ข้อมูลวิเคราะห์ด้วย Data Agent Kit และ Antigravity IDE

1. บทนำ

เช้าวันจันทร์มาถึง และ CFO เพิ่งส่งข้อความถึงคุณ มูลค่าการสั่งซื้อเฉลี่ยลดลง 7% ในเดือนนี้ แต่รายได้รวมไม่เปลี่ยนแปลง มีบางอย่างไม่ถูกต้อง และคณะกรรมการต้องการคำตอบภายในวันศุกร์

บริษัทของคุณ Cymbal Pets เป็นหนึ่งในผู้ค้าปลีกอุปกรณ์สัตว์เลี้ยงออนไลน์รายใหญ่ที่สุดในสหรัฐอเมริกา ข้อมูลที่คุณต้องการกระจายอยู่ในบริการของ Google Cloud 3 รายการ ได้แก่ ข้อมูลธุรกรรมใน BigQuery, บันทึกลูกค้าและผลิตภัณฑ์ใน Cloud SQL และไฟล์การตลาดใน Cloud Storage โดยปกติแล้ว การรวบรวมการตรวจสอบข้ามบริการเช่นนี้หมายถึงการสลับระหว่างคอนโซล การเขียนบอยเลอร์เพลตการเชื่อมต่อ และการเย็บผลลัพธ์เข้าด้วยกันด้วยตนเอง

ใน Codelab นี้ คุณจะได้ใช้ Google Cloud Data Agent Kit (DAK) ใน Antigravity IDE เพื่อตรวจสอบความผิดปกติโดยใช้ภาษาธรรมชาติ คุณอธิบายสิ่งที่คุณต้องการค้นหา แล้ว AI Agent จะจัดการการเชื่อมต่อ, SQL และการรวมข้ามบริการใน BigQuery, Cloud SQL และ Cloud Storage เมื่อไขคดีได้แล้ว คุณจะขอให้เอเจนต์สร้างไปป์ไลน์ dbt ที่นำข้อมูลเชิงลึกไปใช้ในการปฏิบัติงาน แก้ไขข้อบกพร่องในการสร้างโมเดลข้อมูลจริง และส่งคำแนะนำที่อิงตามการคาดการณ์ไปยัง CFO

หากเพิ่งเริ่มใช้ Antigravity หากใช้ IDE เป็นครั้งแรก โปรดดู Codelab Getting Started with Google Antigravity ที่ยอดเยี่ยมเพื่อดูข้อมูลเบื้องต้นที่ครอบคลุม

สิ่งที่คุณต้องทำ

• ค้นพบชิ้นงานข้อมูลใน BigQuery, Cloud SQL และ Cloud Storage โดยใช้แคตตาล็อกความรู้
• ตรวจสอบความผิดปกติโดยการค้นหาบริการหลายรายการในการสนทนาเดียวโดยใช้เครื่องมือ MCP
• สร้างไปป์ไลน์ dbt เพื่อจัดเตรียมและรวมข้อมูลข้ามบริการด้วยโมเดลการจัดเตรียมและการทดสอบอัตโนมัติ
• แก้ไขข้อบกพร่องของปัญหาการสร้างโมเดลข้อมูลในขณะที่เอเจนต์วินิจฉัยตนเองและปรับโครงสร้างข้อบกพร่องแบบ Fan-Out
• คาดการณ์เทรนด์ในอนาคตและแสดงคำแนะนำที่อิงตามข้อมูลโดยใช้ AI.FORECAST ของ BigQuery

สิ่งที่คุณต้องมี

• เว็บเบราว์เซอร์ เช่น Chrome
• โปรเจ็กต์ Google Cloud ที่เปิดใช้การเรียกเก็บเงิน
• มีความรู้พื้นฐานเกี่ยวกับ SQL และคอนโซล Google Cloud

Codelab นี้มีไว้สำหรับผู้ปฏิบัติงานด้านข้อมูลระดับกลาง (วิศวกรข้อมูลเชิงวิเคราะห์ นักวิเคราะห์ข้อมูล นักวิทยาศาสตร์ข้อมูล)

ทรัพยากรที่สร้างในโค้ดแล็บนี้ควรมีค่าใช้จ่ายน้อยกว่า $5

เลือกเครื่องมือ: แล็บนี้ใช้ Antigravity IDE เราจะเผยแพร่เวอร์ชันทางเลือกของการตรวจสอบนี้ในเร็วๆ นี้ ซึ่งปรับแต่งมาสำหรับ Antigravity 2.0, Antigravity CLI และ Claude Code โดยเฉพาะ

2. ก่อนที่คุณจะเริ่มต้น

ในส่วนนี้ คุณจะเรียกใช้สคริปต์การตั้งค่าที่จัดสรรสภาพแวดล้อมของ Lab ทั้งหมด ได้แก่ ชุดข้อมูล BigQuery ที่มีข้อมูลคำสั่งซื้อ อินสแตนซ์ Cloud SQL Postgres ที่มีข้อมูลลูกค้าและผลิตภัณฑ์ และ Bucket ของ Cloud Storage ที่มีบันทึกแคมเปญโปรโมชัน สคริปต์จะใช้เวลาประมาณ 8-10 นาทีจึงจะเสร็จสมบูรณ์ โดยการจัดสรร Cloud SQL เป็นคอขวด

เริ่มต้น Cloud Shell

คุณจะใช้ Google Cloud Shell เพื่อเรียกใช้สคริปต์การตั้งค่า

1. คลิกเปิดใช้งาน Cloud Shell ที่ด้านบนของ คอนโซล Google Cloud

2. เมื่อเชื่อมต่อแล้ว ให้ตั้งค่ารหัสโปรเจ็กต์และยืนยันสภาพแวดล้อม

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

คุณควรเห็นข้อความที่คล้ายกับข้อความต่อไปนี้

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

โคลนที่เก็บ

โคลนที่เก็บ Codelab ไปยังสภาพแวดล้อม Cloud Shell โดยทำดังนี้

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/

เรียกใช้สคริปต์การตั้งค่า

สคริปต์การตั้งค่าจะเตรียมสภาพแวดล้อมในห้องทดลองทั้งหมดในไม่กี่นาที โดยจะจัดการการเปิดใช้ API, การโหลดและเพิ่มข้อมูล BigQuery, การอัปโหลดชิ้นงานโปรโมชันไปยัง GCS จากนั้นจะสร้าง Worker ในเบื้องหลังโดยอัตโนมัติเพื่อจัดสรรและกำหนดค่า Cloud SQL Postgres ในเบื้องหลังขณะที่คุณเริ่ม Codelab

สคริปต์จะสร้างรหัสผ่าน Cloud SQL โดยอัตโนมัติอย่างปลอดภัยและบันทึกลงในไฟล์ .env ให้คุณโดยอัตโนมัติ

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

เมื่อเสร็จสิ้น คุณจะเห็นสรุปสภาพแวดล้อมเบื้องหน้าดังนี้

╔══════════════════════════════════════════════════════╗
║   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

ขณะที่คุณดำเนินการในขั้นตอนถัดไปของแล็บ ระบบจะจัดสรรและเริ่มต้นฐานข้อมูลในเบื้องหลัง คุณตรวจสอบความคืบหน้าได้ทุกเมื่อในแผงเทอร์มินัลแยกต่างหากโดยใช้คำสั่งต่อไปนี้

tail -f /tmp/cloudsql_setup.log

โปรดสังเกตสถาปัตยกรรมข้อมูล: ข้อมูลธุรกรรม (คำสั่งซื้อและสินค้าในคำสั่งซื้อ) จะอยู่ใน BigQuery ส่วนข้อมูลการดำเนินงาน (ลูกค้า โปรไฟล์สัตว์เลี้ยง และผลิตภัณฑ์) จะอยู่ใน Cloud SQL การแยกนี้สะท้อนให้เห็นว่ามักมีการกระจายข้อมูลในบริการต่างๆ ขององค์กรจริงอย่างไร และเป็นสิ่งที่ทำให้การตรวจสอบข้ามบริการน่าสนใจ

ชุดข้อมูลพื้นฐานที่นี่คือชุดข้อมูลอีคอมเมิร์ซอย่างเป็นทางการของ Cymbal Pets (~1.9 ล้านคำสั่งซื้อจากลูกค้า 92,000 ราย) ซึ่งเสริมด้วยบันทึกธุรกิจต่อธุรกิจที่ฝังความลึกลับที่คุณกำลังจะตรวจสอบ

