrie und Kostenzuordnung für KI-Agenten-Workflows über verteilte Ausführungsebenen hinweg. Wenn ein Agent Application-Harnesses, Modell-Router und Tool-Ausführungsumgebungen durchläuft, verknüpft AUDR den reinen Rechenaufwand – wie Token-Zahlen, Tool-Aufrufe und Rechendauer – direkt mit geschäftlichen Metadaten wie Kundenkonten, Features und Betriebsumgebungen.
Der Standard basiert auf drei Kernregeln: der Erstellung einer gemeinsamen Ausführungs-ID über jede beteiligte Schicht hinweg, einer eindeutigen Feldautorität pro Datenpunkt sowie strikten Zusammenführungsregeln am Ziel-Sink. Unterstützt durch Kernbibliotheken in Python und TypeScript übermittelt AUDR Datensätze asynchron und out-of-band, ohne Prompt-Texte oder generierte Ausgaben einzusehen.
Durch offizielle Quellen belegte Anwendungsfälle
Korreliert den Ressourcenverbrauch über Router und externe Tool-Ausführungen hinweg mit Kunden- und Feature-Kennungen aus dem Application-Harness.
Überträgt strukturierte Nutzungsdatensätze direkt in lokale Speicher, Data Warehouses oder Abrechnungsendpunkte, ohne vorgegebene Preislogik zu erzwingen.
Der dokumentierte Ablauf, sofern verfügbar
Installieren Sie einen Ökosystem-Adapter oder initialisieren Sie das Kern-SDK, um Modellvervollständigungen, Embeddings, Tool-Bereiche und Rerank-Aufrufe zu überwachen.
Erzeugen Sie eine gemeinsame Run-ID im Harness und hängen Sie Laufzeitmetadaten wie Kundenkennungen und Umgebungstags an ausgehende Anfragen an.
Ermöglichen Sie es Routern und Zwischenschichten, Token-Zahlen und Rechendauer zu messen, während die gemeinsame Run-ID beibehalten wird.
Führen Sie übereinstimmende Run- und Span-Daten am vorgesehenen Ziel-Sink zusammen, wenden Sie Feldautoritätsregeln an und übergeben Sie die Ausgabe an Dateien oder Ingestion-Endpunkte.
AUDR adaptiert das Konzept von Call Detail Records aus der Telekommunikation, um Datenfragmentierung in mehrschichtigen KI-Agentenarchitekturen zu beheben. Ein Application-Harness erzeugt eine gemeinsame Run-ID und leitet diese in den Request-Metadaten nachgelagert weiter. Da zwischengeschaltete Router und Tools diese Kennung zurückgeben, können unabhängige Komponenten Betriebsmetriken melden, ohne den ursprünglichen Ausführungskontext zu verlieren.
Die Datenintegrität wird durch eine eindeutige Feldhoheit und striktes Merge-Verhalten gewahrt. Das Application-Harness besitzt die ausschließliche Autorität über Attributierungsfelder wie Kunden-IDs und Umgebungen, während Routingschichten die alleinige Hoheit über Token-Zahlen und Provider-Metriken haben. Sinks führen diese Datensätze anhand von Run- und Span-IDs zusammen, weisen widersprüchliche Einträge ab und behandeln Aktualisierungen als separate Korrekturdatensätze statt als In-Place-Mutationen.
Prüfungen mit eigenen Inhalten und Arbeitsabläufen
Welche Quellen wann geprüft wurden
Antworten auf Basis des quellengeprüften Produkteintrags
AUDR standardisiert die Erfassung von Ausführungsmetriken und Attributierungsmetadaten von Agenten über mehrere Anwendungsebenen, Router und Tools hinweg.
AUDR baut auf den semantischen GenAI-Konventionen von OpenTelemetry auf und kann Spans direkt an OpenTelemetry-Kollektoren senden, ergänzt um langlebige Übermittlungssemantiken.
Es ist keine externe Abrechnungsplattform oder ein gehostetes Backend erforderlich, da Datensätze in lokalen Dateien, Warehouses oder Observability-Systemen gespeichert werden können.
AUDR gibt Datensätze asynchron und out-of-band aus, wodurch zusätzliche synchrone Latenzen auf dem Anfragepfad vermieden werden, sofern kein optionales Pre-Flight-Budget-Gating aktiviert ist.
Adapter erfassen Ausführungs-IDs, Token-Nutzung, Tool-Aufrufe und Betriebszeiten, speichern jedoch weder Prompt-Eingaben noch generierte Modellausgaben.
