1. Введение
В этой лабораторной работе вы научитесь создавать агентов, которые могут отвечать на вопросы о данных, хранящихся в BigQuery , используя Agent Development Kit (ADK ) . Вы также сможете оценить эти агенты с помощью сервиса GenAI Evaluation от Vertex AI :
Что ты будешь делать?
- Создайте агента разговорной аналитики в ADK
- Оснастите этого агента собственным набором инструментов ADK для BigQuery, чтобы он мог взаимодействовать с данными, хранящимися в BigQuery.
- Создайте структуру оценки для вашего агента с помощью сервиса Vertex AI GenAI Evaluation
- Проведите оценку этого агента по набору золотых ответов
Что вам понадобится
- Веб-браузер, такой как Chrome
- Проект Google Cloud с включенным биллингом, или
- Аккаунт Gmail. В следующем разделе мы расскажем, как получить бесплатный кредит в размере 5 долларов на эту практическую работу и создать новый проект.
Эта практическая работа предназначена для разработчиков любого уровня, включая новичков. Вы будете использовать интерфейс командной строки Google Cloud Shell и код Python для разработки ADK. Вам не нужно быть экспертом по Python, но базовые навыки чтения кода помогут вам понять концепции.
2. Прежде чем начать
Создайте проект Google Cloud
- В консоли Google Cloud на странице выбора проекта выберите или создайте проект Google Cloud .
- Убедитесь, что для вашего облачного проекта включена функция выставления счетов. Узнайте, как проверить, включена ли функция выставления счетов для проекта .
Запустить Cloud Shell
Cloud Shell — это среда командной строки, работающая в Google Cloud и поставляемая с предустановленными необходимыми инструментами.
- Нажмите «Активировать Cloud Shell» в верхней части консоли Google Cloud:
- После подключения к Cloud Shell выполните эту команду для проверки вашей аутентификации в Cloud Shell:
gcloud auth list
- Выполните следующую команду, чтобы подтвердить, что ваш проект настроен для использования с gcloud:
gcloud config list project
- Для настройки проекта используйте следующую команду:
export PROJECT_ID=<YOUR_PROJECT_ID>
gcloud config set project $PROJECT_ID
Включить API
- Выполните эту команду, чтобы включить все необходимые API и службы:
gcloud services enable bigquery.googleapis.com \
aiplatform.googleapis.com \
cloudresourcemanager.googleapis.com
- При успешном выполнении команды вы должны увидеть сообщение, похожее на показанное ниже:
Operation "operations/..." finished successfully.
3. Создайте набор данных BigQuery
- Выполните следующую команду в Cloud Shell, чтобы создать новый набор данных с именем ecommerce в BigQuery:
bq mk --dataset --location=US ecommerce
Статическое подмножество общедоступного набора данных BigQuery thelook_ecommerce сохраняется в виде файлов AVRO в общедоступном хранилище Google Cloud Storage.
- Выполните эту команду в Cloud Shell, чтобы загрузить эти файлы Avro в BigQuery в виде таблиц (события, элементы заказа, продукты, пользователи, заказы):
bq load --source_format=AVRO --autodetect \
ecommerce.events \
gs://sample-data-and-media/thelook_dataset_snapshot/events/*.avro.gz
bq load --source_format=AVRO --autodetect \
ecommerce.order_items \
gs://sample-data-and-media/thelook_dataset_snapshot/order_items/*.avro.gz
bq load --source_format=AVRO --autodetect \
ecommerce.products \
gs://sample-data-and-media/thelook_dataset_snapshot/products/*.avro.gz
bq load --source_format=AVRO --autodetect \
ecommerce.users \
gs://sample-data-and-media/thelook_dataset_snapshot/users/*.avro.gz
bq load --source_format=AVRO --autodetect \
ecommerce.orders \
gs://sample-data-and-media/thelook_dataset_snapshot/orders/*.avro.gz
bq load --source_format=AVRO --autodetect \
ecommerce.inventory_items \
gs://sample-data-and-media/thelook_dataset_snapshot/inventory_items/*.avro.gz
bq load --source_format=AVRO --autodetect \
ecommerce.distribution_centers \
gs://sample-data-and-media/thelook_dataset_snapshot/distribution_centers/*.avro.gz
Этот процесс может занять несколько минут.
