LLM Trace調用鏈欄位定義參考-應用即時監控服務-阿里雲

LLM Trace欄位是阿里雲參考OpenTelemetry標準以及大語言模型應用領域概念制定的，通過對Attributes、Resource、Event擴充用於描述LLM應用調用鏈資料的語義，能夠反映LLM的輸入輸出請求、令牌消耗等關鍵操作。它們為Completion、Chat、RAG、Agent、Tool等情境提供了豐富的、語境相關的語義資料，以便於資料跟蹤和上報。

此語義欄位將隨著社區的發展而不斷更新和最佳化。若應用為 Python 應用，需自行手動採集可觀測資料，您可以使用 loongsuite-util-genai 組件來協助您完成資料的採集接入。詳情參見 README。

Span一級欄位定義參考OpenTelemetry開源標準，阿里雲Managed Service for OpenTelemetry底層儲存的Trace一級欄位詳細說明，請參見調用鏈分析參數說明。

說明

LLM相關的SpanKind是一個Attribute，不同於OpenTelemetry中Trace定義的Span kind。本語義規範在 OpenTelemetry GenAI 語義規範的基礎上進行擴充，該規範在修改和完善當中，可能會在後續的維護中發生修改。

公用部分

Attributes

AttributeKey	Description	類型	樣本值	需求等級
`gen_ai.session.id`	會話ID	string	`ddde34343-f93a-4477-33333-sdfsdaf`	有條件時必須
`gen_ai.user.id`	應用的C端使用者標識	string	`u-lK8JddD`	有條件時必須
`gen_ai.span.kind`	操作類型 [1]	string	`參考LLM Span Kind`	必須
`gen_ai.operation.name`	操作二級類型 [2]	string	`參考LLM Operation Name`	必須
`gen_ai.framework`	使用的架構類型	string	`langchain`;`llama_index`	有條件時必須

[1]gen_ai.span.kind: 與gen_ai.operation.name的映射關係如下：

`gen_ai.span.kind`	`gen_ai.operation.name`	Description
RETRIEVER	`retrieval`	文檔召回
LLM	`chat`;`generate_content`;`text_completion`	模型調用
EMBEDDING	`embeddings`	嵌入
TOOL	`execute_tool`	工具調用
AGENT	`create_agent`;`invoke_agent`	智能體調用
RERANKER	-	重排序調用
CHAIN	-	鏈（調用單元）
TASK	-	任務調用
ENTRY	-	入口調用標識
STEP	-	ReAct輪次標識

[2]gen_ai.operation.name: 操作二級類型，應當來自於以下某個枚舉，或者自訂一個其他的值：

Value	Description
`chat`	對話補全操作
`create_agent`	建立 GenAI 智能體操作
`embeddings`	詞嵌入操作
`execute_tool`	調用工具操作
`generate_content`	多模態內容產生操作
`invoke_agent`	調用 GenAI 智能體操作
`retrieval`	文檔召回操作
`text_completion`	文本補全操作

Resources

ResourceKey	Description	類型	樣本值	需求等級
`service.name`	應用程式名稱	string	`test-easy-rag`	必須
`acs.cms.workspace`	CloudMonitorWorkspace	string	`arms-test`	有條件時必須
`acs.arms.service.id`	CloudMonitor服務ID	string	`ggxw4lnjuz@b63ba5a1d60b517ae374f`	有條件時必須
`ali.trace.source`	應用來源	string	`mse-gateway`;`alb`	有條件時必須
`acs.arms.service.feature`	應用特徵	string	`genai_app`	必須說明 `acs.arms.service.feature` = genai_app ，用於自動識別並標識為AI應用，在LLM或者Agent應用情境下必傳。

