BigQuery 中的內容快取：快速、經濟實惠且有根據的巨量資料生成式 AI

1. 簡介

BigQuery 的生成式 AI 函式可讓您使用 SQL，透過大型語言模型 (LLM) 推論資料。您不必移動資料，就能分析情緒、生成摘要，以及為數百萬列資料中的圖片加上說明。

但如果提示需要大量脈絡 (例如政策、手冊或影片)，才能獲得準確可靠的結果，該怎麼辦？

Gemini 脈絡快取會將大量脈絡儲存在快取中，解決這個問題。後續提示會參照快取，而非每次都處理完整內容，因此延遲時間較短，輸入權杖最多可享 90% 折扣。

在本程式碼研究室中，您將建構「細則」退貨政策檢查工具，使用明確的內容快取，根據 BigQuery 中龐大的靜態退貨政策文件，分析顧客退貨要求。

學習內容

• 建立 BigQuery 資料集，並填入顧客退貨申請範例。
• 在 Gemini Enterprise Agent Platform (原稱 Vertex AI) 中建立 Context Cache，並指向儲存在 Cloud Storage 中的退貨政策文件。
• 使用 AI.GENERATE 執行查詢，參照快取，有效率地逐列評估要求。

軟硬體需求

• 網路瀏覽器，例如 Chrome
• 已啟用計費功能的 Google Cloud 雲端專案
• 存取 Google Cloud Shell

本程式碼研究室適合各種程度的開發人員 (包括初學者)。

本程式碼研究室建立的資源費用應低於 $2 美元。

預計時間：完成本程式碼研究室大約需要 30 分鐘。

2. 事前準備

建立 Google Cloud 專案

1. 在 Google Cloud 控制台的專案選取器頁面中，選取或建立 Google Cloud 專案。
2. 確認 Cloud 專案已啟用計費功能。瞭解如何檢查專案是否已啟用計費功能。

啟動 Cloud Shell

Cloud Shell 是在 Google Cloud 中運作的指令列環境，已預先載入必要工具。

1. 按一下 Google Cloud 控制台頂端的「啟用 Cloud Shell」圖示 。
2. 連至 Cloud Shell 後，請驗證您的驗證：

   gcloud auth list
   

3. 確認專案已設定完成：

   gcloud config get project
   

4. 如果專案未如預期設定，請設定專案：

   gcloud config set project <YOUR_PROJECT_ID>
   

設定專案 ID 和位置

執行下列指令，擷取有效的 Google Cloud 專案 ID，並將預設位置設為環境變數，以便在本程式碼研究室中使用：

export PROJECT_ID=$(gcloud config get-value project)
export PROJECT_NUMBER=$(gcloud projects describe $PROJECT_ID --format="value(projectNumber)")
export LOCATION="us-central1"

啟用 API

執行下列指令來啟用必要的 API：

gcloud services enable \
 bigquery.googleapis.com \
 aiplatform.googleapis.com

3. 準備 BigQuery 資料

在測試內容快取之前，我們需要資料集和填入範例顧客退貨要求的表格，才能執行查詢。

1. 建立資料集

在 Cloud Shell 中執行下列指令，建立名為 caching_demo 的 BigQuery 資料集：

bq mk --dataset $PROJECT_ID:caching_demo

2. 建立並填入資料表

執行下列指令，建立名為 return_requests 的資料表，並插入客戶退貨要求範例：

bq query \
  --use_legacy_sql=false \
  "CREATE OR REPLACE TABLE \`caching_demo.return_requests\` AS
SELECT
  10001 AS return_id,
  'P-1001' AS purchase_id,
  'I bought this jacket on Black Friday but it was too small.' AS return_comment,
  DATE('2025-11-28') AS purchase_date,
  DATE('2025-12-05') AS return_date,
  'ApexWear' AS product_brand,
  'Gold' AS customer_tier
UNION ALL
  SELECT
  10002 AS return_id,
  'P-1002' AS purchase_id,
  'The item arrived broken, I want a refund. I don\'t have photos because I threw it away.' AS return_comment,
  DATE('2026-04-01') AS purchase_date,
  DATE('2026-04-02') AS return_date,
  'GenericBrand' AS product_brand,
  'Standard' AS customer_tier
UNION ALL
  SELECT
  10003 AS return_id,
  'P-1003' AS purchase_id,
  'I bought this ApexWear jacket, took the tags off to wear it once, but it doesn\'t fit well.' AS return_comment,
  DATE('2026-02-15') AS purchase_date,
  DATE('2026-02-20') AS return_date,
  'ApexWear' AS product_brand,
  'Standard' AS customer_tier
UNION ALL
  SELECT
  10004 AS return_id,
  'P-1004' AS purchase_id,
  'This was a holiday gift but doesn\'t fit.' AS return_comment,
  DATE('2025-12-20') AS purchase_date,
  DATE('2026-01-28') AS return_date,
  'StyleCorp' AS product_brand,
  'Standard' AS customer_tier
UNION ALL
  SELECT
  10005 AS return_id,
  'P-1005' AS purchase_id,
  'I realized this doesn\'t fit' AS return_comment,
  DATE('2026-02-01') AS purchase_date,
  DATE('2026-03-15') AS return_date,
  'ApexWear' AS product_brand,
  'Gold' AS customer_tier;"

