Microsoft.Extensions.AI 中如何为AI调用添加用户标识追踪
2025-06-28 10:55:48作者:宣海椒Queenly
在开发基于生成式AI的应用程序时,开发者经常需要追踪特定用户的使用情况。Microsoft.Extensions.AI库提供了强大的AI功能集成,但如何将用户标识与AI调用产生的遥测数据关联起来呢?本文将深入探讨这个问题的解决方案。
用户标识追踪的重要性
在AI应用场景中,用户标识追踪对于以下方面至关重要:
- 按用户统计token消耗量
- 实现基于用户的速率限制
- 分析不同用户的使用模式
- 故障排查时关联特定用户的操作
当前解决方案的局限性
虽然可以通过自定义ChatClient实现为活动(Activity)添加用户标识标签,但这种方法存在明显不足:
- 无法自动应用于指标数据(如token消耗和操作时长)
- 需要开发者手动实现委托模式
- 缺乏标准化处理方式
改进方案探讨
理想的解决方案应该具备以下特性:
- 自动将ChatOptions.AdditionalProperties中的属性(如EndUserId)添加到追踪和指标中
- 提供明确的配置选项控制是否包含额外属性
- 保持与OpenTelemetry语义约定的一致性
临时解决方案实现
目前开发者可以采用以下临时方案添加用户标识到追踪中:
class UserIdChatClient : DelegatingChatClient
{
public UserIdChatClient(IChatClient client) : base(client) { }
public override Task<ChatCompletion> CompleteAsync(IList<ChatMessage> messages, ChatOptions options, CancellationToken cancellationToken)
{
if (Activity.Current is { } activity &&
options?.AdditionalProperties?.TryGetValue("EndUserId", out var endUserId) == true)
{
activity.SetTag("user.id", endUserId);
}
return base.CompleteAsync(messages, options, cancellationToken);
}
// 同样实现流式处理方法
}
使用时需要确保该客户端在管道中的正确位置:
services.AddChatClient(builder => builder
.UseOpenTelemetry()
.Use(client => new UserIdChatClient(client))
.Use(new OpenAIClient(...));
未来改进方向
Microsoft.Extensions.AI库未来可能会提供更原生的支持方式,例如:
- 自动将AdditionalProperties中的值作为标签添加
- 提供专门的EndUserId配置属性
- 增加配置开关控制是否包含这些额外信息
最佳实践建议
在当前阶段,建议开发者:
- 统一使用特定的属性名(如"EndUserId")存储用户标识
- 封装可重用的客户端装饰器
- 密切关注库的更新以获取原生支持
通过以上方法,开发者可以在现有技术条件下实现用户标识与AI调用数据的关联,为应用提供更精细的监控和分析能力。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust075- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
Hy3-previewHy3 preview 是由腾讯混元团队研发的2950亿参数混合专家(Mixture-of-Experts, MoE)模型,包含210亿激活参数和38亿MTP层参数。Hy3 preview是在我们重构的基础设施上训练的首款模型,也是目前发布的性能最强的模型。该模型在复杂推理、指令遵循、上下文学习、代码生成及智能体任务等方面均实现了显著提升。Python00
项目优选
收起
暂无描述
Dockerfile
689
4.46 K
Ascend Extension for PyTorch
Python
544
668
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
955
928
Claude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed.
Get Started
Rust
416
75
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
407
323
昇腾LLM分布式训练框架
Python
146
172
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
650
232
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.08 K
564
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.59 K
925
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
642
292