Chain

Chain是一種將LLM和其他多個元件連線在一起的工具，以實現複雜的任務，可能包含Retrieval、Embedding、LLM調用、還可以嵌套Chain等。

Span 命名應該為 chain {chain_name}，如果無法擷取到 chain_name，則命名為 chain。

說明

OpenTelemetry 社區尚未具備該類型 Span 的語義規範。當前 Chain Span 僅用於 LangChain 架構。

Attributes

AttributeKey	Description	類型	Example	需求等級
`gen_ai.span.kind`	操作類型 [1]	string	`CHAIN`	必須
`gen_ai.operation.name`	操作二級類型	string	`workflow`; `task`	有條件時必須
`input.value`	輸入內容	string	`Who Are You!`	推薦
`output.value`	返回內容	string	`I am ChatBot`	推薦
`gen_ai.user.time_to_first_token`	首包延遲 [2]	integer	1000000	推薦

[1]gen_ai.span.kind: 大模型spanKind專用枚舉，Chain中取值必須為 CHAIN。

[2]gen_ai.user.time_to_first_token: 代表一次提問的整體響應首包耗時，從服務端擷取的使用者請求到首包返回的時間，單位納秒。

Retriever

Retriever一般表示訪問向量儲存或者資料庫擷取資料,一般用於補充上下文內容提升LLM的響應的準確性以及效率。

gen_ai.operation.name 應該為 retrieval。當 gen_ai.operation.name 為retrieval時，可以將 gen_ai.span.kind 推斷為 RETRIEVER。

Span 命名應該為 {gen_ai.operation.name} {gen_ai.data_source.id}，視特殊情況也可以有其他類型的命名格式。

Attributes

AttributeKey	Description	類型	Example	需求等級
`gen_ai.span.kind`	操作類型 [1]	string	`RETRIEVER`	必須
`gen_ai.operation.name`	操作二級類型 [2]	string	`retrieval`	必須
`gen_ai.data_source.id`	資料來源唯一標識 [3]	string	`H7STPQYOND`	有條件時必須
`gen_ai.provider.name`	大模型的供應商	string	`openai`	有條件時必須
`gen_ai.request.model`	請求中指定的模型名	string	`gpt-4`	有條件時必須
`gen_ai.request.top_k`	請求中指定的topK	float	`1.0`	推薦
`gen_ai.retrieval.documents`	召回的文檔列表 [4]	string	`[{"id": "doc_123","score": 0.95},{"id": "doc_456","score": 0.87},{"id": "doc_789","score": 0.82}]`	可選
`gen_ai.retrieval.query.text`	檢索內容短句	string	`what is the topic in xxx?`	可選

[1]gen_ai.span.kind: 大模型spanKind專用枚舉，Retriever中取值必須為 RETRIEVER。

[2]gen_ai.operation.name: 操作二級類型。

[3]gen_ai.data_source.id: 資料來源唯一ID，AI Agent 或 RAG 應用依賴的資料來源，可以是外部資料庫、Object Storage Service、文檔集、網站或其他儲存系統。

[4]gen_ai.retrieval.documents: 用於記錄召回的文檔列表。每個文檔對象至少應包含以下屬性：id（字串）：文檔的唯一識別碼；score（雙精確度浮點數）：文檔的相關性得分。

Reranker

Reranker針對輸入的多個文檔結合提問內容判斷相關性進行排序處理，可能返回TopK的文檔作為LLM。

Span 命名應該為 rerank {reranker.model_name}，如果無法擷取到 reranker.model_name，則命名為 rerank。

說明

OpenTelemetry 社區尚未具備該類型 Span 的語義規範。

Attributes

AttributeKey	Description	類型	Example	需求等級
`gen_ai.span.kind`	操作類型 [1]	string	`RERANKER`	必須
`reranker.query`	Reranker請求的入參	string	`How to format timestamp?`	可選
`reranker.model_name`	Reranker所用的模型名	string	`cross-encoder/ms-marco-MiniLM-L-12-v2`	可選
`reranker.top_k`	Reranker後的排名	integer	`3`	可選
`reranker.input_document`	輸出文檔相關的中繼資料[2]	string	`參考樣本`	必須
`reranker.output_document`	輸出文檔相關的中繼資料[3]	string	`參考樣本`	必須