สรุปส่วน: คุณเรียกใช้สคริปต์การตั้งค่าเพื่อเริ่มต้นสภาพแวดล้อมในแล็บและเริ่มการจัดสรรฐานข้อมูลในเบื้องหลัง

3. ตั้งค่า IDE และชุดเครื่องมือ Data Agent

เปิด Antigravity IDE

คุณไม่ต้องรอให้ Cloud SQL ทำงานเสร็จ เปิด Antigravity IDE แล้วเชื่อมต่อกับโปรเจ็กต์ที่อยู่ในระบบคลาวด์ของ Google

1. หากยังไม่ได้ดำเนินการ ให้ดาวน์โหลดและติดตั้ง Antigravity IDE จากหน้าดาวน์โหลด Google Antigravity
2. เปิดแอปพลิเคชันเดสก์ท็อป Antigravity IDE
3. สร้างโฟลเดอร์ใหม่ที่ว่างเปล่าในเครื่อง (เช่น ชื่อ agentic-data-labs) แล้วเปิดใน IDE โดยเลือกเปิดโฟลเดอร์ ซึ่งจะทำหน้าที่เป็นพื้นที่ทำงานในเครื่องสำหรับ Codelab

ติดตั้งส่วนขยายชุดเครื่องมือ Data Agent

ส่วนขยายชุดเครื่องมือตัวแทนข้อมูล Google Cloud ช่วยให้ผสานรวมกับบริการข้อมูลของ Google Cloud ได้อย่างลึกซึ้งภายในเอดิเตอร์โดยตรง ซึ่งช่วยให้คุณโต้ตอบกับ BigQuery, Cloud SQL, Cloud Storage และอื่นๆ ได้โดยไม่ต้องเปลี่ยนบริบท

1. ใน Antigravity IDE ให้คลิกไอคอนส่วนขยายในแถบกิจกรรมทางด้านซ้ายสุดของหน้าจอ (มีลักษณะเป็นสี่เหลี่ยม 4 รูป)
2. พิมพ์ Google Cloud Data Agent Kit ในแถบค้นหาที่ด้านบนของแผงส่วนขยาย
3. ค้นหาส่วนขยายชื่อ Google Cloud Data Agent Kit ที่เผยแพร่โดย googlecloudtools
4. คลิกปุ่มติดตั้ง
5. ข้อความแจ้งอาจปรากฏขึ้นเพื่อถามว่า "คุณเชื่อถือผู้เผยแพร่ ‘googlecloudtools' และส่วนขยายของผู้เผยแพร่รายนี้ไหม" คลิกเชื่อถือผู้เผยแพร่โฆษณาและติดตั้งเพื่อดำเนินการต่อ

เมื่อติดตั้งแล้ว คุณจะเห็นไอคอน Google Cloud Data Agent Kit ใหม่ปรากฏในแถบกิจกรรมทางด้านซ้ายสุดของ Antigravity IDE

ตรวจสอบสิทธิ์และกำหนดค่าส่วนขยาย

หลังจากติดตั้งแล้ว ให้เชื่อมต่อส่วนขยายกับโปรเจ็กต์ที่อยู่ในระบบคลาวด์ของ Google

1. ระบบควรเปิดหน้าเริ่มต้นใช้งานชื่อ "ยินดีต้อนรับสู่ชุดเครื่องมือตัวแทนข้อมูลของ Google Cloud" โดยอัตโนมัติ หากไม่ได้ลงชื่อเข้าใช้บัญชีระบบคลาวด์ ให้ทำตามข้อความแจ้งเพื่ออนุญาตการเข้าถึง
2. ในส่วนสรุปการกำหนดค่า ให้ค้นหาช่องโปรเจ็กต์ คลิกเมนูแบบเลื่อนลงแล้วเลือกโปรเจ็กต์ที่อยู่ในระบบคลาวด์ของ Google ตั้งค่าภูมิภาคเป็น us-central1 จากนั้นเลือกกำหนดค่าเซิร์ฟเวอร์ MCP

3. ในแผงการกำหนดค่า MCP ให้คลิกเพื่อเปิดใช้ BigQuery และ Cloud SQL จากนั้นคลิกเริ่มต้นใช้งาน

หากติดตั้งแล้วหรือหน้าต้อนรับไม่เปิด คุณสามารถเปิดการตั้งค่าส่วนขยายด้วยตนเองได้ทุกเมื่อ คลิกไอคอน Google Cloud Data Agent Kit ในแถบกิจกรรมทางด้านซ้ายสุด แล้วเลือกการตั้งค่าเพื่อสลับการกำหนดค่า

หมายเหตุเกี่ยวกับทักษะ/MCP ที่ใช้งานอยู่: หากคุณมีทักษะที่กำหนดเองหรือเซิร์ฟเวอร์ MCP อื่นๆ ที่ใช้งานอยู่ใน IDE ทักษะหรือเซิร์ฟเวอร์เหล่านั้นอาจรบกวนขั้นตอนที่คาดไว้ของ Lab นี้ หากเอเจนต์ทำงานไม่เป็นไปตามที่คาดไว้ ให้ลองปิดใช้เอเจนต์สำหรับ Lab นี้

ดูตัวเลือกการกำหนดค่า

เมื่อตั้งค่าเสร็จแล้ว คุณจะไปที่หน้า "เริ่มต้นใช้งานชุดเครื่องมือ Data Agent ของ Google Cloud"

1. คลิกเริ่มต้นใช้งานในส่วน "การตั้งค่าและการกำหนดค่า"
2. ซึ่งจะเปิดแผงการกำหนดค่า Data Agent สำรวจแท็บต่างๆ ดังนี้
   • โปรเจ็กต์และภูมิภาค: ยืนยันรหัสโปรเจ็กต์ที่เลือกและตรวจสอบว่าได้เปิดใช้ API ที่จำเป็น (Cloud Storage API, BigQuery API, Catalog API และ Cloud SQL Admin API) แล้ว
   • BigQuery: กำหนดค่าตำแหน่งเริ่มต้นสำหรับการค้นหา BigQuery ใช้ภูมิภาค us-central1
   • กำหนดค่าเซิร์ฟเวอร์ MCP: ดูเซิร์ฟเวอร์ MCP ที่เปิดใช้ (BigQuery, Notebook, Cloud SQL ฯลฯ) ซึ่งอนุญาตให้ Agent AI โต้ตอบกับข้อมูลของคุณได้อย่างปลอดภัย
   • ทักษะ: สำรวจทักษะที่สร้างไว้ล่วงหน้าซึ่งมอบความสามารถเฉพาะทางให้กับเอเจนต์สำหรับงานข้อมูลที่ซับซ้อน

สรุปส่วน: คุณเปิด Antigravity IDE, เชื่อมต่อกับโปรเจ็กต์ที่อยู่ในระบบคลาวด์ของ Google, กำหนดค่าเซิร์ฟเวอร์ MCP ระยะไกลของ Data Agent Kit และยืนยันการเชื่อมต่อโดยการเรียกใช้การค้นหาใน BigQuery

4. ค้นพบข้อมูลของคุณ

ได้เวลาเกริ่นนำแล้ว สถานการณ์คือ CFO บอกว่ามูลค่าการสั่งซื้อเฉลี่ยลดลง 7% ในเดือนที่ผ่านมา แต่รายได้รวมไม่เปลี่ยนแปลง ก่อนที่จะขอให้ตัวแทนตรวจสอบ คุณควรทำความเข้าใจข้อมูลที่คุณกำลังใช้งานก่อน

ในส่วนนี้ คุณจะได้สำรวจแผงชุดเครื่องมือ Data Agent ด้วยตนเองเพื่อทำความเข้าใจภาพรวม การทำความเข้าใจข้อมูลก่อนเริ่มการค้นหาเป็นขั้นตอนแรกที่สำคัญในการตรวจสอบ

