统一日志与追踪：Observability Analytics 支持 SQL 查询
开发和 SRE 面对分散的日志和追踪数据，想定位一个跨微服务的慢请求或 AI agent 的失败根因，往往得在不同工具间来回切换、手动拼凑上下文，效率极低。更糟的是，为了做聚合分析还得把数据导出到外部系统，成本高、延迟大。核心痛苦就是日志和追踪数据割裂，导致排查和优化都像盲人摸象。
Google Cloud 这次把 Log Analytics 升级成 Observability Analytics，核心思路就是不再让你搬数据。它直接在 Cloud Logging 和 Trace 原位上支持 SQL 查询，一条 SQL 就能把日志和追踪 span join 起来，比如找出所有耗时超 5 秒的 checkout 请求，然后立即看到是哪个内部微服务最慢。对 AI agent 场景，还能批量分析数千次工具调用的失败率和 P95 延迟，定位瓶颈。这相当于给可观测性加了一个灵活的查询层，不用再导出到 BigQuery 了。
我的看法是，这种“原位分析”思路比单纯加个仪表盘聪明得多，因为它真正降低了深度排查的门槛。尤其对于 AI agent 这类新负载，传统 trace 图根本看不过来，必须用聚合查询来系统化调试工具调用行为。另外，能和 BigQuery 业务表 join 也是隐藏亮点——技术延迟到底影响了多少转化率，终于能算清楚了。这会让可观测性从“看数据”变成真的“做决策”。