[1]gen_ai.span.kind: 大模型spanKind專用枚舉，Reranker中取值必須為 RERANKER。

[2]reranker.output_document: 重排序輸入文檔，JSON數組結構，metadata為文檔的基本資料，包含路徑，檔案名稱以及來源等。

[3]reranker.output_document: 重排序輸出文檔，JSON數組結構，metadata為文檔的基本資料，包含路徑，檔案名稱以及來源等。

LLM

LLM標識大模型的調用/推理過程，例如基於SDK或OpenAPI請求不同的大模型進行推理或者文本產生等情境。

gen_ai.operation.name 應該為 chat,generate_content,text_completion之一。當 gen_ai.operation.name 為chat,generate_content,text_completion時，可以將 gen_ai.span.kind 推斷為 LLM。

Span 命名應該為 {gen_ai.operation.name} {gen_ai.request.model}，視特殊情況也可以有其他類型的命名格式。

Attributes

AttributeKey	Description	類型	Example	需求等級
`gen_ai.span.kind`	操作類型 [1]	string	`LLM`	必須
`gen_ai.operation.name`	操作二級類型 [2]	string	`chat`; `generate_content`; `text_completion`	必須
`gen_ai.provider.name`	大模型的供應商	string	`openai`	必須
`gen_ai.conversation.id`	對話的唯一ID [3]	string	`conv_5j66UpCpwteGg4YSxUnt7lPY`	有條件時必須
`gen_ai.output.type`	LLM請求中指定的輸出類型 [4]	string	`text`;`json`;`image`;`audio`	有條件時必須
`gen_ai.request.choice.count`	LLM請求中希望獲得的候選產生數量	int	`3`	有條件且不為1時必須
`gen_ai.request.model`	LLM請求中指定的模型名	string	`gpt-4`	必須
`gen_ai.request.seed`	LLM請求中指定的seed	string	`gpt-4`	有條件時必須
`gen_ai.request.frequency_penalty`	LLM請求中設定的頻率懲罰	float	`0.1`	推薦
`gen_ai.request.max_tokens`	LLM請求中指定的最大token數	integer	`100`	推薦
`gen_ai.request.presence_penalty`	LLM請求中設定的存在性懲罰	float	`0.1`	推薦
`gen_ai.request.temperature`	LLM請求中指定的溫度	float	`0.1`	推薦
`gen_ai.request.top_p`	LLM請求中指定的topP	float	`1.0`	推薦
`gen_ai.request.top_k`	LLM請求中指定的topK	float	`1.0`	推薦
`gen_ai.request.stop_sequences`	LLM的終止序列	string[]	`["stop"]`	推薦
`gen_ai.response.id`	LLM產生的唯一id	string	`gpt-4-0613`	推薦
`gen_ai.response.model`	LLM產生所使用的模型名	string	`gpt-4-0613`	推薦
`gen_ai.response.finish_reasons`	LLM終止產生的原因	string[]	`["stop"]`	推薦
`gen_ai.response.time_to_first_token`	流式響應情境下的大模型自身的首包響應耗時 [5]	integer	`1000000`	推薦
`gen_ai.response.reasoning_time`	推理模型的推理時間 [6]	integer	`1248`	推薦
`gen_ai.usage.input_tokens`	輸入使用的token數	integer	`100`	推薦
`gen_ai.usage.output_tokens`	輸出使用的token數	integer	`200`	推薦
`gen_ai.usage.total_tokens`	使用的總token數	integer	`300`	推薦
`gen_ai.usage.cache_creation.input_tokens`	寫入模型供應商緩衝中的token數 [7]	integer	`25`	推薦
`gen_ai.usage.cache_read.input_tokens`	從模型供應商緩衝中讀取出的token數 [8]	integer	`50`	推薦
`gen_ai.input.messages`	模型輸入內容 [9]	string	`[{"role": "user", "parts": [{"type": "text", "content": "Weather in Paris?"}]}, {"role": "assistant", "parts": [{"type": "tool_call", "id": "call_VSPygqKTWdrhaFErNvMV18Yl", "name":"get_weather", "arguments":{"location":"Paris"}}]}, {"role": "tool", "parts": [{"type": "tool_call_response", "id":" call_VSPygqKTWdrhaFErNvMV18Yl", "result":"rainy, 57°F"}]}]`	可選
`gen_ai.output.messages`	模型輸出內容 [10]	string	`[{"role":"assistant","parts":[{"type":"text","content":"The weather in Paris is currently rainy with a temperature of 57°F."}],"finish_reason":"stop"}]`	可選
`gen_ai.system_instructions`	system提示詞的內容 [11]	string	`[{"type": "text", "content": "You are a helpful assistant"}]`	可選
`gen_ai.tool.definitions`	工具定義列表 [12]	string	`[{"type":"function","name":"get_current_weather","description": "Get the current weather in a given location","parameters":{"type":"object","properties":{"location":{"type":"string","description":"The city and state, e.g. San Francisco, CA"},"unit": {"type":"string","enum":["celsius","fahrenheit"]}},"required":["location","unit"]}}]`	可選
`gen_ai.latency.time_in_model_prefill`	LLM推理的Prefill時間，單位納秒	integer	`1000`	推薦
`gen_ai.latency.time_in_model_decode`	LLM推理的Decode時間，單位納秒	integer	`1000`	推薦
`gen_ai.latency.time_in_model_inference`	LLM推理的推理時間，等於Prefill和Decode時間的和，單位納秒	integer	`1000`	推薦
`gen_ai.input.multimodal_metadata`	LLM輸入內容中涉及的多模態資料 [13]	string[]	`[{"type":"uri","mime_type":"image/jpeg","uri":"sls://project/logstore/date/object","modality":"image"}]`	推薦
`gen_ai.output.multimodal_metadata`	LLM輸出內容中涉及的多模態資料 [14]	string[]	`[{"type":"uri","mime_type":"image/jpeg","uri":"sls://project/logstore/date/object","modality":"image"}]`	推薦