สำรวจตาราง BigQuery

1. ในแผงชุดเครื่องมือ Data Agent ให้ขยายแคตตาล็อก → โปรเจ็กต์ของคุณ → BigQuery → cymbal_pets
2. คลิกตาราง orders แท็บใหม่จะเปิดขึ้นเพื่อแสดงรายละเอียดของตาราง
3. สำรวจแท็บทางด้านซ้ายของโปรแกรมดูตาราง
   • ข้อมูล: ดูตัวอย่างแถวจริง เลื่อนดูชุดข้อมูลและตรวจสอบคอลัมน์
   • สคีมา: ตรวจสอบชื่อและประเภทคอลัมน์ สังเกตช่องต่างๆ เช่น order_type และ promo_code ซึ่งจะมีความสำคัญในภายหลัง
   • แท็บอื่นๆ (รายละเอียด ข้อมูลเชิงลึก โปรไฟล์ข้อมูล ฯลฯ) เข้าถึงข้อมูลเมตา แหล่งที่มาของข้อมูล และรายละเอียดคุณภาพที่คุณมักจะเห็นในคอนโซล Google Cloud โดยไม่ต้องออกจากเอดิเตอร์

4. ตอนนี้ให้คลิกตาราง order_items แล้วตรวจสอบสคีมา สังเกตช่อง quantity และ price

สังเกตเบาะแสตั้งแต่เนิ่นๆ ขณะเรียกดูข้อมูล คุณอาจสังเกตเห็นสิ่งผิดปกติบางอย่างแล้ว นั่นคือB2B-Wholesaleประเภทคำสั่งซื้อและฟิลด์promo_code ไม่ต้องกังวลเรื่องการเชื่อมโยงข้อมูลในตอนนี้ โดยตัวแทนจะช่วยคุณในเรื่องนี้

สำรวจตาราง Cloud SQL

สคริปต์การตั้งค่ายังวางข้อมูลลูกค้า สัตว์เลี้ยง และผลิตภัณฑ์ในฐานข้อมูล PostgreSQL ใน Cloud SQL ด้วย

5. ในแผงชุดเครื่องมือ Data Agent ให้คลิกการค้นหาสากลในส่วนแคตตาล็อก
6. พิมพ์ pet_profiles ในช่องค้นหา แล้วกด Enter
7. ในผลการค้นหา ให้คลิกผลลัพธ์ตาราง PostgreSQL สำหรับ pet_profiles (ในอินสแตนซ์ Cloud SQL ของโปรเจ็กต์) โปรดสังเกตว่าแถบด้านข้างแอคคอร์เดียนจะขยายโดยอัตโนมัติ ซึ่งจะแสดงให้เห็นว่าตารางอยู่ในโครงสร้างฐานข้อมูลที่ใด ตอนนี้ให้คลิกตาราง customers ที่อยู่เหนือตารางในโครงสร้างเพื่อเปิดรายละเอียด แล้วสำรวจแท็บสคีมาและรายละเอียด

สำรวจไฟล์ใน Cloud Storage

สุดท้ายนี้ ระบบจะจัดเก็บบันทึกแคมเปญการตลาดและโปรโมชันเป็นไฟล์ JSON ดิบใน Cloud Storage

8. ในแผงชุดเครื่องมือ Data Agent ทางด้านซ้าย ให้ขยายส่วน CLOUD STORAGE ค้นหาที่ตั้งของที่เก็บข้อมูลดิบของโปรเจ็กต์ (YOUR_PROJECT_ID-cymbal-pets-raw)
9. คลิกไฟล์ promo_events.json ใน Bucket แท็บเอดิเตอร์ใหม่จะเปิดขึ้น ซึ่งช่วยให้คุณดูเนื้อหา JSON Lines ดิบของแคมเปญการตลาดได้โดยตรงภายใน IDE

ประเมินสถานการณ์

ตอนนี้คุณทราบข้อมูลต่อไปนี้เกี่ยวกับภูมิทัศน์ของข้อมูลแล้ว

บริการ	ตาราง	มีอะไรบ้าง
BigQuery	orders, order_items	คำสั่งซื้อประมาณ 1.9 ล้านรายการ รายการโฆษณาประมาณ 4.3 ล้านรายการ ช่วงวันที่ 2023-2025
Cloud SQL	customers, pet_profiles, products	ลูกค้าประมาณ 92, 000 ราย โปรไฟล์สัตว์เลี้ยงประมาณ 7, 600 โปรไฟล์ ผลิตภัณฑ์ 206 รายการ
Cloud Storage	promo_events.json	บันทึกแคมเปญโปรโมชัน

เหตุใดจึงแยกข้อมูลออกเป็นบริการต่างๆ ซึ่งจะจำลองสถาปัตยกรรมในโลกจริง Cloud SQL เป็นฐานข้อมูล OLTP (ธุรกรรม) โดยได้รับการเพิ่มประสิทธิภาพสำหรับการดำเนินการระดับแถวที่รวดเร็ว เช่น การอัปเดตที่อยู่ของลูกค้าหรือการประมวลผลคำสั่งซื้อรายการเดียว BigQuery คือคลังข้อมูล OLAP (การวิเคราะห์) เหมาะสำหรับการสแกนหลายล้านแถวเพื่อตอบคำถาม เช่น "มูลค่าการสั่งซื้อเฉลี่ยในเดือนนี้คือเท่าใด" ในองค์กรส่วนใหญ่ คุณจะเห็นว่าข้อมูลอยู่ในทั้ง 2 ที่ ซึ่งเป็นเหตุผลว่าทำไมเครื่องมือตรวจสอบข้ามบริการ เช่น Data Agent Kit จึงมีความสำคัญมาก

ข้อมูลจะกระจายอยู่ใน 3 บริการ ในเวิร์กโฟลว์แบบเดิม คุณจะต้องตั้งค่าการเชื่อมต่อ เขียนโค้ดการผสานรวม และรวมผลลัพธ์ด้วยตนเอง ในขั้นตอนถัดไป คุณจะให้ AI Agent จัดการทุกอย่างผ่านการสนทนาเดียว

สรุปส่วน: คุณใช้แผงชุดเครื่องมือตัวแทนข้อมูลเพื่อสำรวจสถาปัตยกรรมข้อมูลใน BigQuery, Cloud SQL และ Cloud Storage ด้วยตนเอง ตอนนี้คุณทราบแล้วว่าข้อมูลอยู่ที่ใดและมีฟิลด์ใดบ้าง คุณจึงพร้อมที่จะเริ่มการตรวจสอบ

5. ติดตามตัวเลข

ตอนนี้การตรวจสอบจึงเริ่มต้นขึ้น คุณจะใช้แผงแชทเพื่อขอให้ AI Agent ดึงข้อมูลมูลค่าการสั่งซื้อเฉลี่ย (AOV) จาก BigQuery AOV คือเมตริกทางธุรกิจที่แสดงถึงจำนวนเงินดอลลาร์โดยเฉลี่ยที่ใช้จ่ายต่อคำสั่งซื้อ Agent จะค้นหาในนามของคุณโดยใช้เครื่องมือ MCP และคุณจะเห็นคำค้นหา SQL ทุกรายการที่ Agent เรียกใช้

ดึงแนวโน้มมูลค่าการสั่งซื้อเฉลี่ย

1. ในแผงแชททางด้านขวาของ IDE ให้พิมพ์พรอมต์ต่อไปนี้ แล้วกด Enter

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

2. อนุมัติสิทธิ์เข้าถึงข้อมูล การระมัดระวังเกี่ยวกับเอเจนต์ AI ที่เรียกใช้การค้นหาในฐานข้อมูลของคุณเป็นเรื่องที่ควรทำ Data Agent Kit ช่วยให้คุณควบคุมได้โดยหยุดชั่วคราวเพื่อขอสิทธิ์อย่างชัดแจ้งก่อนเข้าถึงข้อมูล เมื่อได้รับข้อความแจ้ง คุณจะเลือกตัวเลือกต่อไปนี้ได้
   • อนุญาตในครั้งนี้: อนุมัติการใช้งานครั้งเดียว (เหมาะสำหรับการตรวจสอบคำค้นหาที่มีความเสี่ยงสูง)
   • อนุญาตเสมอ: อนุมัติการใช้เครื่องมือนี้อย่างต่อเนื่องสำหรับเซสชัน
   • ไม่: บล็อกการดำเนินการโดยสมบูรณ์
   เลือกใช่และอนุญาตเสมอเพื่อให้ได้รับประสบการณ์การใช้งาน Lab ที่ราบรื่นที่สุดหมายเหตุ: ระบบจะให้สิทธิ์เป็นรายเครื่องมือ คุณอาจเห็นข้อความแจ้งอีก 2-3 รายการในเร็วๆ นี้ เนื่องจากตัวแทนใช้เครื่องมือใหม่ๆ (เช่น list_table_ids หรือ execute_sql_readonly) คุณสามารถเลือก "อนุญาตเสมอ" สำหรับข้อความแจ้งเหล่านี้ได้

