إحصاءات باستخدام "حزمة وكيل البيانات" وAntigravity IDE

1. مقدمة

صباح الاثنين، تلقّيت إشعارًا من المدير المالي. انخفض متوسط قيمة طلب الشراء بنسبة% 7 هذا الشهر، ولكن إجمالي الإيرادات ظلّ ثابتًا. هناك مشكلة، ويريد مجلس الإدارة الحصول على إجابات بحلول يوم الجمعة.

شركتك، Cymbal Pets، هي إحدى أكبر شركات بيع مستلزمات الحيوانات الأليفة بالتجزئة على الإنترنت في الولايات المتحدة. تتوزّع البيانات التي تحتاج إليها على ثلاث خدمات من Google Cloud: بيانات المعاملات في BigQuery وسجلات العملاء والمنتجات في Cloud SQL وملفات التسويق في Cloud Storage. عادةً، يتطلّب إجراء تحقيق شامل في عدة خدمات مثل هذا التبديل بين وحدات التحكّم وكتابة رمز نموذجي للاتصال ودمج النتائج معًا يدويًا.

في هذا الدرس التطبيقي حول الترميز، ستستخدم حزمة أدوات وكيل البيانات (DAK) من Google Cloud في بيئة التطوير المتكاملة Antigravity للتحقيق في القيم الشاذة باستخدام اللغة الطبيعية. ما عليك سوى وصف ما تبحث عنه، وسيتولّى وكيل الذكاء الاصطناعي عمليات الربط ولغة الاستعلامات البنيوية (SQL) وعمليات الربط بين الخدمات المختلفة في BigQuery وCloud SQL وCloud Storage. بعد حلّ المشكلة، ستطلب من الوكيل إنشاء مسار dbt الذي يفعّل نتائجك، وتصحيح خطأ حقيقي في تصميم البيانات، وتقديم اقتراح يستند إلى التوقعات إلى المدير المالي.

هل أنت مستخدم جديد لـ Antigravity؟ إذا كانت هذه هي المرة الأولى التي تستخدم فيها بيئة التطوير المتكاملة، يمكنك الاطّلاع على الدرس التطبيقي الرائع بدء استخدام Google Antigravity للحصول على مقدّمة شاملة.

الإجراءات التي ستنفذّها

• استكشاف أصول البيانات في BigQuery وCloud SQL وCloud Storage باستخدام Knowledge Catalog
• التحقيق في حالة شاذة من خلال طلب البحث من خدمات متعددة في محادثة واحدة باستخدام أدوات MCP
• إنشاء مسار dbt لتنظيم البيانات ودمجها من خدمات مختلفة باستخدام نماذج تنظيم واختبارات مبرمَجة
• تصحيح خطأ في نمذجة البيانات أثناء تشخيص الوكيل ذاتيًا وإعادة هيكلة خطأ في عملية التوزيع الموسَّع
• توقّع المؤشرات المستقبلية وتقديم اقتراح مستند إلى البيانات باستخدام AI.FORECAST في BigQuery

المتطلبات

• متصفّح ويب، مثل Chrome
• مشروع Google Cloud تم تفعيل الفوترة فيه
• معرفة أساسية بلغة SQL وGoogle Cloud Console

هذا الدرس التطبيقي حول الترميز مخصّص للمتخصصين في البيانات ذوي الخبرة المتوسطة (مهندسو التحليلات ومحللو البيانات وعلماء البيانات).

يجب أن تكون تكلفة الموارد التي تم إنشاؤها في هذا الدرس التطبيقي حول الترميز أقل من 5 دولارات أمريكية.

اختيار الأداة: يستخدم هذا التمرين المعملي بيئة التطوير المتكاملة Antigravity. سنطرح قريبًا إصدارات بديلة من هذا التحقيق نفسه مصمّمة خصيصًا Antigravity 2.0 وAntigravity CLI وClaude Code.

2. قبل البدء

في هذا القسم، ستنفّذ نص التهيئة البرمجي الذي يوفّر بيئة المختبر بأكملها: مجموعة بيانات BigQuery تتضمّن بيانات الطلبات، ومثيل Cloud SQL Postgres يتضمّن بيانات العملاء وبيانات المنتج، وحزمة Cloud Storage تتضمّن سجلّات الحملات الترويجية. يستغرق تنفيذ البرنامج النصي من 8 إلى 10 دقائق تقريبًا، وتُعدّ عملية توفير Cloud SQL هي نقطة الاختناق.

بدء Cloud Shell

ستستخدم Google Cloud Shell لتشغيل نص التهيئة البرمجي.

1. انقر على تفعيل Cloud Shell في أعلى وحدة تحكّم Google Cloud.

2. بعد الاتصال، اضبط رقم تعريف مشروعك وأكِّد بيئتك:

gcloud config set project <<YOUR_PROJECT_ID>>
export PROJECT_ID=$(gcloud config get-value project)

من المفترض أن تظهر لك رسالة مشابهة لما يلي:

Your active configuration is: [cloudshell-####]
Updated property [core/project]

إنشاء نسخة طبق الأصل من المستودع

أنشئ نسخة طبق الأصل من مستودع الدرس التطبيقي حول الترميز إلى بيئة Cloud Shell:

cd ~/
git clone --filter=blob:none --no-checkout https://github.com/GoogleCloudPlatform/devrel-demos.git
cd ~/devrel-demos
git sparse-checkout init --cone
git sparse-checkout set codelabs/agentic-data-labs
git checkout main
cd codelabs/agentic-data-labs/

تشغيل نص الإعداد البرمجي

يُعدّ نص التهيئة البرمجي بيئة المختبر بأكملها في غضون بضع دقائق. يتولّى هذا البرنامج تفعيل واجهات برمجة التطبيقات وتحميل بيانات BigQuery وتوسيعها وتحميل مواد العرض الترويجية إلى GCS، ثم ينشئ تلقائيًا عملية في الخلفية لتوفير Cloud SQL Postgres وإعداده في الخلفية أثناء بدء الدرس التطبيقي حول الترميز.

ينشئ النص البرمجي تلقائيًا كلمة مرور Cloud SQL آمنة ويحفظها في ملف .env نيابةً عنك.

cd ~/devrel-demos/codelabs/agentic-data-labs/scripts
chmod +x setup.sh setup_sql.sh
./setup.sh

عند الانتهاء، سيظهر لك ملخّص لبيئة المقدّمة:

╔══════════════════════════════════════════════════════╗
║   Base Setup complete!                               ║
╚══════════════════════════════════════════════════════╝

Your core BigQuery and GCS assets are ready.
Cloud SQL is currently provisioning in the background and will be fully ready by Step 4.

  BigQuery:   YOUR_PROJECT_ID.cymbal_pets
              ├── orders
              └── order_items

  GCS:        gs://YOUR_PROJECT_ID-cymbal-pets-raw
              └── promo_events.json

أثناء مواصلة الخطوات التالية في المختبر، يتم توفير قاعدة البيانات وتعبئتها في الخلفية. يمكنك متابعة مستوى التقدّم في المَهمّة في أي وقت في لوحة طرفية منفصلة باستخدام:

tail -f /tmp/cloudsql_setup.log

لاحظ بنية البيانات: يتم تخزين البيانات المتعلقة بالمعاملات (الطلبات وبنود الطلبات) في BigQuery، بينما يتم تخزين البيانات التشغيلية (العملاء وملفات الحيوانات الأليفة والمنتجات) في Cloud SQL. يعكس هذا التقسيم طريقة توزيع البيانات غالبًا على مستوى الخدمات في المؤسسات الحقيقية، وهو ما يجعل التحقيق في الخدمات المتعددة أمرًا مثيرًا للاهتمام.