[1]gen_ai.span.kind: 大模型spanKind專用枚舉，在LLM中取值必須為 LLM。

[2]gen_ai.operation.name: 操作二級類型。

[3]gen_ai.conversation.id: 會話的唯一ID，當埋點可以比較方便地擷取會話的ID時應該採集。

[4]gen_ai.output.type: 當可以擷取並且請求指定了類型（如指定了output format）時應該採集。取值應屬於以下枚舉，或自訂一個其他的值：

Value	Description
`image`	圖片
`json`	具備一定格式的 JSON 對象
`speech`	語音
`text`	純文字

[5]gen_ai.user.time_to_first_token: 代表一次提問的整體響應首包耗時，從服務端擷取的使用者請求到首包返回的時間，單位納秒。

[6]gen_ai.response.reasoning_time: 代表響應reasoning過程的持續時間長度，單位毫秒。

[7]gen_ai.usage.cache_creation.input_tokens：該屬性的值應該已經被包含在gen_ai.usage.input_tokens中。

[8]gen_ai.usage.cache_read.input_tokens：該屬性的值應該已經被包含在gen_ai.usage.input_tokens中。

[9]gen_ai.input.messages: 用於記錄LLM調用的輸入內容，訊息必須按照發送給模型或智能體的順序提供。需遵循gen_ai.input.messages.json。

僅在 OTEL_INSTRUMENTATION_GENAI_CAPTURE_MESSAGE_CONTENT 開關開啟的情況下採集。該開關預設開啟。

[10]gen_ai.output.messages: 用於記錄模型的輸出內容，訊息必須按照發送給模型或智能體的順序提供。需遵循gen_ai.output.messages.json。