3. ดูการทำงานของ Agent แผงแชททำหน้าที่เป็นบันทึกความโปร่งใสสำหรับทุกสิ่งที่ตัวแทนทำ Agent จะแสดงเหตุผลและการดำเนินการแบบเรียลไทม์ให้คุณเห็นแทนที่จะเป็นกล่องดำ
4. เมื่อตัวแทนดำเนินการเสร็จแล้ว ให้คลิกเมนูแบบเลื่อนลงใช้ได้กับ Xm ใต้พรอมต์เพื่อขยายบันทึกการทำงานทั้งหมด ในส่วนนี้ คุณจะตรวจสอบได้ว่า Gemini ได้คำตอบมาได้อย่างไร
   • สำรวจ: ขยายรายการเหล่านี้เพื่อดูตัวแทนที่อ่านไฟล์ เรียกดูโฟลเดอร์ หรือเรียกใช้เครื่องมือ MCP (เช่น datacloud_bigquery_remote / list_table_ids และ execute_sql_readonly) คุณสามารถดูอาร์กิวเมนต์ JSON ที่แน่นอนซึ่งส่งไปยังเครื่องมือและ SQL ที่ดำเนินการได้
   • รัน: ขยายรายการเหล่านี้เพื่อดูคำสั่งเทอร์มินัลที่ตัวแทนดำเนินการ เช่น gcloud config list

5. ดูผลลัพธ์ เอเจนต์ควรแสดงตารางค่า AOV รายเดือน ลองดูตัวเลขด้วยตัวคุณเอง เดือนก่อนหน้ามีค่าใช้จ่ายประมาณ$110 จากนั้นในเดือนมกราคมค่าใช้จ่ายลดลงเหลือประมาณ$103 นั่นคือความผิดปกติที่ CFO แจ้ง

เครื่องมือ MCP และทักษะของตัวแทนคืออะไร เครื่องมือ MCP คือการเชื่อมต่อที่ปลอดภัยซึ่งช่วยให้ Agent โต้ตอบกับบริการภายนอก เช่น BigQuery และ Cloud SQL ได้ ทักษะ Agent คือชุดคำสั่งที่สร้างไว้ล่วงหน้า (เช่น discovering-gcp-data-assets) ซึ่งจะสอน Agent ถึงวิธีเข้าใกล้งานที่เฉพาะเจาะจง ซึ่งรวมกันเป็นเลเยอร์การตรวจสอบ คลิกขั้นตอนใดก็ได้เพื่อดูสิ่งที่ตัวแทนทำและเหตุผล

เจาะลึกตามช่องทาง

AOV โดยรวมลดลง แต่การลดลงนี้มาจากที่ใด มาดูกัน

5. ในแผง Chat ให้พิมพ์ดังนี้

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

6. Agent จะเรียกใช้การค้นหา BigQuery อีกครั้ง โดยครั้งนี้จะจัดกลุ่มตาม order_type ตรวจสอบผลลัพธ์อย่างละเอียด คุณจะเห็นสิ่งที่น่าสนใจ นั่นคือ AOV ออนไลน์และออฟไลน์ยังคงอยู่ที่ประมาณ$110 แต่มีแชแนลใหม่คือ B2B-Wholesale ซึ่งมี AOV ต่ำกว่ามาก (ประมาณ$75) ช่องทางใหม่นี้ทำให้ค่าเฉลี่ยแบบผสมลดลง
7. ตัวแทนอาจแนะนำให้ตรวจสอบลูกค้า B2B ในเชิงรุก หากไม่เป็นเช่นนั้นก็ไม่เป็นไร คุณจะดำเนินการนี้ในขั้นตอนถัดไป

ตัวแทนจะเชื่อมโยงข้อมูล โปรดทราบว่าเอเจนต์จะตีความผลลัพธ์และอาจให้ข้อมูลเชิงลึก เช่น "ดูเหมือนว่าช่อง B2B-Wholesale เป็นคำสั่งซื้อประเภทใหม่ที่ไม่มีในเดือนก่อนๆ" การวิเคราะห์เชิงรุกประเภทนี้เป็นฟีเจอร์หลักของเอเจนต์ DAK

สรุปส่วน: คุณสังเกตเห็นว่า AOV ในเดือนมกราคมลดลงจากการดึงข้อมูลที่เป็นกลาง จากนั้นเจาะลึกตาม order_type เพื่อระบุว่า B2B-Wholesale เป็นแชแนลใหม่ที่ดึงค่าเฉลี่ยแบบผสมลง ตอนนี้คุณต้องค้นหาว่าลูกค้า B2B เหล่านี้คือใคร

6. ข้ามขอบเขตของบริการ

คุณระบุ B2B-Wholesale เป็นแชแนลที่ผิดปกติใน BigQuery แต่ข้อมูลลูกค้าอยู่ใน Cloud SQL Data Agent Kit ช่วยให้คุณสนทนาต่อได้และจัดการขอบเขตของบริการ

ตรวจสอบลูกค้า B2B

1. ในแผงแชท ให้พิมพ์ดังนี้

   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. ดูแผงแชทอย่างละเอียด คุณควรเห็นเครื่องมือ MCP อื่นปรากฏขึ้นในครั้งนี้ ตอนนี้เอเจนต์จะค้นหา Cloud SQL แทน BigQuery แล้ว โดยจะเชื่อมต่อกับอินสแตนซ์ cymbal-pets-ops Cloud SQL Postgres และเรียกใช้การค้นหาในตาราง customers คลิกแสดงรายละเอียดเพื่อดู SQL
3. ดูผลลัพธ์ เอเจนต์ควรแสดงผลลัพธ์สำคัญหลายประการ ดังนี้
   • ลูกค้า B2B ทุกรายมี customer_type = 'Business'
   • โดยทั้งหมดลงชื่อสมัครใช้ภายใน 30 วันที่ผ่านมา (มกราคม 2025)
   • last_name คือชื่อธุรกิจ เช่น "Pet Supply Co", "Animal Care LLC" และ "Happy Paws Inc"
   • โดยมีผู้ใช้กลุ่มนี้ประมาณ 100 คน ซึ่งเป็นกลุ่มที่ไม่มีอยู่ก่อนหน้านี้

การข้ามขอบเขตของบริการ เอเจนต์ค้นหาในบริการ Google Cloud 2 รายการที่แตกต่างกัน (BigQuery และ Cloud SQL) ภายในบทสนทนาเดียวกัน สังเกตชื่อเครื่องมือ MCP ที่แตกต่างกันในแผงแชท ไม่ต้องตั้งค่าการเชื่อมต่อ ไม่ต้องกำหนดค่าข้อมูลเข้าสู่ระบบ Agent จัดการให้โดยอัตโนมัติ

เชื่อมต่อรหัสโปรโมชัน

4. เอเจนต์อาจสังเกตได้ด้วยตัวเองว่าคำสั่งซื้อ B2B จำนวนมากใน BigQuery มีค่า promo_code เป็น BIGORDER25 หากโมเดลให้ข้อมูลนี้ ก็ถือว่าดี การตรวจสอบกำลังดำเนินการอยู่ หากตัวแทนไม่ได้พูดถึงรหัสโปรโมชัน ให้แจ้งตัวแทนดังนี้

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

5. เอเจนต์จะค้นหา BigQuery อีกครั้งและพบว่าคำสั่งซื้อ B2B-Wholesale ประมาณ 92% มี promo_code = 'BIGORDER25' กิจกรรม B2B เกือบทั้งหมดเชื่อมโยงกับแคมเปญโปรโมชันเดียว ตอนนี้ตัวแทนควรสงสัยว่ารหัสโปรโมชันนี้มาจากไหน โดยอาจถามว่ามีข้อมูลโปรโมชันที่อื่นในสภาพแวดล้อมหรือไม่ (มีอยู่ใน Cloud Storage)