مجموعة البيانات الأساسية هنا هي مجموعة بيانات التجارة الإلكترونية الرسمية Cymbal Pets (حوالي 1.9 مليون طلب من 92 ألف عميل)، وهي مجموعة بيانات معزّزة بسجلات من الأنشطة التجارية إلى الأنشطة التجارية الأخرى تتضمّن اللغز الذي ستتحقّق منه.

ملخّص القسم: شغّلت نص التهيئة البرمجي لتهيئة بيئة المختبر وبدأت في توفير قاعدة البيانات في الخلفية.

3- إعداد بيئة التطوير المتكاملة وحزمة "وكيل البيانات"

فتح Antigravity IDE

لست بحاجة إلى انتظار انتهاء عملية إنشاء Cloud SQL. يمكنك الآن فتح بيئة التطوير المتكاملة Antigravity وربطها بمشروعك على Google Cloud.

1. إذا لم يسبق لك إجراء ذلك، نزِّل Antigravity IDE وثبِّته من صفحة تنزيل Google Antigravity.
2. شغِّل تطبيق Antigravity IDE على الكمبيوتر.
3. أنشئ مجلدًا جديدًا فارغًا على جهازك المحلي (مثل agentic-data-labs)، وافتحه في بيئة التطوير المتكاملة (IDE) من خلال اختيار فتح مجلد. سيكون هذا بمثابة مساحة عملك المحلية خلال الدرس التطبيقي حول الترميز.

تثبيت إضافة "حزمة أدوات وكيل البيانات"

يوفّر إضافة "مجموعة أدوات Google Cloud Data Agent" تكاملاً عميقًا مع خدمات بيانات Google Cloud مباشرةً في المحرّر، ما يتيح لك التفاعل مع BigQuery وCloud SQL وCloud Storage وغير ذلك بدون تبديل السياقات.

1. في بيئة التطوير المتكاملة Antigravity، انقر على رمز الإضافات في "شريط الأنشطة" في أقصى يمين الشاشة (يبدو الرمز على شكل أربعة مربعات).
2. في شريط البحث أعلى لوحة "الإضافات"، اكتب Google Cloud Data Agent Kit.
3. ابحث عن الإضافة المسماة Google Cloud Data Agent Kit التي نشرها googlecloudtools.
4. انقر على الزر تثبيت.
5. قد تظهر رسالة تسألك: "هل تثق في الناشر googlecloudtools وإضافاته؟". انقر على الوثوق بالناشرين والتثبيت للمتابعة.

بعد التثبيت، سيظهر رمز Google Cloud Data Agent Kit جديد في شريط الأنشطة في أقصى يمين بيئة التطوير المتكاملة Antigravity.

المصادقة على الإضافة وضبطها

بعد التثبيت، اربط الإضافة بمشروعك على Google Cloud.

1. من المفترض أن تفتح تلقائيًا صفحة إعداد بعنوان "مرحبًا بك في Google Cloud Data Agent Kit". إذا لم تكن مسجِّلاً الدخول إلى حسابك على Cloud، اتّبِع أي طلبات للسماح بالوصول.
2. في قسم ملخّص الإعداد، ابحث عن حقل المشروع. انقر على القائمة المنسدلة واختَر مشروعك على Google Cloud. اضبط منطقتك على us-central1. بعد ذلك، انقر على إعداد خوادم MCP.

3. ضمن لوحة إعدادات MCP، انقر لتفعيل BigQuery وCloud SQL. بعد ذلك، انقر على البدء.

هل سبق لك تثبيت التطبيق أو لم يتم فتح صفحة الترحيب؟ يمكنك فتح إعدادات الإضافة يدويًا في أي وقت. انقر على رمز Google Cloud Data Agent Kit في شريط الأنشطة في أقصى اليمين، ثمّ اختَر الإعدادات لتبديل إعداداتك.

ملاحظة حول المهارات النشطة/خوادم MCP: إذا كانت لديك مهارات مخصّصة أو خوادم MCP أخرى نشطة في بيئة التطوير المتكاملة، قد تتداخل مع التدفق المتوقّع لهذا المختبر. إذا كان سلوك الوكيل غير متوقّع، ننصحك بإيقافه في هذا المختبر.

استكشاف خيارات الإعداد

بعد اكتمال عملية الإعداد، ستنتقل إلى صفحة "البدء باستخدام Google Cloud Data Agent Kit".

1. ضمن "الإعداد والتكوين"، انقر على البدء.
2. سيؤدي ذلك إلى فتح لوحة إعدادات Data Agent. استكشاف علامات التبويب:
   • المشروع والمنطقة: تحقَّق من رقم تعريف المشروع الذي اخترته وتأكَّد من تفعيل واجهات برمجة التطبيقات المطلوبة (Cloud Storage API وBigQuery API وCatalog API وCloud SQL Admin API).
   • ‫BigQuery: اضبط الموقع الجغرافي التلقائي لطلبات البحث في BigQuery. استخدِم المنطقة us-central1.
   • ضبط خوادم MCP: يمكنك الاطّلاع على خوادم MCP المفعّلة (مثل BigQuery وNotebooks وCloud SQL وما إلى ذلك) التي تتيح لوكلاء الذكاء الاصطناعي التفاعل بأمان مع بياناتك.
   • المهارات: استكشِف المهارات الجاهزة التي تزوّد الوكلاء بقدرات متخصّصة لإنجاز مهام البيانات المعقّدة.

ملخّص القسم: فتحت بيئة التطوير المتكاملة Antigravity، وربطتها بمشروعك على Google Cloud، وأعددت خوادم MCP البعيدة في Data Agent Kit، وتأكّدت من عملية الربط من خلال تنفيذ طلب بحث في BigQuery.

4. الاطّلاع على بياناتك

حان الوقت لضبط المشهد. إليك الوضع: يقول المدير المالي إنّ متوسّط قيمة طلب الشراء انخفض بنسبة% 7 في الشهر الماضي، ولكن إجمالي الإيرادات ظلّ ثابتًا. قبل أن تطلب من الوكيل التحقيق، عليك أولاً فهم البيانات التي تعمل عليها.

في هذا القسم، ستستكشف يدويًا لوحة "حزمة أدوات وكيل البيانات" للتعرّف على محتواها. يُعدّ فهم بياناتك قبل البدء في الاستعلام عنها خطوة أولى مهمة في أي تحقيق.