僅在 OTEL_INSTRUMENTATION_GENAI_CAPTURE_MESSAGE_CONTENT 開關開啟的情況下採集。該開關預設開啟。

[11]gen_ai.system_instructions: 用於單獨記錄system提示詞內容/system指令內容。如果system提示詞/system指令內容可以單獨擷取，則應該用該欄位記錄；如果system提示詞/system指令內容是模型調用的一部分，應該記錄在gen_ai.input.messages屬性中。需遵循gen_ai.system_instructions.json。

僅在 OTEL_INSTRUMENTATION_GENAI_CAPTURE_MESSAGE_CONTENT 開關開啟的情況下採集。該開關預設開啟。

[12]gen_ai.tool.definitions: 用於記錄請求大模型時攜帶的工具定義。該屬性可能會非常大，採集時預設可以僅採集"type"和"name"兩個欄位。其餘欄位僅在 OTEL_INSTRUMENTATION_GENAI_CAPTURE_MESSAGE_CONTENT 開關開啟的情況下採集。該開關預設開啟。

[13]gen_ai.input.multimodal_metadata: 用於匯總記錄模型在輸入內容中涉及的多模態資料，僅包含UriPart訊息。需遵循gen_ai.input.messages.json。

僅在 OTEL_INSTRUMENTATION_GENAI_CAPTURE_MESSAGE_CONTENT 開關開啟的情況下採集。該開關預設開啟。

[14]gen_ai.output.multimodal_metadata: 用於匯總記錄模型在輸出內容中涉及的多模態資料，僅包含UriPart訊息。需遵循gen_ai.output.messages.json。

僅在 OTEL_INSTRUMENTATION_GENAI_CAPTURE_MESSAGE_CONTENT 開關開啟的情況下採集。該開關預設開啟。

記錄指令、輸入和輸出

使用者輸入和模型響應可以不記錄、記錄在 span 的 attributes 中或者作為 events（即 logs）記錄下來。詳情請參考控制 LLM 應用對話歷史採集行為。

Embedding

Embedding標識一次嵌入處理，例如針對文本嵌入大模型的操作，後續可以根據相似性查詢最佳化問題。

gen_ai.operation.name 應該為 embeddings。當 gen_ai.operation.name 為embeddings時，可以將 gen_ai.span.kind 推斷為 EMBEDDING。

Span 命名應該為 {gen_ai.operation.name} {gen_ai.request.model}，視特殊情況也可以有其他類型的命名格式。

Attributes

AttributeKey	Description	類型	Example	需求等級
`gen_ai.span.kind`	操作類型 [1]	string	`EMBEDDING`	必須
`gen_ai.operation.name`	操作二級類型 [2]	string	`embeddings`	必須
`gen_ai.provider.name`	大模型的供應商	string	`openai`	必須
`gen_ai.request.model`	請求中指定的模型名	string	`gpt-4`	有條件時必須
`gen_ai.embeddings.dimension.count`	Embedding操作所應具備的維度數	integer	`1024`	推薦
`gen_ai.request.encoding_formats`	嵌入操作中請求的編碼格式	string[]	`["base64"]`; `["float", "binary"]`	推薦
`gen_ai.usage.input_tokens`	輸入文本的token消耗	integer	`10`	可選
`gen_ai.usage.total_tokens`	Embedding的token總消耗	integer	`10`	可選

[1]gen_ai.span.kind: 大模型spanKind專用枚舉，Embedding中取值必須為 EMBEDDING。

[2]gen_ai.operation.name: 操作二級類型。

Tool

Tool標識對外部工具的調用，例如可能調用計算機或者請求天氣API擷取最新的天氣情況。

gen_ai.operation.name 應該為 execute_tool。當 gen_ai.operation.name 為execute_tool時，可以將 gen_ai.span.kind 推斷為 TOOL。

