利用 AlloyDB 中的 HTAP 为智能体系统提供支持

1. 概览

在 第 1 部分 中，我们使用 Knowledge Catalog 和 DataScan 成功地将杂乱无章的非结构化 PDF 转换为 BigQuery 中整洁、智能且结构化的表格。现在，我们拥有一个强大的数据仓库。在 第 2 部分 中，我们将 AlloyDB 设置为事务型主干，并将 BigQuery 表联合到其中，从而创建一个统一的数据层，而无需复制任何字节。

今天，我们将构建大脑。我们将创建一个多智能体应用（即“FroyoOS Store Manager”），该应用位于此数据层之上，用于回答问题、检查过敏原和处理实时订单。

挑战：将 AI 与智能体分离

在构建需要与数据库交互的 AI 智能体时，最常见的反模式是将数据和 AI 逻辑直接强制添加到 Python 应用中。随着数据架构的增长，这会使应用变得脆弱、不安全且难以维护。

为了解决这个问题，我们使用了 Model Context Protocol (MCP) 工具箱。MCP 工具箱充当我们的统一数据抽象层。我们在一个简单的 tools.yaml 文件中以声明方式定义数据库操作。我们将此工具箱部署为 Google Cloud Run 上的安全无服务器端点。我们的 AI 智能体只需连接到此端点，然后说“执行‘place_order’工具”。

***重要提示：如果您尚未完成 第 2 部分， 现在是完成该部分的好时机。我们在该部分中创建了一些数据，这些数据将在此应用中使用。

HTAP 的强大功能

在开始构建智能体之前，我们先来讨论一下为什么这篇文章的标题专门提到了 HTAP（混合事务/分析处理）。

在传统架构中，如果 AI 智能体需要处理实时用户订单（事务型 OLTP 工作负载）并交叉对比数千个复杂的配料映射（分析型 OLAP 工作负载），则 Python 应用必须同时处理与两个完全不同的数据库的连接。这会导致严重的延迟、安全开销和脆弱的状态管理。

我们将 BigQuery 数据仓库原生联合到 PostgreSQL 中，从而将 AlloyDB 变成了 HTAP 强力引擎。由于这种 HTAP 架构，我们的 AI 智能体现在只需要与一个数据库端点交互。它可以将实时事务插入到 live_orders 表中，并对联合的 BigQuery froyo_data 数据集运行繁重的分析扫描，而无需复制任何字节的数据。接下来，我们来看看如何将此引擎公开给 AI。

我们来开始构建吧！

学习内容

• 如何一键设置 AlloyDB 集群、实例和网络
• 如何设置扩展程序以准备进行联合
• 如何从 BigQuery 设置到 AlloyDB 的联合
• 开始测试

要求

• 浏览器，例如 Chrome 或 Firefox。
• 启用了结算功能的 Google Cloud 项目。
• 基本熟悉 SQL。

2. 准备工作

创建项目

1. 在 Google Cloud 控制台的项目选择器页面上，选择或创建一个 Google Cloud 项目。
2. 确保您的 Cloud 项目已启用结算功能。了解如何 检查项目是否已启用结算功能。

在本实验中，即使没有结算账号，您也可以体验有限的功能。如果您希望以这种方式探索实践操作，请注意“没有结算账号？”限定条件中包含的适用说明。请注意这些说明。

3. 您将使用 Cloud Shell，它是在 Google Cloud 中运行的命令行环境。点击 Google Cloud 控制台顶部的“激活 Cloud Shell”图标。

