Phân tích bằng Bộ công cụ tác nhân dữ liệu và Antigravity IDE

1. Giới thiệu

Sáng thứ Hai, Giám đốc tài chính vừa nhắn tin cho bạn. Giá trị trung bình của đơn đặt hàng giảm 7% trong tháng này, nhưng tổng doanh thu không đổi. Có điều gì đó không ổn và hội đồng quản trị muốn có câu trả lời muộn nhất vào thứ Sáu.

Công ty của bạn, Cymbal Pets, là một trong những nhà bán lẻ đồ dùng cho thú cưng trực tuyến lớn nhất ở Hoa Kỳ. Dữ liệu bạn cần nằm rải rác trên 3 dịch vụ của Google Cloud: dữ liệu giao dịch trong BigQuery, bản ghi khách hàng và sản phẩm trong Cloud SQL và tệp tiếp thị trong Cloud Storage. Thông thường, việc tổng hợp một cuộc điều tra trên nhiều dịch vụ như thế này có nghĩa là bạn phải chuyển đổi giữa các bảng điều khiển, viết mã kết nối và ghép các kết quả lại với nhau theo cách thủ công.

Trong lớp học lập trình này, bạn sẽ sử dụng Bộ công cụ tác nhân dữ liệu (DAK) của Google Cloud trong Antigravity IDE để điều tra điểm bất thường bằng ngôn ngữ tự nhiên. Bạn mô tả những gì bạn đang tìm kiếm và tác nhân AI sẽ xử lý các kết nối, SQL và các thao tác kết hợp trên nhiều dịch vụ trên BigQuery, Cloud SQL và Cloud Storage. Sau khi giải quyết được vấn đề, bạn sẽ yêu cầu tác nhân tạo một quy trình dbt để đưa các phát hiện của bạn vào hoạt động, gỡ lỗi một lỗi mô hình hoá dữ liệu thực và đưa ra đề xuất dựa trên dự báo cho Giám đốc tài chính.

Bạn sẽ thực hiện

  • Khám phá các tài sản dữ liệu trên BigQuery, Cloud SQL và Cloud Storage bằng Danh mục kiến thức
  • Điều tra một điểm bất thường bằng cách truy vấn nhiều dịch vụ trong một cuộc trò chuyện duy nhất bằng Công cụ MCP
  • Tạo một quy trình dbt để dàn dựng và kết hợp dữ liệu trên nhiều dịch vụ bằng các mô hình dàn dựng và kiểm thử tự động
  • Gỡ lỗi vấn đề về mô hình dữ liệu khi tác nhân tự chẩn đoán và tái cấu trúc lỗi phân đầu ra
  • Dự đoán xu hướng trong tương lai và đưa ra đề xuất dựa trên dữ liệu bằng cách sử dụng AI.FORECAST của BigQuery

Bạn cần có

  • Một trình duyệt web như Chrome
  • Một dự án trên Google Cloud đã bật tính năng thanh toán
  • Hiểu biết cơ bản về SQL và Google Cloud Console

Lớp học lập trình này dành cho những chuyên viên dữ liệu có trình độ trung cấp (kỹ sư phân tích, nhà phân tích dữ liệu, nhà khoa học dữ liệu).

Các tài nguyên được tạo trong lớp học lập trình này sẽ có chi phí dưới 5 USD.

2. Trước khi bắt đầu

Trong phần này, bạn sẽ chạy một tập lệnh thiết lập để cung cấp toàn bộ môi trường phòng thí nghiệm: một tập dữ liệu BigQuery chứa dữ liệu đơn đặt hàng, một phiên bản Cloud SQL Postgres chứa dữ liệu sản phẩm và khách hàng, cũng như một bộ chứa Cloud Storage chứa các bản ghi chiến dịch quảng bá. Tập lệnh này mất khoảng 8 đến 10 phút để hoàn tất, trong đó việc cấp phép Cloud SQL là điểm tắc nghẽn.

Khởi động Cloud Shell

Bạn sẽ sử dụng Google Cloud Shell để chạy tập lệnh thiết lập.