- Проверьте, созданы ли набор данных и таблицы, посетив консоль BigQuery в вашем проекте Google Cloud:
4. Подготовьте среду для агентов ADK
Вернитесь в Cloud Shell и убедитесь, что вы находитесь в домашнем каталоге. Мы создадим виртуальную среду Python и установим необходимые пакеты.
- Откройте новую вкладку терминала в Cloud Shell и выполните эту команду, чтобы создать и перейти в папку с именем bigquery-adk-codelab :
mkdir bigquery-adk-codelab
cd bigquery-adk-codelab
- Создайте виртуальную среду Python:
python -m venv .venv
- Активируйте виртуальную среду:
source .venv/bin/activate
- Установите пакеты Google ADK и AI-Platform для Python. Для оценки агента BigQuery требуются пакеты AI Platform и Pandas:
pip install google-adk google-cloud-aiplatform[evaluation] pandas
5. Создайте приложение ADK
Теперь давайте создадим нашего агента BigQuery. Он будет отвечать на вопросы на естественном языке о данных, хранящихся в BigQuery.
- Запустите команду утилиты adk create , чтобы создать новое приложение агента с необходимыми папками и файлами:
adk create data_agent_app
Следуйте инструкциям:
- Выберите модель gemini-2.5-flash.
- Выберите Vertex AI для бэкэнда.
- Подтвердите идентификатор и регион проекта Google Cloud по умолчанию.
Пример взаимодействия показан ниже:
- Нажмите кнопку «Открыть редактор» в Cloud Shell, чтобы открыть Cloud Shell Editor и просмотреть вновь созданные папки и файлы:
Обратите внимание на сгенерированные файлы:
bigquery-adk-codelab/
├── .venv/
└── data_agent_app/
├── __init__.py
├── agent.py
└── .env
- init.py: Помечает папку как модуль Python.
- agent.py: Содержит начальное определение агента.
- . env: содержит переменные среды для вашего проекта (для просмотра этого файла может потребоваться нажать «Вид» > «Переключить скрытые файлы»)
Обновите все переменные, которые были неправильно заданы в подсказках:
GOOGLE_GENAI_USE_VERTEXAI=1 GOOGLE_CLOUD_PROJECT=<YOUR_GOOGLE_PROJECT_ID> GOOGLE_CLOUD_LOCATION=<YOUR_GOOGLE_CLOUD_REGION>
6. Определите своего агента и назначьте ему набор инструментов BigQuery.
Чтобы определить агента ADK, взаимодействующего с BigQuery с помощью набора инструментов BigQuery, замените существующее содержимое файла agent.py следующим кодом.
Вам необходимо обновить идентификатор проекта в инструкциях агента на ваш фактический идентификатор проекта:
from google.adk.agents import Agent
from google.adk.tools.bigquery import BigQueryCredentialsConfig, BigQueryToolset
import google.auth
import dotenv
dotenv.load_dotenv()
credentials, _ = google.auth.default()
credentials_config = BigQueryCredentialsConfig(credentials=credentials)
bigquery_toolset = BigQueryToolset(
credentials_config=credentials_config
)
root_agent = Agent(
model="gemini-2.5-flash",
name="bigquery_agent",
description="Agent that answers questions about BigQuery data by executing SQL queries.",
instruction=(
"""
You are a BigQuery data analysis agent.
You are able to answer questions on data stored in project-id: '<YOUR_PROJECT_ID>' on the `ecommerce` dataset.
"""
),
tools=[bigquery_toolset]
)
def get_bigquery_agent():
return root_agent
Набор инструментов BigQuery предоставляет агенту возможность извлекать метаданные и выполнять SQL-запросы к данным BigQuery. Для использования набора инструментов необходима аутентификация. Наиболее распространённые варианты: учётные данные приложения по умолчанию (ADC) для разработки, интерактивный OAuth, когда агенту необходимо действовать от имени определённого пользователя, или учётные данные сервисной учётной записи для безопасной аутентификации на уровне производства.
Отсюда вы можете пообщаться со своим агентом , вернувшись в Cloud Shell и выполнив следующую команду:
adk web
Вы должны увидеть уведомление о том, что веб-сервер запущен:
... INFO: Started server process [2735] INFO: Waiting for application startup. +-----------------------------------------------------------------------------+ | ADK Web Server started | | | For local testing, access at http://127.0.0.1:8000. | +-----------------------------------------------------------------------------+ INFO: Application startup complete. INFO: Uvicorn running on http://127.0.0.1:8000
Щелкните по предоставленной ссылке, чтобы запустить adk web — вы можете задать своему агенту несколько вопросов о наборе данных:
Закройте adk web и нажмите Ctrl + C в терминале, чтобы завершить работу веб-сервера.