استكشاف جداول BigQuery

1. في لوحة "مجموعة أدوات وكيل البيانات"، ضِمن الفهرس، وسِّع مشروعك → BigQuery → cymbal_pets.
2. انقر على الجدول orders. سيتم فتح علامة تبويب جديدة تعرض تفاصيل الجدول.
3. استكشِف علامات التبويب على الجانب الأيمن من عارض الجدول:
   • البيانات: لمعاينة الصفوف الفعلية تصفَّح مجموعة البيانات وافحص الأعمدة.
   • المخطّط: راجِع أسماء الأعمدة وأنواعها. لاحظ الحقول مثل order_type وpromo_code التي ستصبح مهمة لاحقًا.
   • علامات التبويب الأخرى (التفاصيل والإحصاءات وملف البيانات الشخصية وما إلى ذلك): يمكنك الوصول إلى البيانات الوصفية وسلسلة البيانات وتفاصيل الجودة التي تجدها عادةً في "وحدة تحكّم Google Cloud"، وكل ذلك بدون مغادرة المحرّر.

4. انقر الآن على الجدول order_items وراجِع مخططه. لاحظ الحقلَين quantity وprice.

رصد المؤشرات مبكرًا: أثناء تصفّح البيانات، قد تلاحظ بعض العناصر التي تبدو غير عادية: B2B-Wholesale نوع طلب وpromo_code حقل. لا داعي للقلق بشأن ربط الأفكار ببعضها في الوقت الحالي. سيساعدك الموظف في ذلك.

استكشاف جداول Cloud SQL

وضع نص التهيئة البرمجي أيضًا بيانات العملاء والحيوانات الأليفة والمنتجات في قاعدة بيانات PostgreSQL في Cloud SQL.

5. في لوحة "مجموعة أدوات وكيل البيانات"، انقر على البحث الشامل ضمن قسم الفهرس.
6. في مربّع البحث، اكتب pet_profiles واضغط على Enter.
7. في نتائج البحث، انقر على نتيجة "جدول PostgreSQL" الخاصة بـ pet_profiles (ضمن مثيل Cloud SQL الخاص بمشروعك). لاحظ أنّ قائمة الأكورديون في الشريط الجانبي تتوسّع تلقائيًا، ما يوضّح لك مكان الجدول في شجرة قاعدة البيانات. انقر الآن على جدول customers الذي يقع فوقه مباشرةً في الشجرة لفتح تفاصيله، واستكشِف علامتَي التبويب المخطط والتفاصيل.

استكشاف ملفات Cloud Storage

أخيرًا، يتم تخزين سجلّات الحملات التسويقية والترويجية كملفات JSON أولية في Cloud Storage.

8. في لوحة "مجموعة أدوات وكيل البيانات" على يمين الصفحة، وسِّع القسم التخزين السحابي. ابحث عن حزمة البيانات الأولية لمشروعك (YOUR_PROJECT_ID-cymbal-pets-raw).
9. انقر على ملف promo_events.json داخل الحزمة. يتم فتح علامة تبويب جديدة للمحرّر، ما يتيح لك عرض محتوى JSON Lines الأولي للحملات التسويقية مباشرةً داخل بيئة التطوير المتكاملة.

تقييم الوضع

في ما يلي ما تعرفه الآن عن مشهد البيانات:

الخدمة	الجداول	المحتوى المتوفّر
BigQuery	‫orders، order_items	‫1.9 مليون طلب و4.3 مليون بند إعلاني، النطاق الزمني من 2023 إلى 2025
Cloud SQL	‫customers، pet_profiles، products	‫92 ألف عميل و7,600 ملف شخصي للحيوانات الأليفة و206 منتجات
Cloud Storage	promo_events.json	سجلّات الحملات الترويجية

لماذا يتم تقسيم البيانات على مستوى الخدمات؟ ويعكس ذلك البُنى الحقيقية. ‫Cloud SQL هي قاعدة بيانات OLTP. تم تحسينها لإجراء عمليات سريعة على مستوى الصفوف، مثل تعديل عنوان أحد العملاء أو معالجة طلب واحد. ‫BigQuery هو مستودع معالجة تحليلية على الإنترنت (تحليلي). وهي أفضل لفحص ملايين الصفوف للإجابة عن أسئلة مثل "ما هو متوسّط قيمة طلب الشراء لدينا هذا الشهر؟". في معظم المؤسسات، ستجد البيانات في كليهما، وهذا هو السبب في أنّ أدوات التحقيق في الخدمات المتعددة، مثل "حزمة أدوات وكيل البيانات"، مهمة للغاية.

يتم توزيع البيانات على ثلاث خدمات. في سير العمل التقليدي، عليك إعداد عمليات الربط وكتابة رمز التكامل ودمج النتائج يدويًا. في الخطوة التالية، ستسمح لوكيل الذكاء الاصطناعي بالتعامل مع كل ذلك من خلال محادثة واحدة.

ملخّص القسم: استخدمت لوحة "مجموعة أدوات وكيل البيانات" لاستكشاف بنية البيانات يدويًا في BigQuery وCloud SQL وCloud Storage. أنت تعرف الآن مكان تخزين البيانات والحقول المتاحة، لذا أنت جاهز لبدء التحقيق.

5- اتّباع الأرقام

يبدأ التحقيق الآن. ستستخدِم لوحة Chat لطلب استخراج بيانات "متوسّط قيمة طلب الشراء" (AOV) من BigQuery من وكيل الذكاء الاصطناعي. متوسّط قيمة أمر الشراء هو مقياس تجاري يمثّل متوسط المبلغ بالدولار الأمريكي الذي يتم إنفاقه لكل طلب. سيُجري الوكيل طلب بحث نيابةً عنك باستخدام "أدوات MCP"، وستتمكّن من الاطّلاع على كل طلب بحث SQL يُجريه.

استرداد مؤشر متوسّط قيمة طلب الشراء

1. في لوحة Chat على يسار IDE، اكتب الطلب التالي واضغط على Enter:

   Calculate our monthly average order value from August 2024 through January 2025
   using the orders and order_items tables in BigQuery.
   

2. الموافقة على أذونات الوصول إلى البيانات: من المفيد توخّي الحذر بشأن وكلاء الذكاء الاصطناعي الذين ينفّذون طلبات بحث في قواعد البيانات. يمنحك "حزمة أدوات وكيل البيانات" التحكّم الكامل في بياناتك من خلال التوقّف مؤقتًا لطلب إذن صريح قبل الوصول إلى البيانات. عندما يُطلب منك ذلك، يمكنك اختيار:
   • السماح بالاستخدام هذه المرة: يوافق على استخدام واحد (مثالي لتدقيق طلبات البحث العالية الخطورة).
   • السماح دائمًا: يوافق على الاستخدام المستمر لهذه الأداة المحدّدة للجلسة.
   • لا: يحظر الإجراء تمامًا.
   للحصول على أفضل تجربة في المختبر، اختَر نعم، والسماح دائمًا.ملاحظة: يتم منح الأذونات لكل أداة على حدة. من المحتمل أن تظهر لك بعض الطلبات الإضافية قريبًا عندما يستخدم الوكيل أدوات جديدة (مثل list_table_ids أو execute_sql_readonly). يمكنك أيضًا النقر على "السماح دائمًا" لهذه الطلبات.

