Gemini 3.8 Flash ist jetzt verfügbar. Jetzt ausprobieren.

Google verwendet KI-Technologie, um Inhalte in Ihre bevorzugte Sprache zu übersetzen. KI-Übersetzungen können Fehler enthalten.

Logs und Datasets

In dieser Anleitung erfahren Sie, wie Sie Protokolle zur Verwendung der Gemini API im Google AI Studio-Dashboard aufrufen können, um das Modellverhalten und die Interaktion von Nutzern mit Ihren Anwendungen besser zu verstehen. Mit der Protokollierung können Sie die Nutzung beobachten, Fehler beheben und optional Feedback zur Nutzung an Google senden, um Gemini für Entwickleranwendungsfälle zu verbessern.^*

Alle GenerateContent-, BatchGenerateContent- und StreamGenerateContent-API-Aufrufe sowie Interactions-API-Aufrufe mit Ausnahme von Verwaltete KI-Agenten werden unterstützt. Dazu gehören auch Aufrufe über Endpunkte mit OpenAI-Kompatibilität.

Projekt-Logging konfigurieren

Standardmäßig werden alle Interaktionsobjekte (store=true) von der API gespeichert, um die Verwendung serverseitiger Funktionen zur Statusverwaltung zu vereinfachen. Im Gegensatz dazu werden Anfragen an die Generate Content API standardmäßig nicht gespeichert. Die Speicherung muss pro Anfrage oder auf Projektebene in AI Studio aktiviert werden.

In AI Studio können Sie die Protokollierung für alle oder bestimmte Projekte aktivieren oder deaktivieren und diese Einstellungen jederzeit über den Bereich Einstellungen auf der Seite Protokolle und Datasets ändern. Die Protokollierung kann für die generateContent API und die Interactions API unabhängig voneinander aktiviert oder deaktiviert werden, um das Standardverhalten für die Speicherung für ein Projekt zu ändern.

Logging auf Anfrageebene

Das Speicher- und Logging-Verhalten unterscheidet sich je nach API:

Interactions API:Speichert Anfragen standardmäßig (store=true), um die serverseitige Statusverwaltung zu vereinfachen.
Generate Content API (generateContent): Anfragen werden standardmäßig nicht gespeichert (store=false).

So legen Sie die Property store fest:

GenerateContent API

Python

from google import genai

client = genai.Client()

response = client.models.generate_content(
    model='gemini-3.8-flash',
    contents='Explain quantum entanglement in simple terms.',
    config={'store': False} # Set to True to enable logging of this request
)

print(response.text)

JavaScript

import { GoogleGenAI } from '@google/genai';

const client = new GoogleGenAI({});

const response = await client.models.generateContent({
    model: 'gemini-3.8-flash',
    contents: 'Explain quantum entanglement in simple terms.',
    config: {
        store: false // Set to true to enable logging of this request
    }
});

console.log(response.text);

Java

import com.google.genai.Client;
import com.google.genai.types.GenerateContentConfig;
import com.google.genai.types.GenerateContentResponse;

Client client = new Client();

// The GenerateContent API does not store requests by default
GenerateContentResponse response =
    client.models.generateContent(
        "gemini-3.8-flash",
        "Explain quantum entanglement in simple terms.",
        GenerateContentConfig.builder().build());

System.out.println(response.text());

Ok

package main

import (
    "context"
    "fmt"
    "log"

    "google.golang.org/genai"
)

func main() {
    ctx := context.Background()
    client, err := genai.NewClient(ctx, nil)
    if err != nil {
        log.Fatal(err)
    }

    // The GenerateContent API does not store requests by default
    response, err := client.Models.GenerateContent(
        ctx,
        "gemini-3.8-flash",
        genai.Text("Explain quantum entanglement in simple terms."),
        &genai.GenerateContentConfig{},
    )
    if err != nil {
        log.Fatal(err)
    }
    fmt.Println(response.Text())
}

Interactions API

Python

from google import genai

client = genai.Client()

interaction = client.interactions.create(
    model="gemini-3.8-flash",
    input="Explain quantum entanglement in simple terms.",
    store=True # Set to False to disable logging of this request
)

print(interaction.outputs[-1].text)

JavaScript

import { GoogleGenAI } from '@google/genai';

const client = new GoogleGenAI({});

const interaction = await client.interactions.create({
    model: 'gemini-3.8-flash',
    input: 'Explain quantum entanglement in simple terms.',
    store: true // Set to false to disable logging of this request
});

console.log(interaction.outputs[interaction.outputs.length - 1].text);

Java

import com.google.genai.Client;
import com.google.genai.gaos.models.interactions.CreateModelInteraction;
import com.google.genai.gaos.models.interactions.Interaction;
import com.google.genai.gaos.models.interactions.InteractionsInput;
import com.google.genai.gaos.models.interactions.Model;
import com.google.genai.gaos.models.operations.CreateInteractionRequestBody;

Client client = new Client();