畫面上應會顯示成功訊息：

Created your-project-id.caching_demo.return_requests

現在可以建立快取了！

4. 建立脈絡快取

您將使用 curl，透過 REST 呼叫 Gemini Enterprise Agent Platform (原稱 Vertex AI) 模型端點，建立快取。

在 Cloud Shell 中執行下列指令，建立新的儲存空間 bucket。這項設定將用於儲存要快取的檔案：

gcloud storage buckets create gs://${PROJECT_ID}-caching-demo --location=${LOCATION}

接著，將範例政策文件複製到新建立的值區：

gcloud storage cp gs://sample-data-and-media/context_caching_demo/return_policy.md gs://${PROJECT_ID}-caching-demo/

現在，請執行下列指令建立快取，並參照您新暫存的政策文件 (這項作業可能需要一分鐘左右才能完成)：

curl -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  "https://${LOCATION}-aiplatform.googleapis.com/v1/projects/${PROJECT_ID}/locations/${LOCATION}/cachedContents" \
  -d '{
    "model": "projects/'"${PROJECT_ID}"'/locations/'"${LOCATION}"'/publishers/google/models/gemini-2.5-flash",
    "contents": [
      {
        "role": "user",
        "parts": [
          {
            "fileData": {
              "mimeType": "text/markdown",
              "fileUri": "gs://'"${PROJECT_ID}"'-caching-demo/return_policy.md"
            }
          }
        ]
      }
    ],
    "ttl": "3600s"
  }'

提示：curl 指令中的 TTL (存留時間) 參數會決定快取保持有效的時間長度。如果內容是靜態且經常使用，請考慮設定較長的 TTL，以免產生重建費用，但請注意每小時的儲存空間費用。

請記下 JSON 回應中傳回的 name，看起來會像這樣：projects/PROJECT_NUMBER/locations/LOCATION/cachedContents/CACHE_ID。下一個步驟會用到該 CACHE_ID。

{
  "name": "projects/123456789012/locations/us-central1/cachedContents/123456789012345"
}

在 Cloud Shell 中將 CACHE_ID 儲存為環境變數：

export CACHE_ID="<YOUR_CACHE_ID>"

5. 使用快取內容執行 AI.GENERATE

首先，請確認範例資料是否正確產生。前往 BigQuery 控制台，找出 caching_demo 資料集，然後按一下 return_requests 資料表。

在「預覽」分頁下方，您應該會看到我們稍早產生的顧客退貨要求：

現在快取已建立並填入資料，您可以使用 AI.GENERATE 查詢，只要參照該快取 ID 即可評估退款要求。

為避免手動尋找及取代變數，請在 Cloud Shell 中執行下列指令。這會動態建構 SQL 查詢，使用現有的環境變數並列印到畫面上，方便您輕鬆複製。

cat << EOF > query.sql
WITH generated_returns AS (
  SELECT
    *,
    -- Call AI.GENERATE with the prompt, schema, and cache ID
    AI.GENERATE(
      -- Construct the prompt referencing the cached policy
      prompt => CONCAT(
        'Analyze this return request using the cached Return Policy. ',
        'Return Comment: "', return_comment, '". ',
        'Purchase Date: ', purchase_date, '. ',
        'Brand: ', product_brand, '. ',
        'Customer Tier: ', customer_tier, '. '
      ),
      -- Define the structured output schema
      output_schema => """
        eligible_for_refund STRING OPTIONS(description = 'True/False whether the request is eligible for a refund based on the policy'),
        refund_type STRING OPTIONS(description = 'Classify as Full, Store Credit, or None'),
        reason_citation STRING OPTIONS(description = 'Quote the specific rule from the policy applied to this decision')
      """,    
      -- Construct the endpoint string dynamically using variables
      endpoint => 'gemini-2.5-flash',
      