3. مشاهدة الوكيل وهو يعمل يعمل جزء "المحادثة" كسجلّ شفافية لكل ما يفعله الوكيل. بدلاً من المربع الأسود، يعرض لك الوكيل أسباب اتّخاذ الإجراءات في الوقت الفعلي.
4. بعد أن ينتهي الوكيل من عمله، انقر على القائمة المنسدلة العمل لمدة X دقيقة أسفل طلبك لتوسيع سجلّ العمل الكامل. يمكنك هنا الاطّلاع على الطريقة التي حصلت بها على إجابتك:
   • تم استكشافه: وسِّع هذه العناصر للاطّلاع على الملفات التي يقرأها الوكيل أو المجلدات التي يتصفّحها أو أدوات MCP التي يستدعيها (مثل datacloud_bigquery_remote / list_table_ids وexecute_sql_readonly). يمكنك الاطّلاع على وسيطات JSON الدقيقة التي تم تمريرها إلى الأدوات وعبارات SQL التي تم تنفيذها.
   • تم التنفيذ: وسِّع هذه العناصر للاطّلاع على أي أوامر طرفية نفّذها الوكيل، مثل gcloud config list.

5. راجِع النتائج. يجب أن يعرض الوكيل جدولاً بقيم متوسّط قيمة أمر الشراء شهريًا. يمكنك الاطّلاع على الأرقام بنفسك: يبلغ متوسط الإنفاق في الأشهر السابقة حوالي 110 دولار أمريكي، ثم ينخفض في شهر يناير إلى حوالي 103 دولار أمريكي. هذا هو الشذوذ الذي رصده المدير المالي.

ما هي أدوات MCP ومهارات الوكيل؟ أدوات MCP هي عمليات الربط الآمنة التي تتيح للوكيل التفاعل مع الخدمات الخارجية، مثل BigQuery وCloud SQL. مهارات الوكيل هي مجموعات تعليمات مُعدّة مسبقًا (مثل discovering-gcp-data-assets) تعلّم الوكيل كيفية التعامل مع مهام معيّنة. وتشكّل هذه العناصر معًا طبقة قابلة للتدقيق. انقر على أي خطوة لمعرفة ما فعله الوكيل وسبب ذلك.

التوغّل حسب القناة

انخفض متوسط قيمة الطلب الإجمالية، ولكن ما هو مصدر هذا الانخفاض؟ هيا نطّلع على الإجابة.

5. في لوحة Chat، اكتب ما يلي:

   January looks lower than the prior months. 
   Break down January's AOV by order_type to see what's going on?
   

6. ينفّذ الوكيل طلب بحث آخر في BigQuery، ولكن هذه المرة يتم التجميع حسب order_type. راجِع النتائج بعناية، وستلاحظ أمرًا لافتًا: يظلّ متوسّط قيمة أمر الشراء على الإنترنت وبلا إنترنت ثابتًا عند 110 دولار أمريكي تقريبًا. ولكن هناك قناة جديدة، B2B-Wholesale، بمتوسط قيمة طلب أقل بكثير (حوالي 75 دولارًا أمريكيًا). تؤدي هذه القناة الجديدة إلى خفض المتوسط المدمج.
7. قد يقترح الوكيل بشكل استباقي التحقيق في العملاء من الشركات. إذا لم يكن كذلك، فلا بأس. يمكنك إجراء ذلك في الخطوة التالية.

يربط موظّف الدعم المعلومات ببعضها. لاحظ أنّ الوكيل يفسّر النتائج وقد يقدّم معلومات مثل "يبدو أنّ قناة B2B-Wholesale هي نوع طلب جديد لم يكن متوفّرًا في الأشهر السابقة". هذا النوع من التحليل الاستباقي هو ميزة رئيسية في وكيل DAK.

ملخّص القسم: لاحظت بنفسك الانخفاض في متوسّط قيمة أمر الشراء في كانون الثاني (يناير) من خلال استخراج بيانات محايدة، ثمّ تعمّقت في البيانات حسب order_type لتحديد B2B-Wholesale كقناة جديدة تؤدي إلى انخفاض المتوسط المدمج. عليك الآن معرفة هوية عملاء B2B هؤلاء.

6. تجاوز حدود الخدمة

لقد حدّدت B2B-Wholesale كقناة غير طبيعية في BigQuery، ولكن بيانات العملاء محفوظة في Cloud SQL. باستخدام "حزمة أدوات وكيل البيانات"، يمكنك مواصلة المحادثة نفسها، كما أنّها تتعامل مع حدود الخدمة.

التحقيق في العملاء من الشركات

1. في لوحة المحادثة، اكتب:

   Who are these B2B customers? Their profiles should be in our Cloud SQL database. 
   Check for:
   - Who they are
   - When they signed up
   - Whether they're new or existing customers
   

2. راقِب لوحة Chat بعناية. من المفترض أن تظهر أداة MCP مختلفة هذه المرة. يطلب الوكيل الآن بيانات من Cloud SQL بدلاً من BigQuery.يتصل الوكيل بمثيل cymbal-pets-ops Cloud SQL Postgres وينفّذ طلب بحث في الجدول customers. انقر على عرض التفاصيل للاطّلاع على SQL.
3. راجِع النتائج. يجب أن يعرض الوكيل عدة نتائج رئيسية:
   • يستفيد جميع عملاء العلاقات التجارية بين نشاط تجاري وآخر من customer_type = 'Business'
   • تم الاشتراك في كل هذه الحسابات خلال آخر 30 يومًا (يناير 2025)
   • last_name هي أسماء أنشطة تجارية مثل "Pet Supply Co" و"Animal Care LLC" و "Happy Paws Inc".
   • يبلغ عددها حوالي 100، وهي مجموعة لم تكن موجودة قبل هذا الشهر

تجاوز حدود الخدمة: قدّم الوكيل طلب بحث في خدمتَين مختلفتَين من Google Cloud (BigQuery وCloud SQL) ضمن المحادثة نفسها. لاحظ اسم "أداة MCP" المختلف في لوحة Chat. لا حاجة إلى إعداد اتصال أو ضبط بيانات الاعتماد. وقد عالج الوكيل ذلك تلقائيًا.

ربط الرمز الترويجي

4. قد يلاحظ الوكيل من تلقاء نفسه أنّ العديد من طلبات B2B في BigQuery تحمل قيمة promo_code تبلغ BIGORDER25. إذا قدّمت هذه الملاحظة من تلقاء نفسها، فهذا أمر رائع. يتم إحراز تقدّم في التحقيق بشكل طبيعي.إذا لم يذكر الموظف الرمز الترويجي، يمكنك تذكيره به:

   I noticed a promo_code field on the orders table in BigQuery. 
   Check what promo codes appear on the B2B-Wholesale orders?
   

5. يعيد الوكيل طلب البحث من BigQuery ويجد أنّ% 92 تقريبًا من طلبات B2B-Wholesale تتضمّن promo_code = 'BIGORDER25'. يرتبط كل نشاط تقريبًا بين الشركات بحملة ترويجية واحدة.من المفترض أن يكون الموظف مهتمًا الآن بمعرفة مصدر هذا الرمز الترويجي. وقد يسأل عمّا إذا كانت هناك بيانات ترويجية في أي مكان آخر في البيئة. (تتوفّر في Cloud Storage).