Span 命名應該為 {gen_ai.operation.name} {gen_ai.tool.name}，視特殊情況也可以有其他類型的命名格式。

Attributes

AttributeKey	Description	類型	Example	需求等級
`gen_ai.span.kind`	操作類型 [1]	string	`TOOL`	必須
`gen_ai.operation.name`	操作二級類型 [2]	string	`execute_tool`	必須
`gen_ai.tool.call.id`	工具 id	string	`call_mszuSIzqtI65i1wAUOE8w5H4`	推薦
`gen_ai.tool.description`	工具描述	string	`Multiply two numbers`	推薦
`gen_ai.tool.name`	工具名稱	string	推薦
`gen_ai.tool.type`	工具類型	string	`function`;`extension`;`datastore`	推薦
`gen_ai.tool.call.arguments`	工具調用入參 [2]	string	`{"location": "San Francisco?","date": "2025-10-01"}`	可選
`gen_ai.tool.call.result`	工具調用傳回值 [3]	string	`{"temperature_range": {"high": 75,"low": 60},"conditions": "sunny"}`	可選

[1]gen_ai.span.kind: 大模型spanKind專用枚舉，Tool中取值必須為 TOOL。

[2]gen_ai.tool.call.arguments: 工具調用入參，為一個 json 字串。僅在 OTEL_INSTRUMENTATION_GENAI_CAPTURE_MESSAGE_CONTENT 開關開啟的情況下採集。該開關預設開啟。

[3]gen_ai.tool.call.result: 工具調用傳回值，為一個 json 字串。僅在 OTEL_INSTRUMENTATION_GENAI_CAPTURE_MESSAGE_CONTENT 開關開啟的情況下採集。該開關預設開啟。

Agent

Agent表示智能體情境，一種更複雜的CHAIN，需要基於大模型的推理結果決策執行下一步，例如可能涉及到LLM以及Tool的多次調用，一步步決策得出最終答案。

gen_ai.operation.name 應該為 invoke_agent,create_agent之一。當 gen_ai.operation.name 為invoke_agent,create_agent時，可以將 gen_ai.span.kind 推斷為 AGENT。

Span 命名應該為 {gen_ai.operation.name} {gen_ai.agent.name}，視特殊情況也可以有其他類型的命名格式。

Attributes

AttributeKey	Description	類型	Example	需求等級
`gen_ai.span.kind`	操作類型 [1]	string	`AGENT`	必須
`gen_ai.operation.name`	操作二級類型 [2]	string	`invoke_agent`; `create_agent`	必須
`gen_ai.conversation.id`	對話的唯一ID [3]	string	`conv_5j66UpCpwteGg4YSxUnt7lPY`	有條件時必須
`gen_ai.agent.description`	Agent描述	string	`Helps with math problems`; `Generates fiction stories`	有條件時必須
`gen_ai.agent.id`	Agent唯一標識	string	`asst_5j66UpCpwteGg4YSxUnt7lPY`	有條件時必須
`gen_ai.agent.name`	Agent名稱	string	`Math Tutor`; `Fiction Writer`	有條件時必須
`gen_ai.data_source.id`	資料來源唯一標識 [4]	string	`H7STPQYOND`	有條件時必須
`gen_ai.usage.input_tokens`	輸入使用的token數	integer	`100`	推薦
`gen_ai.usage.output_tokens`	輸出使用的token數	integer	`200`	推薦
`gen_ai.usage.total_tokens`	使用的總token數	integer	`300`	推薦
`gen_ai.usage.cache_creation.input_tokens`	寫入模型供應商緩衝中的token數 [5]	integer	`25`	推薦
`gen_ai.usage.cache_read.input_tokens`	從模型供應商緩衝中讀取出的token數 [6]	integer	`50`	推薦
`gen_ai.input.messages`	模型輸入內容 [7]	string	`[{"role": "user", "parts": [{"type": "text", "content": "Weather in Paris?"}]}, {"role": "assistant", "parts": [{"type": "tool_call", "id": "call_VSPygqKTWdrhaFErNvMV18Yl", "name":"get_weather", "arguments":{"location":"Paris"}}]}, {"role": "tool", "parts": [{"type": "tool_call_response", "id":" call_VSPygqKTWdrhaFErNvMV18Yl", "result":"rainy, 57°F"}]}]`	可選
`gen_ai.output.messages`	模型輸出內容 [8]	string	`[{"role":"assistant","parts":[{"type":"text","content":"The weather in Paris is currently rainy with a temperature of 57°F."}],"finish_reason":"stop"}]`	可選
`gen_ai.system_instructions`	system提示詞的內容 [9]	string	`[{"type": "text", "content": "You are a helpful assistant"}]`	可選
`gen_ai.tool.definitions`	工具定義列表 [10]	string	`[{"type":"function","name":"get_current_weather","description": "Get the current weather in a given location","parameters":{"type":"object","properties":{"location":{"type":"string","description":"The city and state, e.g. San Francisco, CA"},"unit": {"type":"string","enum":["celsius","fahrenheit"]}},"required":["location","unit"]}}]`	可選
`gen_ai.response.time_to_first_token`	Agent的首包響應耗時	integer	`1000000`	推薦