4. 连接到 Cloud Shell 后，您可以使用以下命令检查自己是否已通过身份验证，以及项目是否已设置为您的项目 ID：

gcloud auth list

5. 在 Cloud Shell 中运行以下命令，以确认 gcloud 命令了解您的项目。

gcloud config list project

6. 如果您想进行身份验证

gcloud auth login

7. 如果项目未设置，请使用以下命令进行设置：

export PROJECT_ID=<YOUR_PROJECT_ID>
gcloud config set project <YOUR_PROJECT_ID>

8. 启用必需的 API：运行此命令以启用所有必需的 API：

gcloud services enable \
  alloydb.googleapis.com \
  bigquery.googleapis.com \
  run.googleapis.com \
  cloudbuild.googleapis.com \
  artifactregistry.googleapis.com \
  iam.googleapis.com \
  secretmanager.googleapis.com \
  compute.googleapis.com \
  servicenetworking.googleapis.com

注意事项和问题排查

“幽灵项目” 综合征	您运行了 gcloud config set project，但实际上在控制台界面中查看的是另一个项目。检查左上角下拉列表中的项目 ID！
结算 障碍	您启用了项目，但忘记了结算账号。AlloyDB 是高性能引擎；如果“油箱”（结算）为空，它将无法启动。
API 传播 延迟	您点击了“启用 API”，但命令行仍然显示 Service Not Enabled。请等待 60 秒。云需要一点时间来唤醒神经元。
配额 陷阱	如果您使用的是全新的试用账号，则可能会达到 AlloyDB 实例的区域配额。如果 us-central1 失败，请尝试 us-east1。

3. 准备数据

确保从非结构化 PDF 中提取的结构化数据在 BigQuery 中可用，并且 BigQuery 数据的 AlloyDB 联合也已建立并经过测试。如果您尚未完成这些步骤，现在可以按照 此处 和 此处 的说明分别完成第 1 部分和第 2 部分中的简单步骤。

注意：

如果您要尝试此 Codelab，则不应执行第 2 部分的清理步骤（删除集群和实例的步骤），因为我们需要 AlloyDB 编排来演示此处的智能体系统。

除了我们在第 2 部分中创建的这些数据之外，我们还需要在 AlloyDB 实例中创建一个额外的表。使用以下链接前往 AlloyDB Studio：

https://console.cloud.google.com/alloydb/locations/us-central1/clusters/my-alloydb-cluster/studio

如果您使用的是其他集群，请更改上述链接中的集群名称。

在 AlloyDB Studio 的新查询编辑器标签页中，运行以下语句：

CREATE TABLE live_orders (
    order_id SERIAL PRIMARY KEY,
    customer_name VARCHAR(100),
    product_id VARCHAR(100),
    quantity INT,
    order_status VARCHAR(50) DEFAULT 'Pending',
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

这应该会在您的数据库中创建 live_orders 表。

4. 定义抽象（tools.yaml）

首先，我们正式注册数据库操作。我们创建一个 tools.yaml 文件，用于定义智能体如何与同时包含事务型数据和分析型数据（来自 BigQuery 联合的分析型数据）的 AlloyDB 进行交互。

1. 前往 Cloud Shell 终端 。切换到编辑器模式。
2. 在根目录中创建一个新文件夹："froyo-agent"
3. 在该文件夹中，创建一个 tools.yaml 文件并粘贴以下内容：（将项目、集群、实例和密码替换为您自己的值）

# tools.yaml
sources:
    alloydb-source:
        kind: "alloydb-postgres"
        project: "*******"
        region: "us-central1"
        cluster: "my-alloydb-cluster"
        instance: "my-primary-inst"
        database: "postgres"
        user: "postgres"
        password: "*******"
        ipType: "private"


tools:
  check_allergens:
    kind: postgres-sql
    source: alloydb-source
    description: Queries the federated BigQuery tables to find allergens for a product.
    statement: |
      SELECT a.allergen_name
      FROM consistsof c
      INNER JOIN product p ON c.product_id = p.product_id
      INNER JOIN ingredient i ON c.ingredient_id = i.ingredient_name
      INNER JOIN containsallergen a ON i.ingredient_id = a.ingredient_id
      WHERE UPPER(p.product_name) LIKE UPPER($1)
    parameters:
      - name: product_name
        type: string
        description: The name of the product to check. (e.g., '%Midnight%')


  place_order:
    kind: postgres-sql
    source: alloydb-source
    description: Inserts a new live transaction into the native AlloyDB orders table.
    statement: |
      INSERT INTO live_orders (customer_name, product_id, quantity)
      VALUES ($1, (SELECT product_id FROM product WHERE product_name ILIKE '%' || $2 || '%' LIMIT 1), $3) RETURNING order_id;
    parameters:
      - name: customer_name
        type: string
        description: The name of the customer placing the order.
      - name: product_name
        type: string
        description: The name of the product being ordered.
      - name: quantity
        type: integer
        description: The quantity of the product being ordered.