ملخّص القسم: طلب الوكيل من Cloud SQL عرض أنّ عملاء B2B هم جميع الأنشطة التجارية الجديدة التي اشتركت في يناير 2025. بالإضافة إلى نتيجة BigQuery التي تشير إلى أنّ% 92 تقريبًا من طلباتهم تتضمّن promo_code = 'BIGORDER25'، يشير المسار الآن إلى حملة ترويجية. حان وقت العثور على المصدر.

7. Find the Missing Piece

تم حلّ مشكلتَين، وبقيت مشكلة واحدة. أنت تعرف ما حدث (طلبات بين مؤسسة تجارية وأخرى تخفّض متوسّط قيمة أمر الشراء) ومَن قام بذلك (عملاء جدد من المؤسسات خلال آخر 30 يومًا). عليك الآن معرفة السبب، والإجابة موجودة في Cloud Storage.

التحقّق من حزمة GCS

1. في لوحة المحادثة، اكتب:

   Good catch on the promo code. 
   We might have promotional campaign data in our GCS bucket. 
   Can you check what's there?
   

2. لا يتوفّر لدى الوكيل أداة MCP تم إعدادها مسبقًا لخدمة Cloud Storage، لذا يتم تلقائيًا الانتقال إلى استخدام أداة الوحدة الطرفية لتنفيذ أوامر gcloud storage. سيطلب منك الإذن بتنفيذ أوامر مثل gcloud storage ls. اسمح بهذه الأوامر، ثم وسِّع سجلّ تم التنفيذ في لوحة "المحادثة" للاطّلاع على أوامر واجهة سطر الأوامر التي استخدمها لقراءة ملف promo_events.json وتحليله.
3. يجب أن يحدّد العميل ثلاث حملات ترويجية في الملف:

   الحملة	رمز ترويجي	خصم	الهدف	التواريخ
   تخفيضات على مستلزمات العناية بالحيوانات الأليفة في الصيف	PETSUMMER15	خصم 15%	الكل	حزيران (يونيو) 2024
   B2B Wholesale Push	BIGORDER25	خصم% 25	B2B	يناير 2025
   مكافأة الاحتفال بالعطلات لأعضاء برنامج الولاء	LOYAL10	خصم بنسبة% 10	أعضاء برنامج الولاء	ديسمبر 2024

   إليك الرمز الترويجي BIGORDER25 الذي يرتبط بحملة باسم B2B Wholesale Push: خصم بنسبة% 25 لعملاء B2B مع حدّ أدنى لكمية الطلب يبلغ 50 وحدة. هذا هو الدليل القاطع.

ثلاث خدمات، محادثة واحدة في الأقسام الثلاثة الأخيرة، استعلم الوكيل عن BigQuery (بيانات المعاملات) وCloud SQL (بيانات العملاء) وCloud Storage (البيانات الترويجية)، وكل ذلك من سلسلة المحادثات نفسها، بدون أي إعداد أو تبديل للسياق من جانبك. هذه هي الفائدة الأساسية لـ "مجموعة أدوات وكيل البيانات": وكيل ذكاء اصطناعي واحد يعمل على مستوى مجموعة بياناتك بالكامل.

وضع كل شيء معًا

4. اطلب من الوكيل تلخيص كل ما عثر عليه:

   Put it all together. 
   What happened to our average order value?
   

5. يقدم الوكيل ملخصًا واضحًا ومنظَّمًا يربط بين جميع مصادر البيانات الثلاثة. يجب أن يوضّح ما يلي:
   1. الانخفاض في متوسط قيمة الطلب حقيقي، ولكنّه لا يشير إلى تراجع في النشاط التجاري الحالي. ظلّ متوسّط قيمة أمر الشراء على الإنترنت وخارجه ثابتًا عند 110 دولار أمريكي تقريبًا.
   2. ظهرت قناة جديدة لبيع الجملة بين الشركات (B2B) في يناير 2025، مع حوالي 25,000 طلب بمتوسط قيمة طلب أقل بكثير (من 75 إلى 100 دولار أمريكي).
   3. العملاء من المؤسسات هم 100 حساب نشاط تجاري جديد تم الاشتراك فيها جميعًا خلال آخر 30 يومًا (Cloud SQL).
   4. النشاط ناتج عن حملة ترويجية ("B2B Wholesale Push") تقدّم خصمًا بنسبة% 25 على الطلبات المجمّعة التي تتضمّن 50 وحدة كحدّ أدنى (خدمة التخزين السحابي).
   5. الأرباح ثابتة لأنّ العدد الكبير من طلبات B2B يعوّض الأسعار المنخفضة. ومع ذلك، تنخفض هوامش الربح بشكل كبير (بنسبة %65 تقريبًا) في ظل الخصم بالجملة البالغ% 25، ما يهدد الربحية الإجمالية بشكل كبير عند أخذ تكاليف الشحن والتكاليف التشغيلية العامة في الاعتبار.
   هذه هي اللحظة التي تتضح فيها الصورة. سؤال المدير المالي له إجابة واضحة: انخفض متوسط قيمة أمر الشراء لأنّ برنامجًا موجّهًا للشركات أطلقته إدارة التسويق أدى إلى زيادة عدد الطلبات المنخفضة السعر في شهر يناير. أن يكون النشاط التجاري الحالي سليمًا.

ملخّص القسم: عثرت على الدليل القاطع في Cloud Storage: حملة ترويجية بين الشركات تقدّم خصمًا بنسبة% 25 على الطلبات المجمّعة. وقد جمع الوكيل النتائج من جميع الخدمات الثلاث في سرد واضح. اكتملت مرحلة التحقيق. بعد ذلك، ستضع هذه النتائج موضع التنفيذ.

8. إنشاء مسار العرض

لقد حللت القضية. يريد المدير المالي الآن أن يتم تعديل هذا التحليل تلقائيًا. في هذا القسم، ستطلب من الوكيل إنشاء مشروع dbt يجهّز بيانات BigQuery وينتج جدول حقائق لإجراء تحليل مستمر لمتوسط قيمة الطلب.

هنا يتحوّل دور الوكيل من محقّق إلى مهندس. سيتم إنشاء مشروع dbt كامل وتشغيل خط الأنابيب الكامل، كل ذلك من خلال طلب واحد.

ما هي أداة dbt؟ أداة dbt (أداة إنشاء البيانات) هي إطار عمل يتيح لممارسي البيانات تحويل البيانات في مستودعهم باستخدام SQL. وتتعامل مع لغة SQL مثل الرمز البرمجي، وتضيف إليها ميزات التحكّم في الإصدارات والاختبار الآلي وإدارة التبعيات.

إنشاء بنية مشروع dbt

1. في لوحة المحادثة، اكتب الطلب التالي. وهي موجّهة نحو الهدف بشكل متعمّد بدلاً من أن تكون خطوة بخطوة. أنت تخبر الوكيل بما تريد، وليس كيفية إنشائه:

   I want to productionize our AOV analysis so it updates automatically. Build a dbt project that:
   1. Creates staging models for the BigQuery tables (orders and order_items) and a mart called fct_order_analysis that calculates AOV by channel and month
   2. Add a uniqueness test on order_id and run dbt build
   

2. مراقبة التصحيح الذاتي: إذا وسّعت سجلّ "العمليات التي تم تنفيذها في N ثانية"، قد ترى أنّ البرنامج المساعد يبحث عن dbt، وعندما يجد أنّه غير متوفّر، ينفّذ تلقائيًا أوامر لإنشاء بيئة افتراضية بلغة Python (.venv). ويتولّى البرنامج إعداد البيئة نيابةً عنك.