7. Подготовьте своего агента к оценке
Теперь, когда вы определили свой агент BigQuery, вам нужно сделать его готовым к запуску для оценки.
Приведенный ниже код определяет функцию run_conversation , которая управляет потоком разговора путем создания агента, запуска сеанса и обработки событий для получения окончательного ответа.
- Вернитесь в Cloud Editor и создайте новый файл с именем
run_agent.pyв каталоге bigquery-adk-codelab, а затем скопируйте и вставьте следующий код:
from data_agent_app.agent import get_bigquery_agent
from google.adk.sessions import InMemorySessionService
from google.adk.runners import Runner
from google.genai import types
import uuid
APP_NAME = "data_agent_app"
USER_ID = "biquery_user_101"
async def run_conversation(prompt: str):
session_service = InMemorySessionService()
session_id = f"{APP_NAME}-{uuid.uuid4().hex[:8]}"
root_agent = get_bigquery_agent()
runner = Runner(
agent=root_agent,
app_name=APP_NAME,
session_service=session_service
)
session = await session_service.create_session(
app_name=APP_NAME,
user_id=USER_ID,
session_id=session_id
)
final_response_text = "Unable to retrieve final response."
try:
# Run the agent and process the events as they are generated
async for event in runner.run_async(
user_id=USER_ID,
session_id=session_id,
new_message=types.Content(role='user', parts=[types.Part(text=prompt)])
):
if event.is_final_response():
if event.content and event.content.parts:
final_response_text = event.content.parts[0].text
break
except Exception as e:
print(f"Error in run_conversation: {e}")
final_response_text = f"An error occurred: {e}"
return final_response_text
Приведённый ниже код определяет вспомогательные функции для вызова этой исполняемой функции и возврата результата. Он также включает вспомогательные функции для вывода и сохранения результатов вычисления:
- Создайте новый файл с именем
utils.pyв каталоге bigquery-adk-codelab и скопируйте/вставьте этот код в файл utils.py:
import json
import os
import asyncio
import run_agent
def get_agent_response(prompt: str) -> dict:
try:
response = asyncio.run(run_agent.run_conversation(prompt)) # Invoke the agent
return {"response": response}
except Exception as e:
return {"response": "Error: Agent failed to produce a response."}
def save_evaluation_results(eval_result, experiment_run):
"""Processes, saves, and prints the evaluation results for a single run."""
os.makedirs("eval_results", exist_ok=True)
output_file_path = os.path.join("eval_results", f"bq_agent_eval_results_{experiment_run}.json")
# Prepare data for JSON serialization
eval_result_dict = {
'summary_metrics': eval_result.summary_metrics,
'pointwise_metrics': eval_result.metrics_table.to_dict('records')
}
# --- Save the results as a JSON file ---
with open(output_file_path, "w") as f:
json.dump(eval_result_dict, f, indent=4)
print(f"Results for run '{experiment_run}' saved to {output_file_path}")
def print_evaluation_summary(eval_result):
pointwise_metrics = eval_result.metrics_table
# Print summary metrics for the current run
summary_metrics = eval_result.summary_metrics
if summary_metrics:
for key, value in summary_metrics.items():
metric_name = key.replace('/mean', '').replace('_', ' ').title()
print(f"- {metric_name}: {key}: {value:.2f}")
else:
print("No summary metrics found for this run.")
print("\n" + "="*50 + "\n")
if not pointwise_metrics.empty:
total_questions = len(pointwise_metrics)
avg_completeness_score = pointwise_metrics['completeness_metric/score'].mean()
avg_factual_accuracy_score = pointwise_metrics['factual_accuracy_metric/score'].mean()
print("\n" + "="*50 + "\n")
print("--- Aggregated Evaluation Summary ---")
print(f"Total questions in evaluation dataset: {total_questions}")
print(f"Average Completeness Score: {avg_completeness_score:.2f}")
print(f"Average Factual Accuracy Score: {avg_factual_accuracy_score:.2f}")
print("\n" + "="*50 + "\n")
else:
print("\nNo successful evaluation runs were completed.")
8. Создайте набор данных для оценки
Чтобы оценить своего агента, вам необходимо создать набор данных для оценки , определить показатели оценки и запустить задачу оценки .