  1. Nhấp vào Kích hoạt Cloud Shell ở đầu Google Cloud Console.

Mở Cloud Shell

  1. Sau khi kết nối, hãy đặt mã dự án và xác nhận môi trường của bạn:
gcloud config set project <<YOUR_PROJECT_ID>>
export PROJECT_ID=$(gcloud config get-value project)

Bạn sẽ thấy một thông báo tương tự như sau:

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

Sao chép Kho lưu trữ

Sao chép kho lưu trữ lớp học lập trình vào môi trường 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/

Chạy tập lệnh thiết lập

Tập lệnh thiết lập sẽ chuẩn bị toàn bộ môi trường phòng thí nghiệm của bạn trong vài phút. Ứng dụng này xử lý việc bật API, tải và tăng cường dữ liệu BigQuery, tải tài sản quảng bá lên GCS, sau đó tự động tạo một trình chạy nền để cung cấp và định cấu hình Cloud SQL Postgres ở chế độ nền trong khi bạn bắt đầu lớp học lập trình.

Tập lệnh này tự động tạo mật khẩu Cloud SQL một cách an toàn và tự động lưu mật khẩu đó vào tệp .env cho bạn.

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

Khi quá trình này hoàn tất, bạn sẽ thấy thông tin tóm tắt về môi trường tiền cảnh:

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

Trong khi bạn tiếp tục các bước tiếp theo của phòng thí nghiệm, cơ sở dữ liệu sẽ được cung cấp và gieo hạt trong nền. Bạn có thể theo dõi tiến trình của quá trình này bất cứ lúc nào trong một bảng điều khiển riêng biệt bằng cách sử dụng:

tail -f /tmp/cloudsql_setup.log

Lưu ý đến cấu trúc dữ liệu: dữ liệu giao dịch (đơn đặt hàng và mặt hàng trong đơn đặt hàng) nằm trong BigQuery, trong khi dữ liệu vận hành (khách hàng, hồ sơ thú cưng và sản phẩm) sẽ nằm trong Cloud SQL. Việc phân chia này phản ánh cách dữ liệu thường được phân phối trên các dịch vụ trong các tổ chức thực tế và đó là điều khiến việc điều tra trên nhiều dịch vụ trở nên thú vị.

Tóm tắt phần: Bạn đã chạy tập lệnh thiết lập để khởi động môi trường phòng thí nghiệm và bắt đầu cung cấp cơ sở dữ liệu ở chế độ nền.

3. Thiết lập IDE và Data Agent Kit

Mở Antigravity IDE

Bạn không cần phải đợi Cloud SQL hoàn tất! Hãy mở Antigravity IDE và kết nối IDE này với dự án trên đám mây của Google Cloud.

  1. Nếu bạn chưa cài đặt, hãy tải và cài đặt Antigravity IDE từ trang tải xuống Google Antigravity.
  2. Khởi chạy ứng dụng Antigravity IDE trên máy tính.
  3. Tạo một thư mục trống mới trên máy cục bộ (ví dụ: đặt tên là agentic-data-labs) rồi mở thư mục đó trong IDE bằng cách chọn Open Folder (Mở thư mục). Đây sẽ là không gian làm việc cục bộ của bạn cho lớp học lập trình.

Định cấu hình thư mục dự án Antigravity IDE

Cài đặt tiện ích Data Agent Kit

Tiện ích Google Cloud Data Agent Kit cung cấp khả năng tích hợp sâu với các dịch vụ dữ liệu của Google Cloud ngay trong trình chỉnh sửa, cho phép bạn tương tác với BigQuery, Cloud SQL, Cloud Storage và nhiều dịch vụ khác mà không cần chuyển đổi ngữ cảnh.

  1. Trong Antigravity IDE, hãy nhấp vào biểu tượng Tiện ích trong Thanh hoạt động ở ngoài cùng bên trái màn hình (biểu tượng này trông giống như 4 hình vuông).
  2. Trong thanh tìm kiếm ở đầu ngăn Tiện ích, hãy nhập Google Cloud Data Agent Kit.
  3. Tìm tiện ích có tên Google Cloud Data Agent Kit do googlecloudtools xuất bản
  4. Nhấp vào nút Install (Cài đặt).
  5. Một lời nhắc có thể xuất hiện và hỏi "Bạn có tin tưởng nhà xuất bản "googlecloudtools" và các tiện ích của họ không?". Nhấp vào Tin tưởng nhà xuất bản và cài đặt để tiếp tục.

Cài đặt tiện ích Data Agent Kit

Sau khi cài đặt, bạn sẽ thấy biểu tượng Google Cloud Data Agent Kit mới xuất hiện trong Thanh hoạt động ở phía bên trái của Antigravity IDE.