CreateModelInteraction params =
    CreateModelInteraction.builder()
        .model(Model.of("gemini-3.8-flash"))
        .input(InteractionsInput.of("Explain quantum entanglement in simple terms."))
        .store(true) // Set to false to disable logging of this request
        .build();

Interaction interaction =
    client.interactions.create(CreateInteractionRequestBody.of(params)).interaction().get();

System.out.println(interaction.outputText().orElse(""));

Ok

package main

import (
    "context"
    "fmt"
    "log"

    "google.golang.org/genai"
    "google.golang.org/genai/interactions/models/interactions"
    "google.golang.org/genai/interactions/models/operations"
)

func main() {
    ctx := context.Background()
    client, err := genai.NewClient(ctx, nil)
    if err != nil {
        log.Fatal(err)
    }

    res, err := client.Interactions.Create(ctx, operations.CreateInteractionRequest{
        Body: operations.NewCreateInteractionRequestBody(interactions.CreateModelInteraction{
            Model: interactions.Model("gemini-3.8-flash"),
            Input: interactions.NewInteractionsInput("Explain quantum entanglement in simple terms."),
            Store: genai.Ptr(true), // Set to false to disable logging of this request
        }),
    })
    if err != nil {
        log.Fatal(err)
    }
    if res.Interaction.OutputText != nil {
        fmt.Println(*res.Interaction.OutputText)
    }
}

Projektlogs in AI Studio ansehen

Rufen Sie in AI Studio die Seite „Logs“ auf.
Wählen Sie im Drop-down-Menü ein Projekt aus.
Logs für die Interactions API werden in der Tabelle in umgekehrter chronologischer Reihenfolge angezeigt, sofern sie vorhanden sind.
Wenn Sie Projektlogs für die Generate Content API aufrufen möchten, müssen Sie diese zuerst im Einstellungsfeld aktivieren.

Klicken Sie auf einen Eintrag, um eine Vorschau der Nutzlast aufzurufen. Sie können sich den vollständigen Prompt und die Antwort von Gemini sowie den Kontext aus den vorherigen Zügen ansehen. Bei Anfragen an die Interactions API enthalten die Logs auch einen direkten Link zu previous_interaction_id.

Projektspeicheraufbewahrung konfigurieren

Logs laufen nach einem standardmäßigen Aufbewahrungszeitraum von 55 Tagen ab und werden zum Löschen markiert, sofern sie nicht in einem Dataset gespeichert wurden. In diesem Fall laufen sie nicht ab. Sie können das Aufbewahrungsfenster für die Logs eines Projekts auf maximal 7, 14, 28 oder 55 Tage konfigurieren.

Datasets erstellen und freigeben

Sie können Logs in Datasets speichern, um sie besser zu organisieren und zu exportieren.

Suchen Sie auf der Seite „Logs“ oben nach der Filterleiste, um ein Attribut auszuwählen, nach dem gefiltert werden soll.
Wählen Sie in der gefilterten Ansicht mit den Kästchen alle oder einzelne Logs aus.
Klicken Sie oben in der Liste auf den Button Dataset erstellen.
Geben Sie einen Namen und optional eine Beschreibung für das neue Dataset ein.
Das soeben erstellte Dataset mit den kuratierten Logs wird angezeigt.
Sie können Ihr Dataset für die weitere Analyse als CSV- oder JSONL-Datei oder in Google Tabellen exportieren.

Datasets können für eine Reihe verschiedener Anwendungsfälle nützlich sein.

Herausforderungssätze zusammenstellen:Damit können Sie zukünftige Verbesserungen in Bereichen vorantreiben, in denen Sie die KI optimieren möchten.
Beispielsets zusammenstellen:Sie können beispielsweise eine Stichprobe aus der tatsächlichen Nutzung verwenden, um Antworten aus einem anderen Modell zu generieren, oder eine Sammlung von Grenzfallbeispielen für Routineprüfungen vor der Bereitstellung.
Evaluierungssätze:Sätze, die die tatsächliche Nutzung wichtiger Funktionen repräsentieren und für den Vergleich mit anderen Modellen oder Iterationen von Systemanweisungen verwendet werden.

Sie können zur Forschung und Entwicklung von Gemini beitragen, indem Sie Ihre Datasets als Demonstrationsbeispiele mit Google teilen.

Beschränkungen

Die Protokollierung wird derzeit für Folgendes nicht unterstützt:

Imagen- und Veo-Modelle
Gemini-Einbettungsmodelle
Gemini Robotics-Modell
Eingaben mit Videos, GIFs oder PDFs
KI-Agenten in der öffentlichen Vorschau der Gemini API

Nächste Schritte

Prototyp mit Sitzungsverlauf erstellen:Verwenden Sie AI Studio Build, um Apps per Vibe Coding zu erstellen und Ihren API-Schlüssel hinzuzufügen, damit ein Verlauf von Gemini API-Logs für KI-Funktionen verfügbar ist.
Logs mit der Gemini Batch API noch einmal ausführen:Verwenden Sie Datasets für das Response-Sampling und die Bewertung von Modellen oder Anwendungslogik, indem Sie Logs mit der Gemini Batch API noch einmal ausführen.