toolsets:
  alloydb_tools:
    - check_allergens
    - place_order

我们将智能体的功能限制为 2 个工具：检查过敏原和下单。

5. 将 Toolbox 部署到 Cloud Run

为了让我们的应用可以使用此工具箱，我们使用 gcloud CLI 安全地部署该工具箱。这将创建我们的抽象层端点。

4. 切换到 Cloud Shell 终端，然后运行以下命令进入工作目录：

cd froyo-agent

5. 将 tools.yaml 保存到名为“tools-froyo”的 Secret 中：

gcloud secrets create tools-froyo --data-file=tools.yaml

6. 将 MCP Toolbox 容器部署到 Cloud Run

export IMAGE=us-central1-docker.pkg.dev/database-toolbox/toolbox/toolbox:latest

gcloud run deploy toolbox-froyo \
    --image $IMAGE \
    --service-account toolbox-identity \
    --region us-central1 \
    --set-secrets "/app/tools.yaml=tools-froyo:latest" \
    --args="--config=/app/tools.yaml","--address=0.0.0.0","--port=8080" \
    --network easy-alloydb-vpc \
    --subnet easy-alloydb-subnet \
    --allow-unauthenticated \
    --vpc-egress private-ranges-only

如果您使用的值与我们在第 2 部分 Codelab 中配置的值不同，则需要替换“network”和“subnet”值。

7. 记下生成的 Cloud Run 网址（例如 https://toolbox-froyo-xxx.run.app）。

6. 智能体后端 (app.py)

由于数据库已抽象化，我们的 Python 代码可以完全专注于编排和推理。

我们同时使用了 智能体开发套件 (ADK) 和 Flask。ADK 提供企业级会话内存 (InMemorySessionService)，这意味着我们的智能体可以记住对话的上下文。它与 ToolboxSyncClient 原生集成，可从 Cloud Run 无缝提取我们的工具。

以下是您的 app.py:

https://github.com/AbiramiSukumaran/froyo-data/blob/main/app.py

简单的 Python Flask 应用将 ADK 智能体连接到我们在 Toolbox 中定义的工具，这些工具会与 AlloyDB（以及 BigQuery 联合数据）进行交互并响应用户。

没有结算账号？

如果您正在浏览此 Codelab，并且希望在没有结算账号的情况下进行实践操作，但又希望了解高层级信息，则可能无法设置 DataScan 作业、执行 Knowledge Catalog 推理或 AlloyDB 联合。或者，您错过了 Codelab 1 和 2，因此我们为您准备了现成的数据，以便您体验架构和应用：

使用结算账号继续体验数据的步骤：

A.在项目根文件夹中，从代码库下载以下文件：

1. https://github.com/AbiramiSukumaran/froyo-data/blob/main/froyo_data.allergen.csv
2. https://github.com/AbiramiSukumaran/froyo-data/blob/main/froyo_data.consistsof.csv
3. https://github.com/AbiramiSukumaran/froyo-data/blob/main/froyo_data.containsallergen.csv
4. https://github.com/AbiramiSukumaran/froyo-data/blob/main/froyo_data.froyo_data_materialized.csv
5. https://github.com/AbiramiSukumaran/froyo-data/blob/main/froyo_data.ingredient.csv
6. https://github.com/AbiramiSukumaran/froyo-data/blob/main/froyo_data.product.csv
7. https://github.com/AbiramiSukumaran/froyo-data/blob/main/froyo_data.suppliedby.csv
8. https://github.com/AbiramiSukumaran/froyo-data/blob/main/froyo_data.supplier.csv