3. مراجعة خطة التنفيذ: سينشئ الوكيل خطة تنفيذ رسمية. يمكنك مراجعة الملفات والبنية المقترَحة، وإضافة تعليقات إذا لزم الأمر، ثم النقر على متابعة للسماح للوكيل بتنفيذ الخطة.

4. شاهِد لوحة Chat أثناء تنفيذ الوكيل لخطته، وكتابة ملفات .sql وإعدادات YAML اللازمة. عندما تنتهي العملية ويتم تجميع المشروع بنجاح، سيتم عرض ملخّص للتغييرات. انقر على قبول الكل لإضافة هذه الملفات إلى مساحة عملك.

5. استكشِف مشروع dbt الذي تم إنشاؤه حديثًا في المستكشف على يمين الصفحة. من المفترض أن تظهر بنية مشابهة لما يلي:

   dbt/
   ├── models/
   │   ├── marts/
   │   │   └── fct_order_analysis.sql
   │   └── staging/
   │       ├── schema.yml
   │       ├── sources.yml
   │       ├── stg_order_items.sql
   │       └── stg_orders.sql
   ├── dbt_project.yml
   └── profiles.yml
   

6. انقر على ملفات نموذج .sql لمراجعة SQL الذي أنشأه الوكيل. يُرجى الانتباه إلى طريقة تعاملها مع ما يلي:
   • نماذج التجهيز: أعمدة نظيفة تمت إعادة تسميتها مع مراجع المصدر
   • نموذج المستودع: منطق الربط واحتساب متوسط قيمة الطلب حسب القناة

مراجعة رمز المتجر: افتح models/marts/fct_order_analysis.sql. لاحظ كيف يتم تجميع عناصر السطر أولاً للحفاظ على جدول الحقائق على مستوى تفاصيل الطلب. ملاحظة: عدِّل ملفات المصدر فقط داخل الدليل models/، وليس الملفات التي يتم إنشاؤها تلقائيًا في /target/.

7. تحقَّق من لوحة "المحادثة" للتأكّد من أنّ جميع النماذج قد تم إنشاؤها وأنّ جميع الاختبارات قد اجتازت. يجب أن تؤكّد نتائج متوسط قيمة الطلب من المتجر ما عثرت عليه أثناء التحقيق:

   - Online: ~$110
   - Offline: ~$110
   - B2B-Wholesale: ~$75 to $77
   

ملخّص القسم: أنشأ الوكيل مشروع dbt من طلب واحد موجّه نحو هدف معيّن: نماذج مرحلية ونماذج مستودع بيانات منظَّمة، ونفّذ عملية dbt build ناجحة، وأكّد وجود خلل في متوسط قيمة الطلب. بعد ذلك، ستطرح سؤالاً صعبًا لمعرفة كيف يتعامل الوكيل مع التعقيد.

9- عندما تفشل الاختبارات، يقوم الوكيل بتصحيح الأخطاء

تعمل سلسلة المعالجة، ولكنها تستخدم بيانات BigQuery فقط. يريد فريق المنتج إثراء التحليل ببيانات ملفات العملاء والحيوانات الأليفة من Cloud SQL حتى يتمكّن من اقتراح منتجات استنادًا إلى الاحتياجات الغذائية. وهذا يعني أنّ العامل يحتاج إلى تجاوز حدود Cloud SQL والتعامل مع خطأ بسيط في تصميم البيانات، وهو عملية ربط "توزيع موسَّع" نموذج الأبعاد الكلاسيكي.

ما هو "التوزيع الموسَّع"؟ إذا كان أحد الطلبات يخصّ عميلاً لديه 3 حيوانات أليفة، سيؤدي طلب SQL عادي JOIN إلى إنشاء 3 صفوف متطابقة لهذا الطلب الفردي (صف واحد لكل حيوان أليف). يؤدي ذلك إلى "توسيع نطاق" البيانات وإتلاف مقاييس مثل "متوسط قيمة طلب الشراء" لأنّه يحتسب أرباح الطلب نفسه 3 مرات. لحلّ هذه المشكلة، يجب تجميع الحيوانات الأليفة في قائمة (مصفوفة) قبل الانضمام.

استنادًا إلى النموذج الذي تستخدمه وإمكاناته في الاستدلال، سيتعامل الوكيل مع هذا الطلب بإحدى طريقتَين: تجنُّب الخطأ بشكل استباقي (الخيار أ) أو الإصلاح الذاتي بعد تعذُّر الاختبار (الخيار ب). لنطّلع على المسار الذي سيتّخذه الوكيل.

بدء الطلب

1. في لوحة المحادثة، اكتب:

   Enrich fct_order_analysis with customer data and pet profile data from our Cloud SQL database. 
   Include customer type and each customer's pets and dietary needs so we can recommend products. 
   Keep the uniqueness test on order_id and run dbt build.
   

2. مشاهدة الوكيل وهو يعمل سيكتشف جداول Cloud SQL، ويحدد كيفية نقل البيانات إلى BigQuery (من خلال طلب بحث موحّد أو نسخة مادية)، وينشئ نماذج مرحلية جديدة، ويعدّل fct_order_analysis.sql.

الخيار (أ): الوكيل الاستباقي (تجنُّب الأخطاء)

إذا كنت تستخدم نموذج استدلال متقدّمًا، قد يرصد الوكيل تغيير مستوى التفاصيل قبل كتابة أي رمز. تدرك هذه الدالة أنّه بما أنّ العميل يمكنه امتلاك حيوانات أليفة متعددة، فإنّ الربط المباشر سيؤدي إلى تكرار الطلبات وسيفشل على الفور اختبار التفرد الذي طلبته في order_id.

1. مراقبة التجميع الاستباقي: في شرح لوحة "المحادثة" أو عنصر "التجربة الإرشادية"، قد يشير العميل إلى أنّه تم تجميع بيانات الحيوانات الأليفة مسبقًا قبل ربطها لمنع حدوث "توزيع موسَّع كلاسيكي". ويتم ذلك عادةً من خلال دمج حيوانات أليفة متعددة لكل عميل باستخدام دالة تجميع (مثل ARRAY_AGG() أو STRING_AGG()).
2. التحقّق من النتائج: يتم تشغيل dbt build واجتيازه بنجاح في المحاولة الأولى لأنّ الوكيل حافظ بشكل استباقي على مستوى التفصيل في جدول الحقائق. يمكنك التأكّد من ذلك من خلال الاطّلاع على عنصر Walkthrough الذي تم إنشاؤه، والذي يعرض غالبًا نتائج الاختبار الناجح إلى جانب نتائج طلب البحث.

إذا كان الوكيل قد نفّذ ذلك، تهانينا! لقد شهدت هندسة استباقية للذكاء الاصطناعي. خصِّص بعض الوقت لمراجعة استعلام SQL الذي تم إنشاؤه في fct_order_analysis.sql لمعرفة كيفية تنظيم التجميع، ثم انتقِل إلى القسم التالي، تقديم الإجابة.