สรุปส่วน: เอเจนต์ค้นหา Cloud SQL เพื่อแสดงให้เห็นว่าลูกค้า B2B เป็นธุรกิจใหม่ทั้งหมดที่ลงชื่อสมัครใช้ในเดือนมกราคม 2025 เมื่อรวมเข้ากับข้อมูลเชิงลึกของ BigQuery ที่ระบุว่าคำสั่งซื้อประมาณ 92% มี promo_code = 'BIGORDER25' ตอนนี้เส้นทางจึงชี้ไปยังแคมเปญโปรโมชัน ได้เวลาค้นหาแหล่งที่มา

7. ค้นหาชิ้นส่วนที่ขาดหายไป

บริการ 2 รายการลดลง เหลืออีก 1 รายการ คุณทราบว่าเกิดอะไรขึ้น (คำสั่งซื้อ B2B ทำให้ AOV ลดลง) และใครเป็นผู้ดำเนินการ (ลูกค้าธุรกิจใหม่ในช่วง 30 วันที่ผ่านมา) ตอนนี้คุณต้องหาเหตุผล ซึ่งคำตอบอยู่ใน Cloud Storage

ตรวจสอบ Bucket ของ GCS

1. ในแผงแชท ให้พิมพ์ดังนี้

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

2. เอเจนต์ไม่มีเครื่องมือ MCP ที่กำหนดค่าไว้ล่วงหน้าสำหรับ Cloud Storage จึงเปลี่ยนไปใช้เครื่องมือเทอร์มินัลโดยอัตโนมัติเพื่อเรียกใช้คำสั่ง gcloud storage โดยจะขอสิทธิ์ในการเรียกใช้คำสั่งต่างๆ เช่น gcloud storage ls อนุญาตคำสั่งเหล่านี้ จากนั้นขยายบันทึก Ran ในแผงแชทเพื่อดูคำสั่ง CLI ที่ใช้ในการอ่านและแยกวิเคราะห์ไฟล์ promo_events.json
3. เอเจนซีควรรู้จักแคมเปญโปรโมชัน 3 รายการในไฟล์

   แคมเปญ	รหัสโปรโมชัน	ส่วนลด	เป้าหมาย	วันที่
   ลดราคาผลิตภัณฑ์ดูแลสัตว์เลี้ยงช่วงฤดูร้อน	PETSUMMER15	ลด 15%	ทั้งหมด	มิ.ย. 2024
   การส่งแบบกลุ่ม B2B	BIGORDER25	ส่วนลด 25%	B2B	ม.ค. 2025
   โบนัสช่วงเทศกาลสำหรับสมาชิกในโปรแกรมสะสมคะแนน	LOYAL10	ลด 10%	สมาชิกโปรแกรมสะสมคะแนน	ธ.ค. 2024

   เรียบร้อยแล้ว BIGORDER25 รหัสโปรโมชันจะเชื่อมโยงกับแคมเปญชื่อ B2B Wholesale Push: ส่วนลด 25% สำหรับลูกค้า B2B ที่มีจำนวนสั่งซื้อขั้นต่ำ 50 หน่วย นี่คือหลักฐานสำคัญ

3 บริการในการสนทนาเดียว ใน 3 ส่วนสุดท้าย ตัวแทนได้ค้นหา BigQuery (ข้อมูลธุรกรรม), Cloud SQL (ข้อมูลลูกค้า) และ Cloud Storage (ข้อมูลโปรโมชัน) จากเธรดแชทเดียวกันทั้งหมด โดยที่คุณไม่ต้องกำหนดค่าหรือเปลี่ยนบริบท นี่คือคุณค่าหลักของชุดเครื่องมือ Data Agent: AI Agent เดียวที่ทํางานในที่เก็บข้อมูลทั้งหมด

นำทุกอย่างมารวมกัน

4. ขอให้ Agent สังเคราะห์ทุกอย่างที่พบ

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

5. เอเจนต์จะให้การสังเคราะห์ที่ชัดเจนและเป็นโครงสร้างซึ่งเชื่อมต่อแหล่งข้อมูลทั้ง 3 แหล่ง โดยควรมีคำอธิบายดังนี้
   1. AOV ลดลงจริง แต่ไม่ได้หมายความว่าธุรกิจที่มีอยู่ลดลง AOV ออนไลน์และออฟไลน์ยังคงมีเสถียรภาพที่ประมาณ$110
   2. ช่องทาง B2B-Wholesale ใหม่ปรากฏขึ้นในเดือนมกราคม 2025 โดยมีคำสั่งซื้อประมาณ 25,000 รายการและ AOV ที่ต่ำกว่ามาก (ประมาณ$75-100)
   3. ลูกค้า B2B คือบัญชีธุรกิจใหม่ 100 บัญชีที่ลงชื่อสมัครใช้ทั้งหมดภายใน 30 วันที่ผ่านมา (Cloud SQL)
   4. กิจกรรมนี้เกิดจากแคมเปญโปรโมชัน ("B2B Wholesale Push") ที่เสนอส่วนลด 25% สำหรับการสั่งซื้อจำนวนมากโดยมีจำนวนขั้นต่ำ 50 หน่วย (พื้นที่เก็บข้อมูลบนคลาวด์)
   5. รายได้คงที่เนื่องจากคำสั่งซื้อ B2B จำนวนมากชดเชยราคาที่ต่ำลง อย่างไรก็ตาม ส่วนต่างต่อหน่วยจะลดลงอย่างมาก (ลดลงประมาณ 65%) ภายใต้ส่วนลดขายส่ง 25% ซึ่งจะส่งผลกระทบต่อความสามารถในการทำกำไรโดยรวมอย่างรุนแรงเมื่อพิจารณาถึงค่าจัดส่งและค่าใช้จ่ายในการดำเนินงาน
   นี่คือช่วงเวลาที่การสืบสวนเริ่มเห็นผล คำถามของ CFO มีคำตอบที่ชัดเจน นั่นคือ AOV ลดลงเนื่องจากโปรแกรม B2B ที่ขับเคลื่อนด้วยการตลาดทำให้เดือนมกราคมมีคำสั่งซื้อจำนวนมากในราคาต่ำ ธุรกิจที่มีอยู่มีประสิทธิภาพดี

สรุปส่วน: คุณพบหลักฐานสำคัญใน Cloud Storage ซึ่งก็คือแคมเปญโปรโมชันแบบ B2B ที่เสนอส่วนลด 25% สำหรับการสั่งซื้อจำนวนมาก เอเจนต์สังเคราะห์ผลการค้นพบในทั้ง 3 บริการเป็นเรื่องราวที่ชัดเจน ระยะการตรวจสอบเสร็จสมบูรณ์แล้ว จากนั้นคุณจะนำข้อมูลเชิงลึกเหล่านี้ไปใช้ในการปฏิบัติงาน

8. สร้างไปป์ไลน์

คุณไขคดีได้แล้ว ตอนนี้ CFO ต้องการให้การวิเคราะห์นี้อัปเดตโดยอัตโนมัติ ในส่วนนี้ คุณจะขอให้เอเจนต์สร้างโปรเจ็กต์ dbt ที่จัดเตรียมข้อมูล BigQuery และสร้างตารางข้อเท็จจริงสำหรับการวิเคราะห์ AOV อย่างต่อเนื่อง

ในขั้นตอนนี้ ตัวแทนจะเปลี่ยนจากผู้ตรวจสอบเป็นวิศวกร คุณจะเห็นว่าโมเดลนี้สร้างโครงสร้างโปรเจ็กต์ dbt ทั้งหมดและเรียกใช้ไปป์ไลน์ทั้งหมดได้จากพรอมต์เดียว

dbt คืออะไร dbt (เครื่องมือสร้างข้อมูล) คือเฟรมเวิร์กที่ช่วยให้ผู้ปฏิบัติงานด้านข้อมูลเปลี่ยนรูปแบบข้อมูลในคลังโดยใช้ SQL โดยจะถือว่า SQL เป็นโค้ด ซึ่งจะเพิ่มการควบคุมเวอร์ชัน การทดสอบอัตโนมัติ และการจัดการทรัพยากร Dependency