Xác thực và định cấu hình tiện ích

Sau khi cài đặt, hãy kết nối tiện ích này với dự án trên đám mây của Google.

  1. Một trang giới thiệu có tiêu đề "Chào mừng bạn đến với Google Cloud Data Agent Kit" sẽ tự động mở ra. Nếu bạn chưa đăng nhập vào tài khoản Cloud, hãy làm theo mọi lời nhắc để cho phép truy cập.
  2. Trong phần Configuration Summary (Tóm tắt cấu hình), hãy tìm trường dự án. Nhấp vào trình đơn thả xuống rồi chọn dự án trên đám mây của bạn trên Google Cloud. Đặt khu vực của bạn là us-central1. Sau đó, chọn Configure MCP Servers (Định cấu hình máy chủ MCP).

Cấu hình ban đầu của tiện ích Data Agent Kit

  1. Trong ngăn Cấu hình MCP, hãy nhấp để bật BigQuery và Cloud SQL. Sau đó, hãy nhấp vào Bắt đầu.

Định cấu hình máy chủ MCP

Khám phá các lựa chọn cấu hình

Sau khi hoàn tất quá trình thiết lập, bạn sẽ được chuyển đến trang "Bắt đầu sử dụng Bộ công cụ Data Agent của Google Cloud".

  1. Trong mục "Thiết lập và cấu hình", hãy nhấp vào Bắt đầu.
  2. Thao tác này sẽ mở bảng điều khiển Cấu hình tác nhân dữ liệu. Khám phá các thẻ:
    • Dự án và khu vực: Xác minh mã dự án bạn đã chọn và kiểm tra để đảm bảo rằng các API bắt buộc (Cloud Storage API, BigQuery API, Catalog API và Cloud SQL Admin API) đã được bật.
    • BigQuery: Định cấu hình vị trí mặc định cho các truy vấn BigQuery. Sử dụng khu vực us-central1.
    • Định cấu hình máy chủ MCP: Xem các máy chủ MCP (BigQuery, Notebooks, Cloud SQL, v.v.) đã bật để cho phép các tác nhân AI tương tác an toàn với dữ liệu của bạn.
    • Kỹ năng: Khám phá các kỹ năng được tạo sẵn giúp cung cấp cho các tác nhân những khả năng chuyên biệt để thực hiện các tác vụ dữ liệu phức tạp.

Bảng cài đặt Data Agent

Tóm tắt phần: Bạn đã mở Antigravity IDE, kết nối IDE này với dự án trên Google Cloud, định cấu hình các máy chủ MCP từ xa của Bộ công cụ tác nhân dữ liệu và xác minh kết nối bằng cách chạy một truy vấn đối với BigQuery.

4. Khám phá dữ liệu của bạn

Đã đến lúc thiết lập bối cảnh. Tình huống như sau: Giám đốc tài chính cho biết giá trị trung bình của đơn đặt hàng giảm 7% trong tháng trước, nhưng tổng doanh thu không đổi. Trước khi yêu cầu nhân viên hỗ trợ điều tra, trước tiên, bạn nên hiểu rõ dữ liệu mà bạn đang làm việc.

Trong phần này, bạn sẽ khám phá bảng điều khiển Data Agent Kit theo cách thủ công để nắm được thông tin tổng quan. Hiểu rõ dữ liệu trước khi bắt đầu truy vấn là bước đầu tiên quan trọng trong mọi hoạt động điều tra.

Khám phá các bảng BigQuery

  1. Trong bảng điều khiển Data Agent Kit (Bộ công cụ tác nhân dữ liệu), trong mục CATALOG (DANH MỤC), hãy mở rộng dự án của bạn → BigQuery → cymbal_pets.
  2. Nhấp vào bảng orders. Một thẻ mới sẽ mở ra và cho thấy thông tin chi tiết của bảng.
  3. Khám phá các thẻ ở bên trái của trình xem bảng:
    • Dữ liệu: Xem trước các hàng thực tế. Di chuyển qua tập dữ liệu và kiểm tra các cột.
    • Giản đồ: Xem xét tên và loại cột. Lưu ý các trường như order_type và promo_code. Đây là những trường sẽ trở nên quan trọng sau này.
    • Các thẻ khác (Chi tiết, Thông tin chi tiết, Hồ sơ dữ liệu, v.v.): Truy cập vào siêu dữ liệu, dòng dữ liệu và thông tin chi tiết về chất lượng mà bạn thường thấy trong bảng điều khiển Google Cloud – tất cả đều có trong trình chỉnh sửa của bạn.