الخيار (ب): أداة الإصلاح الذاتي (تصحيح الأخطاء والتشخيص)

إذا كتب النموذج أولاً عملية ربط بسيطة مباشرة من اليسار، سيتم تنفيذ طلب بحث SQL بنجاح، ولكن مجموعة اختبارات dbt test الآلية سترصد تغيير الحبوب.

1. مراقبة تعذُّر الاختبار: سيظهر لك الخطأ في سجلّات مستوى التقدّم في تنفيذ لوحة المحادثة:

   Completed with 1 error
   
   Failure in test unique_fct_order_analysis_order_id
   Got 287 results, configured to fail if != 0
   

   أظهر اختبار التفرد على order_id إدخالات مكررة لأنّ العملاء الذين لديهم حيوانات أليفة متعددة وزّعوا الطلبات.
2. السماح للوكيل بتشخيص المشكلة وإصلاحها ذاتيًا: بما أنّ الاختبار قد فشل، اطلب من الوكيل تصحيح الأخطاء. في لوحة المحادثة، اكتب:

   The uniqueness test failed. Can you figure out why and fix it?
   

3. مشاهدة التشخيص: سيطلب الوكيل البيانات، ويكتشف علاقة الواحد إلى الكثير في pet_profiles، ويوضّح أنّ ربطها مباشرةً يغيّر مستوى التفصيل من صف واحد لكل طلب إلى صف واحد لكل طلب لكل حيوان أليف، ويعيد كتابة النموذج لتجميع ملفات الحيوانات الأليفة مسبقًا:

   -- Pre-aggregating pets per customer to resolve fan-out
   LEFT JOIN (
     SELECT
       customer_id,
       COUNT(*) AS num_pets,
       STRING_AGG(DISTINCT pet_type, ', ') AS pet_types,
       STRING_AGG(DISTINCT dietary_needs, ', ') AS dietary_needs
     FROM pet_profiles
     GROUP BY customer_id
   ) pet_agg ON c.customer_id = pet_agg.customer_id
   

4. التحقّق من الإصلاح: ينفّذ الوكيل dbt build مرة أخرى، وفي هذه المرة يتم إنشاء جميع النماذج وتجتاز جميع الاختبارات بنجاح.

ملخّص القسم: سواء تجنّب الوكيل الخطأ بشكل استباقي أو تمكّن من الإصلاح الذاتي بنجاح بعد تعذُّر الاختبار، فقد رأيت أنّه يتجاوز حدود Cloud SQL، ويدمج بيانات ملفات تعريف العملاء والحيوانات الأليفة، ويحافظ على دقة جدول الحقائق. أصبحت عملية النقل الآن قوية وكاملة وتم اختبارها بالكامل.

10. عرض الإجابة

إنّه يوم الخميس. بدأت الأسبوع مع مدير مالي قلق وبيانات متفرقة على ثلاث خدمات سحابية. أصبح لديك الآن السبب الجذري ومسار إنتاج. الوقت اللازم لتقديم الإجابة، بالإضافة إلى اقتراح استشرافي يستند إلى توقّعات كمية

كتابة الملخّص التنفيذي

1. في لوحة المحادثة، اكتب:

   Write an executive summary covering:
   - Main findings and the quantitative margin impact
   - Project AOV for the subsequent quarter if the B2B program continues at its current trajectory
   - A data-driven recommendation
   

2. شاهِد الوكيل وهو يعمل.

   ملاحظة حول تنسيقات الإخراج والتنوّع: النماذج اللغوية الكبيرة غير حتمية. استنادًا إلى النموذج النشط، قد يعرض الوكيل الملخّص التنفيذي مباشرةً في لوحة Chat، أو قد ينشئ ملف Markdown مخصّصًا (مثل executive_summary_cfo.md أو output.txt) ويربطه في المحادثة.

   ستتفاوت الأرقام الدقيقة والمجاميع المحسوبة (مثل هامش الربح المحتمل أو الانخفاضات في متوسّط قيمة أمر الشراء) وتنسيق التخطيط من عملية إلى أخرى. الأهم هو المنطق الهيكلي الأساسي للنتائج.

3. راجِع الملخّص التنفيذي للوكيل. يجب أن يتضمّن الردّ النموذجي والمنظَّم ما يلي:
   • النتيجة الأساسية: انخفض متوسط قيمة الطلب في شهر يناير بسبب قناة B2B-Wholesale الجديدة فقط. ظلّت قيمة "على الإنترنت" و"بلا إنترنت" ثابتة عند 110 دولار أمريكي تقريبًا.
   • السبب الأساسي: أدّى عرض "البيع بالجملة بين الشركات" (خصم% 25 على الطلبات المجمّعة) إلى جذب 100 حساب جديد، ما أدّى إلى تسجيل حوالي 25,000 طلب.
   • تأثير هامش الربح: أدّى ضغط متوسط الربح من الوحدة الواحدة في طلبات الجملة إلى انخفاضه بنسبة %65 تقريبًا (من 7.50 دولار أمريكي تقريبًا إلى 2.60 دولار أمريكي تقريبًا).
   • الإيرادات: إيرادات إجمالية ثابتة لأنّ حجم معاملات B2B الكبير يعوّض الأسعار المنخفضة.

توقُّع متوسّط قيمة أمر الشراء باستخدام AI.FORECAST

4. يجب أن ينشئ الوكيل أيضًا توقعات مستقبلية. ابحث عن طلب MCP Tool حيث ينفّذ الوكيل طلب بحث AI.FORECAST مقابل BigQuery. يستخدم هذا الإجراء نموذج TimesFM الأساسي المضمّن لتوقّع متوسّط قيمة أمر الشراء خلال 90 يومًا استنادًا إلى المؤشرات السابقة. يجب أن يتوقّع طلب البحث متوسّط قيمة أمر الشراء خلال 90 يومًا في حالتين: استمرار الحملة (انخفاض متوسّط قيمة أمر الشراء بشكل كبير) أو إنهاء الحملة (التعافي إلى حوالي 110 دولار أمريكي).

تذكير (إذا لم يستخدم المندوب AI.FORECAST): إذا قدّم المندوب توقعًا نوعيًا بدلاً من توقع كمي، جرِّب ما يلي:

Use BigQuery's AI.FORECAST function to generate a 90-day forecast with confidence intervals.