สร้างโครงสร้างโปรเจ็กต์ dbt

1. ในแผงแชท ให้พิมพ์พรอมต์ต่อไปนี้ ซึ่งมุ่งเน้นที่เป้าหมายโดยเฉพาะแทนที่จะเป็นแบบทีละขั้นตอน คุณกำลังบอก Agent ว่าคุณต้องการอะไร ไม่ใช่วิธีสร้าง

   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. สังเกตการแก้ไขด้วยตนเอง: หากขยายบันทึก "ใช้งานได้สำหรับ N" คุณอาจเห็นว่าเอเจนต์ตรวจสอบ dbt และเมื่อพบว่าไม่มีอยู่ เอเจนต์จะเรียกใช้คำสั่งโดยอัตโนมัติเพื่อสร้างสภาพแวดล้อมเสมือนของ Python (.venv) ซึ่งเป็นการจัดการการตั้งค่าสภาพแวดล้อมให้คุณ

3. ตรวจสอบแผนการติดตั้งใช้งาน: เอเจนต์จะสร้างแผนการติดตั้งใช้งานอย่างเป็นทางการ คุณสามารถตรวจสอบไฟล์และสถาปัตยกรรมที่เสนอ เพิ่มความคิดเห็นหากจำเป็น แล้วคลิกดำเนินการต่อเพื่อให้เอเจนต์ดำเนินการตามแผน

4. ดูแผงแชทขณะที่เอเจนต์ดำเนินการตามแผน เขียน.sqlไฟล์และการกำหนดค่า YAML ที่จำเป็น เมื่อเสร็จสิ้นและคอมไพล์โปรเจ็กต์เรียบร้อยแล้ว ระบบจะแสดงสรุปการเปลี่ยนแปลง คลิกยอมรับทั้งหมดเพื่อเพิ่มไฟล์เหล่านี้ลงในพื้นที่ทำงาน

5. สำรวจโปรเจ็กต์ dbt ที่สร้างขึ้นใหม่ใน Explorer ทางด้านซ้าย คุณควรเห็นโครงสร้างที่คล้ายกับโครงสร้างต่อไปนี้

   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. คลิกไฟล์โมเดล .sql เพื่อตรวจสอบ SQL ที่เอเจนต์สร้างขึ้น โปรดดูวิธีจัดการในกรณีต่อไปนี้
   • โมเดลการจัดเตรียม: คอลัมน์ที่ทำความสะอาดแล้ว เปลี่ยนชื่อแล้ว และมีการอ้างอิงแหล่งที่มา
   • โมเดลมาร์ท: ตรรกะการรวมและการคำนวณ AOV ตามแชแนล

การตรวจสอบรหัส Mart: เปิด models/marts/fct_order_analysis.sql สังเกตว่าระบบจะรวบรวมรายการโฆษณาก่อนเพื่อให้ตารางข้อเท็จจริงอยู่ในระดับการสั่งซื้อ เคล็ดลับ: แก้ไขเฉพาะไฟล์ต้นฉบับภายในไดเรกทอรี models/ เท่านั้น ไม่ใช่ไฟล์ที่สร้างขึ้นโดยอัตโนมัติใน /target/

7. ตรวจสอบแผงแชทเพื่อดูการยืนยันของตัวแทนว่าโมเดลทั้งหมดเป็นจริงและผ่านการทดสอบทั้งหมด ผลลัพธ์ AOV จากมาร์ทควรยืนยันสิ่งที่คุณพบระหว่างการตรวจสอบ

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

สรุปส่วน: เอเจนต์สร้างโปรเจ็กต์ dbt จากพรอมต์เดียวที่มุ่งเน้นเป้าหมาย ซึ่งก็คือการสร้างโมเดลการจัดเตรียมและมาร์ทแบบสแคฟโฟลด์ รัน dbt build ได้สำเร็จ และยืนยันความผิดปกติของ AOV จากนั้นคุณจะลองถามคำถามที่ซับซ้อนเพื่อดูว่าเอเจนต์รับมือกับความซับซ้อนได้อย่างไร

9. เมื่อการทดสอบล้มเหลว เอเจนต์จะแก้ไขข้อบกพร่อง

ไปป์ไลน์ทำงานได้ แต่ใช้ข้อมูล BigQuery เท่านั้น ทีมผลิตภัณฑ์ต้องการเพิ่มประสิทธิภาพการวิเคราะห์ด้วยข้อมูลโปรไฟล์ลูกค้าและสัตว์เลี้ยงจาก Cloud SQL เพื่อให้แนะนำผลิตภัณฑ์ตามความต้องการด้านอาหารได้ ซึ่งหมายความว่าเอเจนต์ต้องเชื่อมต่อข้ามขอบเขต Cloud SQL และจัดการข้อบกพร่องในการสร้างโมเดลข้อมูลเล็กๆ น้อยๆ ซึ่งเป็นการรวม "Fan-out" แบบคลาสสิกของการสร้างโมเดลแบบมิติ

"Fan-out" คืออะไร หากคำสั่งซื้อหนึ่งเป็นของลูกค้าที่มีสัตว์เลี้ยง 3 ตัว SQL มาตรฐาน JOIN จะสร้างแถวที่เหมือนกัน 3 แถวสำหรับคำสั่งซื้อเดียวดังกล่าว (แถวละ 1 แถวสำหรับสัตว์เลี้ยงแต่ละตัว) ซึ่งจะ "กระจาย" ข้อมูลและทําให้เมตริกต่างๆ เช่น มูลค่าการสั่งซื้อเฉลี่ยเสียหาย เนื่องจากระบบจะนับรายได้ของคําสั่งซื้อเดียวกัน 3 ครั้ง หากต้องการแก้ไขปัญหานี้ คุณต้องรวบรวมสัตว์เลี้ยงไว้ในรายการ (อาร์เรย์) ก่อนเข้าร่วม

เอเจนต์จะจัดการคำขอนี้ด้วยวิธีใดวิธีหนึ่งต่อไปนี้ โดยขึ้นอยู่กับโมเดลที่คุณใช้และความสามารถในการให้เหตุผลของโมเดลนั้น หลีกเลี่ยงข้อบกพร่องเชิงรุก (ตัวเลือก ก.) หรือการแก้ไขด้วยตนเองหลังจากทดสอบไม่สำเร็จ (ตัวเลือก ข.) มาดูกันว่า Agent ของคุณจะไปในเส้นทางใด

ทริกเกอร์คำขอ

1. ในแผงแชท ให้พิมพ์ดังนี้

   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. ดูการทำงานของ Agent โดยจะค้นหาตาราง Cloud SQL, หาวิธีเชื่อมโยงข้อมูลไปยัง BigQuery (ผ่านการค้นหาแบบรวมหรือสำเนาที่สร้างขึ้น) สร้างโมเดลการจัดเตรียมข้อมูลใหม่ และแก้ไข fct_order_analysis.sql

ตัวเลือก ก: ตัวแทนเชิงรุก (การหลีกเลี่ยงข้อบกพร่อง)

หากคุณใช้โมเดลการให้เหตุผลขั้นสูง เอเจนต์อาจตรวจพบการเปลี่ยนความละเอียดก่อนที่จะเขียนโค้ด เนื่องจากลูกค้าอาจมีสัตว์เลี้ยงหลายตัว การรวมโดยตรงจะทำให้คำสั่งซื้อซ้ำและทำให้การทดสอบความไม่ซ้ำที่คุณขอใน order_id ล้มเหลวทันที

1. สังเกตการรวบรวมข้อมูลเชิงรุก: ในคำอธิบายแผงแชทหรืออาร์ติแฟกต์แบบวอล์กทรู ตัวแทนอาจสังเกตว่ามีการรวบรวมข้อมูลสัตว์เลี้ยงล่วงหน้าก่อนที่จะเข้าร่วมเพื่อป้องกัน "แฟนเอาต์ (Fan-Out) แบบคลาสสิก" โดยปกติแล้วจะดำเนินการนี้ด้วยการยุบสัตว์เลี้ยงหลายตัวต่อลูกค้า 1 รายโดยใช้ฟังก์ชันการรวม (เช่น ARRAY_AGG() หรือ STRING_AGG())
2. ตรวจสอบผลลัพธ์: dbt build ทำงานและผ่านการทดสอบได้สำเร็จตั้งแต่ครั้งแรก เนื่องจากเอเจนต์ได้ป้องกันระดับความละเอียดของตารางข้อเท็จจริงไว้ล่วงหน้า คุณยืนยันได้โดยตรวจสอบอาร์ติแฟกต์การแนะนำที่สร้างขึ้น ซึ่งมักจะแสดงเอาต์พุตการทดสอบที่สําเร็จควบคู่ไปกับผลการค้นหา