Bảng đơn đặt hàng BigQuery

  1. Bây giờ, hãy nhấp vào bảng order_items rồi xem xét giản đồ của bảng đó. Lưu ý các trường quantity và price.

Khám phá các bảng Cloud SQL

Tập lệnh thiết lập cũng đặt dữ liệu khách hàng, thú cưng và dữ liệu sản phẩm vào cơ sở dữ liệu PostgreSQL trong Cloud SQL.

  1. Trong bảng điều khiển Data Agent Kit, hãy nhấp vào Universal Search (Tìm kiếm chung) trong phần CATALOG (DANH MỤC).
  2. Trong hộp tìm kiếm, hãy nhập pet_profiles rồi nhấn phím Enter.
  3. Trong kết quả tìm kiếm, hãy nhấp vào kết quả Bảng PostgreSQL cho pet_profiles (trong phiên bản Cloud SQL của dự án). Hãy lưu ý rằng danh sách xếp dọc ở thanh bên sẽ tự động mở rộng, cho bạn biết chính xác vị trí của bảng trong cây cơ sở dữ liệu. Bây giờ, hãy nhấp vào bảng customers nằm ngay phía trên trong cây để mở thông tin chi tiết của bảng, đồng thời khám phá các thẻ Lược đồ và Chi tiết.

Lược đồ Cloud SQL

Khám phá các tệp trong Cloud Storage

Cuối cùng, các bản ghi chiến dịch tiếp thị và quảng bá được lưu trữ dưới dạng tệp JSON thô trong Cloud Storage.

  1. Trong bảng Data Agent Kit (Bộ công cụ tác nhân dữ liệu) ở bên trái, hãy mở rộng mục CLOUD STORAGE (LƯU TRỮ ĐÁM MÂY). Xác định vị trí của vùng chứa thô của dự án (YOUR_PROJECT_ID-cymbal-pets-raw).
  2. Nhấp vào tệp promo_events.json trong nhóm. Một thẻ trình chỉnh sửa mới sẽ mở ra, cho phép bạn xem nội dung JSON Lines thô của các chiến dịch tiếp thị ngay trong IDE.

Xem trước Cloud Storage promo_events.json

Đánh giá

Sau đây là những điều bạn đã biết về bối cảnh dữ liệu:

Dịch vụ

Bảng

Có gì ở đó

BigQuery

orders, order_items

Khoảng 1,9 triệu đơn đặt hàng, khoảng 4,3 triệu mục hàng, phạm vi ngày từ năm 2023 đến năm 2025

Cloud SQL

customers, pet_profiles, products

Khoảng 92.000 khách hàng, khoảng 7.600 hồ sơ thú cưng, 206 sản phẩm

Cloud Storage

promo_events.json

Bản ghi chiến dịch khuyến mãi

Dữ liệu được phân tán trên 3 dịch vụ. Trong quy trình làm việc truyền thống, bạn cần thiết lập các mối kết nối, viết mã tích hợp và kết hợp kết quả theo cách thủ công. Trong bước tiếp theo, bạn sẽ cho phép tác nhân AI xử lý tất cả những việc đó thông qua một cuộc trò chuyện duy nhất.

Tóm tắt phần: Bạn đã dùng bảng điều khiển Data Agent Kit để khám phá thủ công cấu trúc dữ liệu trên BigQuery, Cloud SQL và Cloud Storage. Giờ đây, bạn đã biết vị trí lưu trữ dữ liệu và những trường có sẵn, nên bạn đã sẵn sàng bắt đầu điều tra.

5. Theo dõi các con số

Bây giờ, cuộc điều tra bắt đầu. Bạn sẽ sử dụng ngăn trò chuyện để yêu cầu tác nhân AI lấy dữ liệu Giá trị trung bình của đơn đặt hàng (AOV) từ BigQuery. Giá trị trung bình của đơn đặt hàng là một chỉ số kinh doanh thể hiện số tiền trung bình mà khách hàng chi tiêu cho mỗi đơn đặt hàng. Thay mặt bạn, tác nhân sẽ truy vấn bằng MCP Tools và bạn có thể xem mọi truy vấn SQL mà tác nhân chạy.