Набор данных для оценки содержит список вопросов ( подсказок ) и соответствующих им правильных ответов ( справок ). Служба оценки будет использовать эти пары для сравнения ответов вашего агента и определения их точности.
- Создайте новый файл с именем Evaluation_dataset.json в каталоге bigquery-adk-codelab и скопируйте/вставьте набор данных оценки ниже:
[
{
"prompt": "What tables are available in the dataset `ecommerce_data`?",
"reference": "The tables available in the dataset `ecommerce_data` are: `distribution_centers`, `events`, `inventory_items`, `order_items`, `orders`, `products`, and `users`."
},
{
"prompt": "How many users are there in total?",
"reference": "There are 100,000 users in total."
},
{
"prompt": "Find the email and age of the user with id 72685.",
"reference": "The email address of user 72685 is lindseybrennan@example.org and their age is 59."
},
{
"prompt": "How many orders have a status of Complete?",
"reference": "There are 31,077 orders with a status of 'complete'."
},
{
"prompt": "Which distribution center has the highest latitude, and what is it's latitude?",
"reference": "Chicago IL is the distribution center with the highest latitude, with a latitude of 41.84."
},
{
"prompt": "Retrieve the order id for all orders with a status of cancelled placed on the 1st June 2023 before 6am.",
"reference": "The order IDs for all orders with a status of 'cancelled' placed on the 1st June 2023 before 6am are: 26622, 49223"
},
{
"prompt": "What id the full name and user ids of the top 5 users with the most orders.",
"reference": "The top 5 users with the most orders are: Kristine Pennington (user ID 77359), Anthony Bright (user ID 4137), David Bean (user ID 30740), Michelle Wright (user ID 54563), and Matthew Reynolds (user ID 41136), each with 4 total orders."
},
{
"prompt": "Which distribution center is associated with the highest average retail price of its products, and what is the average retail price?",
"reference": "The distribution center associated with the highest average retail price of its products is Houston TX, with an average retail price of $69.74."
},
{
"prompt": "How many events were of type 'purchase' in Seoul during May 2024?",
"reference": "In May 2024, there were 57 'purchase' events recorded in Seoul."
},
{
"prompt": "For orders placed in June 2023, how many took three days or longer to be delivered after they were shipped?",
"reference": "In June 2023, there were 260 orders with a time difference of of 3 days or more between when they were shipped and delivered."
},
{
"prompt": "What are the names of the products and their respective retail price that have never been sold, but have a retail price greater than $210?",
"reference": "The products that have never been sold but have a retail price greater than $210 are:\n- Tommy Hilfiger Men's 2 Button Side Vent Windowpane Trim Fit Sport Coat, with a retail price of $249.9\n- MICHAEL Michael Kors Women's Hooded Leather Jacket: $211.11"
},
{
"prompt": "List the id and first name of users between the ages of 70 and 75 who have Facebook were sourced from Facebook and are located in California.",
"reference": "The users between the ages of 70 and 75 from California with 'Facebook' as their traffic source are:\n- Julie (ID: 25379)\n- Sherry (ID: 85196)\n- Kenneth (ID: 82238)\n- Linsday (ID: 64079)\n- Matthew (ID: 99612)"
},
{
"prompt": "Identify the full name and user id of users over the age of 67 who live within 3.5 kilometers of any distribution_center.",
"reference": "The users over the age of 67 who live within 3.5 kilometers of any distribution center are:\n- William Campbell (user ID: 26082)\n- Becky Cantrell (user ID: 39008)"
},
{
"prompt": "What is the median age of users for each gender?",
"reference": "The median age for female users is 41, and the median age for male users is 41."
},
{
"prompt": "What is the average sale price of complete orders compared to returned orders, and what is the percentage difference (to two decimal places) between them?",
"reference": "The average sale price for 'Complete' orders was $59.56, while for 'Returned' orders it was $59.76. This represents a percentage difference of 0.34%."
}
]
9. Определите показатели оценки
Теперь мы будем использовать две пользовательские метрики для оценки способности агента отвечать на вопросы, связанные с вашими данными BigQuery, обе из которых дают оценку от 1 до 5:
- Метрика фактической точности: она оценивает, являются ли все данные и факты, представленные в ответе, точными и правильными по сравнению с реальными данными.