[1]gen_ai.span.kind: 大模型spanKind專用枚舉，Agent中取值必須為 AGENT。

[2]gen_ai.operation.name: 操作二級類型。

[3]gen_ai.conversation.id: 會話的唯一ID，當埋點可以比較方便地擷取會話的ID時應該採集。

[4]gen_ai.data_source.id: 資料來源唯一ID，AI Agent 或 RAG 應用依賴的資料來源，可以是外部資料庫、Object Storage Service、文檔集、網站或其他儲存系統。

[5]gen_ai.usage.cache_creation.input_tokens：該屬性的值應該已經被包含在gen_ai.usage.input_tokens中。

[6]gen_ai.usage.cache_read.input_tokens：該屬性的值應該已經被包含在gen_ai.usage.input_tokens中。

[7]gen_ai.input.messages: 用於記錄LLM調用的輸入內容，訊息必須按照發送給模型或智能體的順序提供。需遵循gen_ai.input.messages.json。

僅在 OTEL_INSTRUMENTATION_GENAI_CAPTURE_MESSAGE_CONTENT 開關開啟的情況下採集。該開關預設開啟。

[8]gen_ai.output.messages: 用於記錄模型的輸出內容，訊息必須按照發送給模型或智能體的順序提供。需遵循gen_ai.output.messages.json。

僅在 OTEL_INSTRUMENTATION_GENAI_CAPTURE_MESSAGE_CONTENT 開關開啟的情況下採集。該開關預設開啟。

[9]gen_ai.system_instructions: 用於單獨記錄system提示詞內容/system指令內容。如果system提示詞/system指令內容可以單獨擷取，則應該用該欄位記錄；如果system提示詞/system指令內容是模型調用的一部分，應該記錄在gen_ai.input.messages屬性中。需遵循gen_ai.system_instructions.json。

僅在 OTEL_INSTRUMENTATION_GENAI_CAPTURE_MESSAGE_CONTENT 開關開啟的情況下採集。該開關預設開啟。

[10]gen_ai.tool.definitions: 用於記錄請求大模型時攜帶的工具定義。該屬性可能會非常大，採集時預設可以僅採集"type"和"name"兩個欄位。其餘欄位僅在 OTEL_INSTRUMENTATION_GENAI_CAPTURE_MESSAGE_CONTENT 開關開啟的情況下採集。該開關預設開啟。

Task

Task標識一次內部自訂方法，例如可能調用本地的某個function等應用自訂的邏輯。

Span 命名應該為 run_task {gen_ai.task.name}，視特殊情況也可以有其他類型的命名格式。

說明

OpenTelemetry 社區尚未具備該類型 Span 的語義規範，因此 gen_ai.operation.name 可能還會有變化。

Attributes

AttributeKey	Description	類型	Example	需求等級
`gen_ai.span.kind`	操作類型 [1]	string	`TASK`	必須
`gen_ai.operation.name`	操作二級類型	string	`run_task`	必須
`input.value`	輸入參數	string	`輸入參數,自訂json格式`	可選
`input.mime_type`	輸入MimeType	string	`text/plain`; `application/json`	可選
`output.mime_type`	輸出MimeType	string	`text/plain`; `application/json`	可選