หากเอเจนต์ของคุณทำเช่นนี้ได้ ก็ขอแสดงความยินดีด้วย คุณได้เห็นวิศวกรรม AI ที่ทำงานอย่างต่อเนื่อง ใช้เวลาสักครู่เพื่อตรวจสอบ SQL ที่สร้างขึ้นใน fct_order_analysis.sql เพื่อดูโครงสร้างการรวบรวม จากนั้นข้ามไปยังส่วนถัดไป ส่งคำตอบ

ตัวเลือก ข: ตัวแทนการซ่อมแซมตัวเอง (การแก้ไขข้อบกพร่องและการวินิจฉัย)

หากโมเดลเขียนการเชื่อมโยงด้านซ้ายโดยตรงแบบง่ายๆ ก่อน การค้นหา SQL จะทํางานสําเร็จ แต่ชุดdbt testอัตโนมัติจะตรวจพบการเปลี่ยนระดับรายละเอียด

1. สังเกตการทดสอบที่ไม่สำเร็จ: คุณจะเห็นรายงานความล้มเหลวในบันทึกความคืบหน้าของการดำเนินการในแผง Chat

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

   การทดสอบความไม่ซ้ำกันใน order_id พบรายการที่ซ้ำกันเนื่องจากลูกค้าที่มีสัตว์เลี้ยงหลายตัวได้แยกคำสั่งซื้อ
2. ให้ Agent วินิจฉัยและแก้ไขด้วยตนเอง: เนื่องจากทดสอบไม่สำเร็จ ให้ขอให้ Agent แก้จุดบกพร่อง ในแผงแชท ให้พิมพ์ดังนี้

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

3. ดูการวินิจฉัย: เอเจนต์จะค้นหาข้อมูล ค้นพบความสัมพันธ์แบบหนึ่งต่อหลายรายการใน pet_profiles อธิบายว่าการรวมข้อมูลโดยตรงจะเปลี่ยนระดับรายละเอียดจาก 1 แถวต่อคำสั่งซื้อเป็น 1 แถวต่อคำสั่งซื้อต่อสัตว์เลี้ยง และเขียนโมเดลใหม่เพื่อรวมโปรไฟล์สัตว์เลี้ยงล่วงหน้า

   -- 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. ยืนยันการแก้ไข: Agent จะเรียกใช้ dbt build อีกครั้ง และครั้งนี้โมเดลทั้งหมดจะสร้างขึ้นและผ่านการทดสอบทั้งหมดเรียบร้อยแล้ว

สรุปส่วน: ไม่ว่าเอเจนต์ของคุณจะหลีกเลี่ยงข้อบกพร่องอย่างมีประสิทธิภาพหรือแก้ไขตัวเองได้สำเร็จหลังจากทดสอบไม่สำเร็จ คุณก็ได้เห็นแล้วว่าเอเจนต์เชื่อมต่อข้ามขอบเขตของ Cloud SQL ผสานรวมข้อมูลโปรไฟล์ลูกค้าและสัตว์เลี้ยง และรักษาความละเอียดของตารางข้อเท็จจริงได้อย่างสมบูรณ์ ตอนนี้ไปป์ไลน์มีความเสถียร สมบูรณ์ และผ่านการทดสอบอย่างเต็มรูปแบบแล้ว

10. แสดงคำตอบ

วันพฤหัสบดี คุณเริ่มต้นสัปดาห์ด้วย CFO ที่กังวลและข้อมูลที่กระจัดกระจายอยู่ในบริการคลาวด์ 3 รายการ ตอนนี้คุณก็ทราบสาเหตุที่แท้จริงและมีไปป์ไลน์การผลิตแล้ว เวลาในการให้คำตอบพร้อมคำแนะนำในอนาคตที่อิงตามการคาดการณ์เชิงปริมาณ

เขียนข้อมูลสรุป

1. ในแผงแชท ให้พิมพ์ดังนี้

   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. ดูการทำงานของ Agent

   หมายเหตุเกี่ยวกับรูปแบบเอาต์พุตและความหลากหลาย: โมเดลภาษาขนาดใหญ่เป็นแบบไม่แน่นอน Agent อาจแสดงข้อมูลสรุปสำหรับผู้บริหารในแผงแชทโดยตรง หรืออาจสร้างไฟล์ Markdown เฉพาะ (เช่น executive_summary_cfo.md หรือ output.txt) และลิงก์ในแชท ทั้งนี้ขึ้นอยู่กับโมเดลที่ใช้งานอยู่

   ตัวเลขที่แน่นอน ผลรวมที่คำนวณแล้ว (เช่น ส่วนต่างที่อาจสูญเสียหรือ AOV เฉลี่ยที่ลดลง) และเลย์เอาต์การจัดรูปแบบจะผันผวนจากการเรียกใช้แต่ละครั้ง สิ่งที่สำคัญคือตรรกะเชิงโครงสร้างหลักของผลการวิจัย

3. อ่านข้อมูลสรุปของ Agent คำตอบทั่วไปที่มีโครงสร้างดีควรระบุข้อมูลต่อไปนี้
   • ข้อมูลเชิงลึกหลัก: AOV ในเดือนมกราคมลดลงเนื่องจากช่อง B2B-Wholesale ใหม่เพียงอย่างเดียว ออนไลน์และออฟไลน์ยังคงมีเสถียรภาพที่ประมาณ$110
   • สาเหตุหลัก: "การโปรโมตแบบ B2B สำหรับการขายส่ง" (ส่วนลด 25% สำหรับการสั่งซื้อจำนวนมาก) ดึงดูดบัญชีใหม่ได้ 100 บัญชี ซึ่งทำให้เกิดคำสั่งซื้อประมาณ 25,000 รายการ
   • ผลกระทบต่อส่วนต่าง: คำสั่งซื้อแบบขายส่งทำให้กำไรต่อหน่วยโดยเฉลี่ยลดลงประมาณ 65% (จากประมาณ$7.50 เป็นประมาณ$2.60)
   • รายได้: รายได้โดยรวมคงที่เนื่องจากปริมาณ B2B สูงชดเชยราคาที่ต่ำลง

คาดการณ์ AOV ด้วย AI.FORECAST

4. นอกจากนี้ เอเจนต์ควรสร้างการคาดการณ์ในอนาคตด้วย มองหาการเรียกใช้เครื่องมือ MCP ที่ Agent เรียกใช้การค้นหา AI.FORECAST กับ BigQuery โดยใช้โมเดลพื้นฐาน TimesFM ในตัวเพื่อคาดการณ์ AOV ในอีก 90 วันข้างหน้าตามแนวโน้มในอดีต คิวรีควรคาดการณ์ AOV ในอีก 90 วันข้างหน้าภายใต้ 2 สถานการณ์ ได้แก่ การทําแคมเปญต่อไป (AOV ที่ลดลงตามโครงสร้าง) เทียบกับการสิ้นสุดแคมเปญ (การฟื้นตัวเป็นประมาณ$110)

การกระตุ้น (หากตัวแทนไม่ได้ใช้ AI.FORECAST): หากตัวแทนให้การคาดการณ์เชิงคุณภาพแทนการคาดการณ์เชิงปริมาณ ให้ลองทำดังนี้

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

5. ตรวจสอบคำแนะนำเชิงกลยุทธ์ของเอเจนต์ ชุดคำแนะนำที่ครอบคลุมอาจรวมถึง
   • ปรับโครงสร้างส่วนลด: ใช้ราคาต่ำสุดของมาร์จิ้นหรือจำกัดส่วนลดแบบกลุ่มเพื่อปกป้องมาร์จิ้นระดับหน่วย
   • บังคับใช้ MOQ ที่เข้มงวดขึ้น: ป้องกันไม่ให้ผู้ซื้อปลีกใช้การกำหนดราคาขายส่งในทางที่ผิด
   • การรายงานแยกกัน: ติดตามแผนกค้าปลีกและ B2B แยกกันเพื่อไม่ให้ประสิทธิภาพการค้าปลีกถูกบดบัง