5. راجِع الاقتراحات الاستراتيجية التي يقدّمها الوكيل. قد تتضمّن مجموعة الاقتراحات الشاملة ما يلي:
   • إعادة هيكلة الخصومات: يمكنك تطبيق حدود دنيا للهامش أو حدود قصوى للخصومات المجمّعة لحماية هوامش الربح على مستوى الوحدة.
   • فرض حد أدنى أعلى لكمية الطلب: منع مشتري التجزئة من إساءة استخدام أسعار الجملة
   • تقارير منفصلة: تتبُّع أقسام البيع بالتجزئة وأقسام B2B بشكلٍ مستقل لتجنُّب إخفاء أداء البيع بالتجزئة

القصة الكاملة

ما بدأ يوم الاثنين كتدريب على إطفاء الحرائق بسبب انخفاض بنسبة% 7 في متوسّط قيمة طلب الشراء، أصبح له حلّ واضح بالنسبة إلى المدير المالي:

• البيع بالتجزئة في مجال الصحة: تظل قنوات البيع بالتجزئة الأساسية في مجال الصحة بحالة جيدة ومستقرة عند خط الأساس.
• زيادة في مبيعات الجملة: يعود الانخفاض في متوسط قيمة الطلب بالكامل إلى قناة مبيعات الجملة الجديدة بين الشركات وحملة BIGORDER25.
• تأثير هامش الربح: أدّى الخصم بالجملة بنسبة% 25 إلى تآكل هوامش الربح للوحدة بشكل كبير، ما هدد الربحية على الرغم من ثبات الإيرادات.
• التوقّعات الاستراتيجية: يشير توقّع AI.FORECAST إلى أنّ إعادة هيكلة مستويات البيع بالجملة ستؤدي إلى استعادة متوسط قيمة الطلب المدمج.

يمكنك تقديم توصية مستندة إلى البيانات لتحديد الحد الأدنى لهوامش البيع بالجملة وإعداد تقارير منفصلة عن البيع بالتجزئة والبيع بين الشركات.

ملخّص القسم: طلبت من الوكيل كتابة ملخّص تنفيذي يتضمّن تحليلًا لهامش الربح، وإنشاء توقّع باستخدام AI.FORECAST، وتقديم توصية مستندة إلى البيانات. اكتمل التحقيق.

11. تنظيف

لتجنُّب تكبُّد رسوم مستمرة على حسابك على Google Cloud، احذف الموارد التي تم إنشاؤها في هذا الدرس التطبيقي حول الترميز باتّباع النص البرمجي للإيقاف.

1. في لوحة Terminal في أسفل بيئة Antigravity المتكاملة (أو في Cloud Shell)، انتقِل إلى دليل codelab ونفِّذ ما يلي:

cd ~/devrel-demos/codelabs/agentic-data-labs/scripts
chmod +x teardown.sh
./teardown.sh

2. سيعرض النص البرمجي جميع الموارد التي يخطّط لحذفها وسيطلب تأكيدًا قبل المتابعة:
   • مثيل Cloud SQL (cymbal-pets-ops): هذا هو المورد الأغلى تكلفة
   • مجموعة بيانات BigQuery (cymbal_pets): جميع الجداول والنماذج
   • حزمة Cloud Storage (gs://YOUR_PROJECT_ID-cymbal-pets-raw)
   • ربط BigQuery (cymbal-pets-cloudsql)
3. اكتب y للتأكيد. تستغرق عملية التفكيك من دقيقتَين إلى 3 دقائق تقريبًا.

[INFO]  Deleting Cloud SQL instance cymbal-pets-ops...
[ OK ]  Cloud SQL instance deleted.
[INFO]  Deleting BigQuery dataset cymbal_pets...
[ OK ]  BigQuery dataset deleted.
[INFO]  Deleting GCS bucket gs://YOUR_PROJECT_ID-cymbal-pets-raw...
[ OK ]  GCS bucket deleted.

لا تنسَ هذه الخطوة. يتم تحصيل رسوم من مثيل Cloud SQL حتى في حال عدم استخدامه. إذا تخطّيت عملية الإيقاف، يمكنك تنفيذها لاحقًا أو حذف مشروع Google Cloud بأكمله الذي استخدمته في هذا الدرس العملي.

12. تهانينا!

لقد أكملت مهمة التحقيق في قضية حيوانات "سيمبال" الأليفة بنجاح. انتقلت من سؤال غامض من المدير المالي إلى اقتراح كامل مستند إلى التوقعات، وذلك باستخدام وكيل يعمل بالذكاء الاصطناعي على مستوى جميع أصول البيانات في Google Cloud.

إنجازاتك

1. 🔍 الاستكشاف في جميع الخدمات: تم العثور على الأصول ومعاينتها في BigQuery وCloud SQL وCloud Storage باستخدام Knowledge Catalog في Data Agent Kit.
2. 🕵️‍♂️ التحقيق باستخدام الذكاء الاصطناعي: تمّ الاستعلام عن خدمات متعدّدة في محادثة واحدة ضمن لوحة المحادثة باستخدام أدوات MCP لتتبُّع خلل متوسّط قيمة أمر الشراء وصولاً إلى حملة ترويجية مجمّعة بين مؤسسة تجارية وأخرى.
3. 🔧 إنشاء مسار إنتاج: تم إنشاء مشروع dbt كامل لتنظيف بيانات المعاملات والعملاء ودمجها واختبارها.
4. 🐛 تصحيح خطأ في التوزيع الموسَّع: لاحظنا أنّ الوكيل يحدّد تلقائيًا مشكلة في مستوى الدقة ويعيد هيكلة نموذج لغة الاستعلامات البنيوية (SQL) الخاص بـ dbt لتجميع ملفات تعريف الحيوانات الأليفة للعملاء مسبقًا.
5. 📈 التوقّع والاقتراح: تم استخدام AI.FORECAST المضمّن في BigQuery لنمذجة مؤشرات متوسّط قيمة أمر الشراء، وتم تقديم اقتراح مستند إلى البيانات إلى المدير المالي.

المفاهيم الرئيسية

المفهوم	ما تعلّمته
أدوات MCP	اتصالات آمنة وقابلة للتدقيق تتيح لوكيل الذكاء الاصطناعي الاستعلام عن خدمات مثل BigQuery وCloud SQL وSpanner وقواعد البيانات الأخرى نيابةً عنك، مع إمكانية الاطّلاع على كل مكالمة في لوحة Chat
مهارات الوكيل	مجموعات التعليمات المُنشأة مسبقًا (مثل dbt-bigquery أو discovering-gcp-data-assets) التي تعلّم الوكيل أفضل الممارسات الخاصة بالنطاق بدون الحاجة إلى تقديم طلبات بشأنها
التحقيق في الخدمات المتعدّدة	يستعلم الوكيل عن خدمات متعددة في Google Cloud في محادثة واحدة، بدون الحاجة إلى إعداد الاتصال أو التبديل بين وحدات التحكّم.
التلقين الموجّه نحو الهدف	إخبار الوكيل بما تريد ("إنشاء مشروع dbt يحسب متوسّط قيمة أمر الشراء حسب القناة") بدلاً من كيفية ذلك، والسماح له باختيار طريقة التنفيذ
مجموعة أدوات وكيل البيانات	الإضافة التي تربط كل شيء ببعضه، أي "أدوات MCP" و"مهارات الوكيل" و"استكشاف البيانات"، ما يتيح لك الوصول إلى جميع بيانات Google Cloud من داخل بيئة التطوير المتكاملة التي تختارها

الخطوات التالية

• اطّلِع على مستندات "حزمة أدوات وكيل البيانات" لمعرفة المزيد عن إمكاناتها.
• تعرَّف على وظائف الذكاء الاصطناعي وتعلُّم الآلة في BigQuery ML، بما في ذلك AI.FORECAST وAI.GENERATE وAI.EMBED
• جرِّب إنشاء عملية تحقيق خاصة بك في عدة خدمات باستخدام Antigravity IDE على بياناتك