- Метрика полноты: измеряет, содержит ли ответ всю ключевую информацию, запрошенную пользователем, и присутствует ли она в правильном ответе, без каких-либо критических упущений.
- Наконец, создайте новый файл с именем
evaluate_agent.pyв каталоге bigquery-adk-codelab и скопируйте/вставьте код определения метрики в файл estimate_agent.py:
import uuid
import pandas as pd
from datetime import datetime
from vertexai.preview.evaluation import EvalTask
from vertexai.preview.evaluation.metrics import (
PointwiseMetricPromptTemplate,
PointwiseMetric,
MetricPromptTemplateExamples
)
from utils import (
save_evaluation_results,
print_evaluation_summary,
get_agent_response
)
factual_accuracy_metric = PointwiseMetric(
metric="factual_accuracy_metric",
metric_prompt_template=PointwiseMetricPromptTemplate(
instruction="""You are an expert evaluator assessing the factual accuracy of an AI's answer to a user's question, given a natural language prompt and a 'reference' (ground truth) answer. Your task is to determine if all factual information in the AI's answer is precise and correct when compared to the reference.""",
criteria={
"Accuracy": """The AI's answer must present factual information (numerical values, names, dates, specific values) that are **identical** to or an exact logical derivation from the reference.
- **Wording may vary, but the core factual information must be the same.**
- No numerical discrepancies.
- No incorrect names or identifiers.
- No fabricated or misleading details.
- Note: Minor rounding of numerical values that doesn't alter the core meaning or lead to significant misrepresentation is generally acceptable, assuming the prompt doesn't ask for exact precision."""
},
rating_rubric={
"5": "Excellent: The response is entirely factually correct. **All factual information precisely matches the reference.** There are absolutely no inaccuracies or misleading details.",
"3": "Good: The response is generally accurate, but contains minor, non-critical factual inaccuracies (e.g., a negligible rounding difference or slightly wrong detail) that do not impact the core understanding.",
"1": "Poor: The response contains significant factual errors, major numerical discrepancies, or fabricated information that makes the answer incorrect or unreliable."
},
input_variables=["prompt", "reference", "response"],
),
)
completeness_metric = PointwiseMetric(
metric="completeness_metric",
metric_prompt_template=PointwiseMetricPromptTemplate(
instruction="""You are an expert evaluator assessing the completeness of an AI's answer to a user's question, given a natural language prompt and a 'reference' (ground truth) answer. Your task is to determine if the AI's answer provides all the essential information requested by the user and present in the reference.""",
criteria={
"Completeness": """The AI's answer must include **all** key pieces of information explicitly or implicitly requested by the prompt and present in the reference.
- No omissions of critical facts.
- All requested attributes (e.g., age AND email, not just one) must be present.
- If the reference provides a multi-part answer, all parts must be covered."""
},
rating_rubric={
"5": "Excellent: The response is perfectly complete. **All key information requested by the prompt and present in the reference is included.** There are absolutely no omissions.",
"3": "Good: The response is mostly complete. It has only a slight, non-critical omission that does not impact the core understanding or utility of the answer.",
"1": "Poor: The response is critically incomplete. Essential parts of the requested information are missing, making the answer less useful or unusable for the user's purpose."
},
input_variables=["prompt", "reference", "response"],
),
)
10. Создайте свою оценочную задачу
EvalTask берет набор данных оценки и пользовательские метрики и настраивает новый оценочный эксперимент.
Функция run_eval — основной механизм оценки. Она циклически проходит через задачу EvalTask, запуская вашего агента для каждого вопроса в наборе данных. Для каждого вопроса она записывает ответ агента, а затем использует заданные вами ранее метрики для оценки.
Скопируйте и вставьте следующий код в конец файла evaluate_agent.py :
def run_eval():
eval_dataset = pd.read_json("evaluation_dataset.json")
# Generate a unique run name
current_time = datetime.now().strftime('%Y%m%d-%H%M%S')
experiment_run_id = f"{current_time}-{uuid.uuid4().hex[:8]}"
print(f"--- Starting evaluation: ({experiment_run_id}) ---")
# Define the evaluation task with your dataset and metrics
eval_task = EvalTask(
dataset=eval_dataset,
metrics=[
factual_accuracy_metric,
completeness_metric
],
experiment="evaluate-bq-data-agent"
)
try:
eval_result = eval_task.evaluate(
runnable=get_agent_response, experiment_run_name=experiment_run_id
)
save_evaluation_results(eval_result, experiment_run_id)
print_evaluation_summary(eval_result)
except Exception as e:
print(f"An error occurred during evaluation run: {e}")
if __name__ == "__main__":
run_eval()
Результаты суммируются и сохраняются в файле JSON.