      -- Pass the cached content ID using bash interpolation for the literal
      model_params => JSON '{"cachedContent": "projects/$PROJECT_NUMBER/locations/$LOCATION/cachedContents/$CACHE_ID"}'
    ) AS results
  FROM \`caching_demo.return_requests\`
)
SELECT 
  *,
  -- Extract token usage metrics from the raw JSON response
  CAST(JSON_EXTRACT_SCALAR(results.full_response, '$.usage_metadata.prompt_token_count') AS INT64) AS prompt_token_count,
  CAST(JSON_EXTRACT_SCALAR(results.full_response, '$.usage_metadata.cached_content_token_count') AS INT64) AS cached_content_token_count,
  CAST(JSON_EXTRACT_SCALAR(results.full_response, '$.usage_metadata.candidates_token_count') AS INT64) AS output_token_count,
  CAST(JSON_EXTRACT_SCALAR(results.full_response, '$.usage_metadata.total_token_count') AS INT64) AS total_token_count,
  CAST(JSON_EXTRACT_SCALAR(results.full_response, '$.usage_metadata.thoughts_token_count') AS INT64) AS thoughts_token_count,
  CAST(JSON_EXTRACT_SCALAR(results.full_response, '$.usage_metadata.billable_prompt_usage.text_count') AS INT64) AS billable_prompt_text_count,
  CAST(JSON_EXTRACT_SCALAR(results.full_response, '$.usage_metadata.billable_cached_content_usage.text_count') AS INT64) AS billable_cached_text_count
  
FROM generated_returns;
EOF

cat query.sql

現在請複製終端機中的 SQL，在瀏覽器中前往 BigQuery 控制台，然後在查詢編輯器分頁中執行查詢。

以下詳細說明這個函式呼叫中的重要引數：

• prompt：包含每個客戶資料列的具體資訊。這段文字會附加到快取中已有的退貨政策文件。
• output_schema：定義模型回覆的預期 JSON 結構。
• endpoint：指定用於生成的 Agent Platform AI 模型端點 (在本例中為 Gemini 2.5 Flash)。
• model_params：重要參數，會使用 cachedContent 欄位傳遞產生的快取 ID。

畫面上應會顯示產生的結果，分析每項退貨要求是否符合儲存的政策。向右捲動即可查看擷取的權杖指標。

以下是您會看到的權杖指標細目：

• prompt_token_count：輸入提示中處理的權杖總數 (包括快取內容)。
• cached_content_token_count：從快取提供的權杖數量 (代表靜態退貨政策文件)。
• output_token_count：模型在回覆中生成的權杖數量。
• total_token_count：提示和輸出內容的權杖總數。
• billable_prompt_text_count：提示中未快取部分的計費字元數。
• billable_cached_text_count：快取內容中可計費的字元數。

查看 billable_prompt_text_count 欄，每列只會顯示幾百個字元，也就是顧客的具體要求。相較之下，完整退貨政策的billable_cached_text_count字元數超過 30,000 個。如果沒有內容快取，您就必須為每個資料列處理完整的政策文件，並支付相關費用。透過快取，您只需支付一次大型文件費用，後續資料列只會收取小型變更提示文字的費用。

這可大幅節省批次工作的費用！

6. 清理

如要避免系統持續向您的 Google Cloud 帳戶收取費用，請刪除在本程式碼研究室中建立的資源。

在 Cloud Shell 中執行下列指令，刪除 BigQuery 資料集和資料表：

bq rm -r -f -d caching_demo

刪除為政策文件建立的暫存 bucket：

gcloud storage rm --recursive gs://${PROJECT_ID}-caching-demo

最後，請刪除內容快取，以免系統持續收取儲存空間費用 (使用您先前儲存的變數)：

curl -X DELETE \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  "https://${LOCATION}-aiplatform.googleapis.com/v1/projects/${PROJECT_ID}/locations/${LOCATION}/cachedContents/${CACHE_ID}"

7. 恭喜

恭喜！您已在 Agent Platform 中成功建立內容快取，並在 BigQuery AI 函式中參照該快取，加快分析速度，同時降低輸入權杖處理成本。

目前所學內容

• 如何設定退貨要求分析的環境資料表。
• 如何使用 curl 呼叫 Agent Platform (Vertex AI) API，明確建立靜態文件內容快取。
• 如何在 AI.GENERATE SQL 查詢中使用產生的快取 ID，以排除有效提示中多餘的輸入權杖。

參考文件

• BigQuery AI.GENERATE 語法
• Agent Platform AI Context Caching Overview