[1]gen_ai.span.kind: 大模型spanKind專用枚舉，Task中取值必須為 TASK。

Entry

Entry標識一次對AI應用系統的調用入口。

Span 命名應該為 enter_ai_application_system，視特殊情況也可以有其他類型的命名格式。

說明

OpenTelemetry 社區尚未具備該類型 Span 的語義規範，因此 gen_ai.operation.name 可能還會有變化。

Attributes

AttributeKey	Description	類型	Example	需求等級
`gen_ai.span.kind`	操作類型 [1]	string	`ENTRY`	必須
`gen_ai.operation.name`	操作二級類型	string	`enter`	推薦
`gen_ai.session.id`	會話ID	string	`ddde34343-f93a-4477-33333-sdfsdaf`	有條件時必須
`gen_ai.user.id`	應用的C端使用者標識	string	`u-lK8JddD`	有條件時必須
`gen_ai.input.messages`	模型輸入內容 [2]	string	`[{"role": "user", "parts": [{"type": "text", "content": "Weather in Paris?"}]}, {"role": "assistant", "parts": [{"type": "tool_call", "id": "call_VSPygqKTWdrhaFErNvMV18Yl", "name":"get_weather", "arguments":{"location":"Paris"}}]}, {"role": "tool", "parts": [{"type": "tool_call_response", "id":" call_VSPygqKTWdrhaFErNvMV18Yl", "result":"rainy, 57°F"}]}]`	可選
`gen_ai.output.messages`	模型輸出內容 [3]	string	`[{"role":"assistant","parts":[{"type":"text","content":"The weather in Paris is currently rainy with a temperature of 57°F."}],"finish_reason":"stop"}]`	可選
`gen_ai.response.time_to_first_token`	流式響應情境下的首包響應耗時 [4]	integer	`1000000`	推薦

[1]gen_ai.span.kind: 大模型spanKind專用枚舉，Entry中取值必須為 ENTRY。

[2]gen_ai.input.messages: 用於記錄LLM調用的輸入內容，訊息必須按照發送給模型或智能體的順序提供。需遵循gen_ai.input.messages.json。

僅在 OTEL_INSTRUMENTATION_GENAI_CAPTURE_MESSAGE_CONTENT 開關開啟的情況下採集。該開關預設開啟。

[3]gen_ai.output.messages: 用於記錄模型的輸出內容，訊息必須按照發送給模型或智能體的順序提供。需遵循gen_ai.output.messages.json。

僅在 OTEL_INSTRUMENTATION_GENAI_CAPTURE_MESSAGE_CONTENT 開關開啟的情況下採集。該開關預設開啟。

[4]gen_ai.response.time_to_first_token: 代表一次提問的整體響應首包耗時，從服務端擷取的使用者請求到首包返回的時間，單位納秒。

ReAct Step

Step調用標識Agent的一次Reasoning-Acting迭代的過程。

Span 命名應該為 react step，視特殊情況也可以有其他類型的命名格式。

說明

OpenTelemetry 社區尚未具備該類型 Span 的語義規範，因此 gen_ai.operation.name 可能還會有變化。

Attributes

AttributeKey	Description	類型	Example	需求等級
`gen_ai.span.kind`	操作類型 [1]	string	`STEP`	必須
`gen_ai.operation.name`	操作二級類型	string	`react`	推薦
`gen_ai.react.finish_reason`	本輪ReAct結束的原因	string	`error`	推薦
`gen_ai.react.round`	本輪ReAct的輪次號 [2]	integer	`1`	推薦

[1]gen_ai.span.kind: 大模型spanKind專用枚舉，ReAct Step中取值必須為 STEP。

[2]gen_ai.react.round: ReAct的輪次號建議從1開始計數，每次迭代自增1。