เรื่องราวทั้งหมด

สิ่งที่เริ่มต้นในวันจันทร์เป็นการซ้อมหนีไฟเนื่องจากมูลค่าการสั่งซื้อเฉลี่ยลดลง 7% มีวิธีแก้ไขที่ชัดเจนสำหรับ CFO ดังนี้

• Retail Health: ช่องทางค้าปลีกหลักยังคงมีสุขภาพดีและมีเสถียรภาพที่ระดับพื้นฐาน
• การไหลเข้าของการขายส่ง: AOV ที่ลดลงเกิดจากช่องทางการขายส่งแบบ B2B ใหม่และแคมเปญ BIGORDER25 โดยเฉพาะ
• ผลกระทบต่อมาร์จิ้น: ส่วนลดแบบกลุ่ม 25% ทำให้มาร์จิ้นต่อหน่วยลดลงอย่างมาก ซึ่งส่งผลต่อความสามารถในการทำกำไรแม้ว่ารายได้จะคงที่
• การคาดการณ์เชิงกลยุทธ์: AI.FORECAST การคาดการณ์แสดงให้เห็นว่าการปรับโครงสร้างระดับราคาขายส่งจะช่วยฟื้นฟู AOV แบบผสม

คุณส่งคำแนะนำที่อิงตามข้อมูลเพื่อกำหนดอัตรากำไรขั้นต่ำสำหรับการขายส่งและการรายงานการขายปลีก/B2B แยกกัน

สรุปส่วน: คุณขอให้ Agent เขียนสรุปสำหรับผู้บริหารพร้อมการวิเคราะห์มาร์จิ้น สร้างการคาดการณ์ AI.FORECAST และให้คำแนะนำที่อิงตามข้อมูล การตรวจสอบเสร็จสมบูรณ์แล้ว

11. ล้าง

หากต้องการหลีกเลี่ยงการเรียกเก็บเงินอย่างต่อเนื่องในบัญชี Google Cloud ให้ลบทรัพยากรที่สร้างขึ้นใน Codelab นี้โดยเรียกใช้สคริปต์การล้างข้อมูล

1. ในแผงเทอร์มินัลที่ด้านล่างของ Antigravity IDE (หรือใน Cloud Shell) ให้ไปที่ไดเรกทอรี Codelab แล้วเรียกใช้คำสั่งต่อไปนี้

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

2. สคริปต์จะแสดงทรัพยากรทั้งหมดที่วางแผนจะลบและขอการยืนยันก่อนดำเนินการต่อ
   • อินสแตนซ์ Cloud SQL (cymbal-pets-ops): นี่คือทรัพยากรที่มีราคาแพงที่สุด
   • ชุดข้อมูล BigQuery (cymbal_pets): ตารางและโมเดลทั้งหมด
   • ที่เก็บข้อมูลใน Cloud Storage (gs://YOUR_PROJECT_ID-cymbal-pets-raw)
   • การเชื่อมต่อ BigQuery (cymbal-pets-cloudsql)
3. พิมพ์ y เพื่อยืนยัน การถอดแยกชิ้นส่วนจะใช้เวลาประมาณ 2-3 นาที

[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.

อย่าลืมขั้นตอนนี้ อินสแตนซ์ Cloud SQL จะมีค่าใช้จ่ายแม้ว่าจะไม่ได้ใช้งานก็ตาม หากข้ามการปิดระบบ คุณจะเรียกใช้ในภายหลังหรือลบทั้งโปรเจ็กต์ Google Cloud ที่ใช้สำหรับโค้ดแล็บนี้ได้ทุกเมื่อ

12. ยินดีด้วย

คุณทำภารกิจการสืบสวนเรื่อง Cymbal Pets สำเร็จแล้ว คุณเปลี่ยนจากคำถามที่คลุมเครือของ CFO ไปเป็นคำแนะนำที่ได้รับการสนับสนุนจากการคาดการณ์และพร้อมใช้งานอย่างเต็มรูปแบบ โดยใช้ AI Agent ที่ทำงานกับข้อมูลทั้งหมดใน Google Cloud

สิ่งที่คุณทำสำเร็จ

1. 🔍 สำรวจในบริการต่างๆ: ค้นพบและดูตัวอย่างชิ้นงานใน BigQuery, Cloud SQL และ Cloud Storage โดยใช้ชุดเครื่องมือ Data Agent ของแคตตาล็อกความรู้
2. 🕵️‍♂️ ตรวจสอบด้วย AI: สอบถามบริการหลายอย่างในการสนทนาแชทบานหน้าต่างเดียวโดยใช้เครื่องมือ MCP เพื่อติดตามความผิดปกติของ AOV ไปยังแคมเปญโปรโมชัน B2B แบบกลุ่ม
3. 🔧 สร้างไปป์ไลน์การผลิต: สร้างโปรเจ็กต์ dbt ที่สมบูรณ์เพื่อทำความสะอาด รวม และทดสอบข้อมูลธุรกรรมและข้อมูลลูกค้า
4. 🐛 แก้ไขข้อบกพร่องของ Fan-Out: สังเกตเห็นว่าเอเจนต์วินิจฉัยปัญหาความละเอียดโดยอัตโนมัติและปรับโครงสร้างโมเดล SQL ของ dbt เพื่อรวมโปรไฟล์สัตว์เลี้ยงของลูกค้าล่วงหน้า
5. 📈 คาดการณ์และแนะนำ: ใช้ AI.FORECAST ในตัวของ BigQuery เพื่อสร้างรูปแบบแนวโน้ม AOV และให้คำแนะนำที่อิงตามข้อมูลแก่ CFO

หัวข้อสำคัญ

แนวคิด	สิ่งที่คุณได้เรียนรู้
เครื่องมือ MCP	การเชื่อมต่อที่ปลอดภัยและตรวจสอบได้ซึ่งช่วยให้ AI Agent ค้นหาบริการต่างๆ เช่น BigQuery, Cloud SQL, Spanner และฐานข้อมูลอื่นๆ ในนามของคุณได้ โดยการเรียกใช้ทุกครั้งจะแสดงในแผงแชท
ทักษะของเอเจนต์	ชุดคำสั่งที่สร้างไว้ล่วงหน้า (เช่น dbt-bigquery หรือ discovering-gcp-data-assets) ซึ่งจะสอนแนวทางปฏิบัติแนะนำเฉพาะโดเมนให้แก่ตัวแทนโดยที่คุณไม่ต้องป้อนพรอมต์
การตรวจสอบข้ามบริการ	Agent จะค้นหาบริการของ Google Cloud หลายรายการในการสนทนาครั้งเดียว โดยไม่ต้องตั้งค่าการเชื่อมต่อและไม่ต้องสลับบริบทระหว่างคอนโซล
การแจ้งตามเป้าหมาย	บอกตัวแทนสิ่งที่คุณต้องการ ("สร้างโปรเจ็กต์ dbt ที่คำนวณ AOV ตามแชแนล") แทนที่จะบอกวิธี และปล่อยให้ตัวแทนเลือกแนวทางการติดตั้งใช้งาน
ชุดเครื่องมือสำหรับตัวแทนด้านข้อมูล	ส่วนขยายที่เชื่อมโยงทุกอย่างเข้าด้วยกัน ได้แก่ เครื่องมือ MCP, ทักษะของเอเจนต์ และการค้นพบข้อมูล ซึ่งช่วยให้คุณเข้าถึงข้อมูลทั้งหมดใน Google Cloud ได้จากภายใน IDE ที่เลือก

ขั้นตอนถัดไป

• อ่านข้อมูลเพิ่มเติมเกี่ยวกับความสามารถของ Data Agent Kit ได้ในเอกสารประกอบของ Data Agent Kit
• ดูข้อมูลเกี่ยวกับฟังก์ชัน BigQuery ML และ AI รวมถึง AI.FORECAST, AI.GENERATE และ AI.EMBED
• ลองสร้างการตรวจสอบแบบข้ามบริการของคุณเองด้วย Antigravity IDE ในข้อมูลของคุณเอง