11. Проведите оценку
Теперь, когда у вас есть агент, метрики оценки и набор данных оценки, вы можете запустить оценку.
Вернитесь в Cloud Shell, убедитесь, что вы находитесь в каталоге bigquery-adk-codelab, и запустите скрипт оценки с помощью следующей команды:
python evaluate_agent.py
По мере выполнения оценки вы увидите примерно такой вывод:
All 30 metric requests are successfully computed. Evaluation Took:29.00278048400105 seconds Results for run '20250919-181822-6a13dd42' saved to eval_results/bq_agent_eval_results_20250919-181822-6a13dd42.json - Row Count: row_count: 15.00 - Factual Accuracy Metric: factual_accuracy_metric/mean: 2.60 - Factual Accuracy Metric/Std: factual_accuracy_metric/std: 1.72 - Completeness Metric: completeness_metric/mean: 3.27 - Completeness Metric/Std: completeness_metric/std: 1.98 - Latency In Seconds: latency_in_seconds/mean: 12.17 - Latency In Seconds/Std: latency_in_seconds/std: 6.06 - Failure: failure/mean: 0.00 - Failure/Std: failure/std: 0.00
Интерпретация результатов:
Перейдите в папку eval_results в каталоге data_agent_app и откройте файл результатов оценки с именем bq_agent_eval_results_*.json:
- Сводные показатели: предоставьте обобщенное представление об эффективности работы вашего агента по всему набору данных.
- Фактическая точность и полнота (точечные метрики): оценка, близкая к 5, указывает на более высокую точность и полноту. За каждый вопрос будет выставлена оценка, а также письменное объяснение , почему он получил именно эту оценку.
Мы видим, что средний балл за среднюю полноту и фактическую точность составляет 3,27 и 1,72 соответственно.
Результаты не очень хорошие! Давайте попробуем улучшить способность нашего агента отвечать на вопросы.
12. Улучшите результаты оценки вашего агента
Перейдите к файлу agent.py в каталоге bigquery-adk-codelab и обновите модель агента и системные инструкции. Не забудьте заменить <YOUR_PROJECT_ID> на идентификатор вашего проекта:
root_agent = Agent(
model="gemini-2.5-flash",
name="bigquery_agent",
description="Agent that answers questions about BigQuery data by executing SQL queries.",
instruction=(
"""
You are a data analysis agent with access to several BigQuery tools.
Use the appropriate tools to fetch relevant BigQuery metadata and execute SQL queries.
You must use these tools to answer the user's questions.
Run these queries in the project-id: '<YOUR_PROJECT_ID>' on the `ecommerce` dataset.
"""
),
tools=[bigquery_toolset]
)
Теперь вернитесь в терминал и повторите оценку:
python evaluate_agent.py
Вы должны увидеть, что теперь результаты стали намного лучше:
================================================== --- Aggregated Evaluation Summary --- Total questions in evaluation dataset: 15 Average Completeness Score: 4.73 Average Factual Accuracy Score: 4.20 ==================================================
Оценка вашего агента — это итеративный процесс. Чтобы улучшить результаты оценки, вы можете настроить системные инструкции, параметры модели или даже метаданные в BigQuery. Ознакомьтесь с этими советами и рекомендациями, чтобы почерпнуть ещё больше идей.
13. Уборка
Чтобы избежать постоянных списаний с вашего аккаунта Google Cloud, важно удалить ресурсы, которые мы создали во время этого семинара.
Если вы создали какие-либо конкретные наборы данных или таблицы BigQuery для этой лабораторной работы (например, набор данных электронной коммерции), вы можете захотеть удалить их:
bq rm -r $PROJECT_ID:ecommerce
Чтобы удалить каталог bigquery-adk-codelab и его содержимое:
cd .. # Go back to your home directory if you are still in bigquery-adk-codelab
rm -rf bigquery-adk-codelab
14. Поздравления
Поздравляем! Вы успешно создали и оценили агент BigQuery с помощью Agent Development Kit (ADK). Теперь вы знаете, как настроить агент ADK с помощью инструментов BigQuery и оценить его производительность с помощью специальных метрик оценки.