这些文件应与 app.py 位于同一文件夹中。

B. 在同一路径中创建名为 app-nobill.py 的 Python 文件

1. 在项目根文件夹中，创建一个名为 app-nobill.py 的文件，然后从 https://github.com/AbiramiSukumaran/froyo-data/blob/main/app-nobill.py 复制内容

C. 实验中提到的所有其他文件也应在此版本中保持不变（只需无需执行 app.py 文件）

没有结算账号？

7. 界面和运行应用

为了给我们的 Store Manager 提供适当的体验，我们创建了一个时尚的玻璃拟态界面 (templates/index.html)，其中包含实时产品目录边栏和交互式聊天界面。

您可以在此处的代码库文件中找到 index.html：

https://github.com/AbiramiSukumaran/froyo-data/blob/main/templates/index.html

在运行应用之前，请确保您已安装依赖项，方法是创建包含以下内容的 requirements.txt 文件：

Flask>=3.0.0
google-genai>=0.1.0
mcp>=1.0.0
google-adk
toolbox-core
toolbox-langchain
python-dotenv

并填充 .env 文件：

GOOGLE_API_KEY=***
MCP_TOOLBOX_SERVER_URL=***

在 Cloud Shell 终端中，确保您位于项目文件夹中，然后依次运行以下命令：

安装依赖项：

pip install -r requirements.txt

执行 Python 文件：

python app.py

没有结算账号？

在这种情况下，请运行以下命令，而不是运行 Python 文件 app.py：

python app-nobill.py

没有结算账号？

点击终端中显示的链接，或打开 http://localhost:8080！

8. 终极测试

我们点击目录中的产品，向智能体提问：

Does Midnight Swirl have any allergens?

您应该会看到以下响应：

幕后故事：

1. ADK 智能体收到提示，并决定使用 check_allergens 工具。
2. 它安全地调用 Cloud Run 上的 MCP Toolbox。
3. Toolbox 在 AlloyDB 中执行查询，AlloyDB 会立即联合到 BigQuery，以扫描我们在第 1 部分中构建的复杂关系。
4. 数据库返回“Soy”，智能体会在界面中整齐地汇总该信息。

接下来，我们说：

Order 2 Midnight Swirls for Alice.

智能体将字符串“Midnight Swirl”传递给 Toolbox。底层 SQL 通过 BigQuery 将字符串动态解析为整数 ID，将实时订单插入到 AlloyDB 中，并确认事务。

代码库

https://github.com/AbiramiSukumaran/froyo-data

9. 清理

完成此实验后，请务必删除 AlloyDB 集群和实例。

前往 https://console.cloud.google.com/alloydb/clusters。点击要删除的集群旁边的垂直省略号，然后点击“删除”，选择要删除的集群。

这应该会清理集群及其实例。

10. 恭喜您拥有了自己的智能体！

想想我们刚刚完成了什么：

我们精心编排的智能体系统仅与 MCP Toolbox for Databases 交互。这在后台处理工具调用和应用的数据到 AI 逻辑，使流程保持简单：

1. 我们的事务型应用（在 AlloyDB 上运行）可以处理快速、并发的用户会话。
2. 当它需要繁重的分析数据或历史上下文（例如供应商详细信息或复杂的配料映射）时，它会查询 BigQuery froyo_dataschema。
3. 零 ETL。没有数据流水线中断。没有不同步的数据库。我们存储一次（在 BQ 中），并在需要时进行计算。

现在，我们的智能体和数据基础（包括分析型和事务型）已完成，接下来我们进入下一部分。

后续步骤

我们的智能体在正常路径上运行良好。在 第 4 部分 中，我们将构建一个智能体评估流水线，以严格测试智能体系统的有效性、基础性和性能。期待您的参与！