Kéo biểu đồ xu hướng giá trị trung bình của đơn đặt hàng

  1. Trong ngăn Trò chuyện ở bên phải của IDE, hãy nhập câu lệnh sau rồi nhấn Enter:
    Calculate our monthly average order value from August 2024 through January 2025
using the orders and order_items tables in BigQuery.
  2. Phê duyệt quyền truy cập dữ liệu. Bạn nên thận trọng khi các tác nhân AI chạy truy vấn trên cơ sở dữ liệu của bạn. Data Agent Kit giúp bạn kiểm soát bằng cách tạm dừng để yêu cầu bạn cấp quyền rõ ràng trước khi truy cập vào dữ liệu. Khi được nhắc, bạn có thể chọn:
    • Cho phép lần này: Phê duyệt một lần sử dụng (lý tưởng cho việc kiểm tra các truy vấn có mức độ rủi ro cao).
    • Luôn cho phép: Phê duyệt việc sử dụng liên tục công cụ cụ thể này cho phiên hiện tại.
    • Không: Chặn hoàn toàn hành động này.
    Để có trải nghiệm mượt mà nhất trong phòng thí nghiệm, hãy chọn Có và luôn cho phép.Lưu ý: Quyền được cấp theo từng công cụ. Bạn có thể sẽ thấy thêm một vài lời nhắc trong thời gian ngắn nữa khi nhân viên hỗ trợ sử dụng các công cụ mới (chẳng hạn như list_table_ids hoặc execute_sql_readonly). Bạn cũng có thể chọn "luôn cho phép" những lời nhắc này.

Lời nhắc về quyền truy cập vào công cụ MCP

  1. Quan sát cách nhân viên hỗ trợ làm việc. Ngăn trò chuyện cũng là nhật ký minh bạch cho mọi hoạt động của tác nhân. Thay vì một hộp đen, tác nhân sẽ cho bạn biết suy luận và hành động của tác nhân theo thời gian thực.
  2. Sau khi trợ lý hoàn tất, hãy nhấp vào trình đơn thả xuống Đã hoạt động trong X phút bên dưới câu lệnh của bạn để mở rộng nhật ký công việc đầy đủ. Tại đây, bạn có thể kiểm tra chính xác cách AI tạo câu trả lời:
    • Đã khám phá: Mở rộng các mục này để xem tác nhân đọc tệp, duyệt thư mục hoặc gọi các công cụ MCP (chẳng hạn như datacloud_bigquery_remote / list_table_ids và execute_sql_readonly). Bạn có thể xem chính xác các đối số JSON được truyền đến các công cụ và SQL đã thực thi.
    • Đã chạy: Mở rộng các mục này để xem mọi lệnh trong cửa sổ dòng lệnh mà tác nhân đã thực thi, chẳng hạn như gcloud config list.

Nhật ký minh bạch của tác nhân cho thấy các lệnh gọi công cụ MCP

  1. Xem lại kết quả. Trợ lý ảo phải trả về một bảng gồm các giá trị AOV hằng tháng. Hãy tự xem xét các con số: những tháng trước đó dao động ở mức khoảng 110 đô la Mỹ, sau đó tháng 1 giảm xuống còn khoảng 103 đô la Mỹ. Đó là điểm bất thường mà Giám đốc tài chính đã gắn cờ.

Xem chi tiết theo kênh

Giá trị trung bình của đơn đặt hàng (AOV) tổng thể đã giảm, nhưng mức giảm này đến từ đâu? Hãy cùng tìm hiểu.

  1. Trong ngăn Trò chuyện, hãy nhập:
    January looks lower than the prior months. 
Break down January's AOV by order_type to see what's going on?
  2. Tác nhân chạy một truy vấn BigQuery khác, lần này nhóm theo order_type. Xem xét kỹ kết quả.Bạn sẽ thấy một điều đáng chú ý: AOV trực tuyến và ngoại tuyến vẫn ổn định ở mức khoảng 110 đô la. Nhưng có một kênh mới là B2B-Wholesale với giá trị trung bình của đơn đặt hàng thấp hơn nhiều (khoảng 750.000 VND). Kênh mới này đang kéo mức trung bình kết hợp xuống.
  3. Nhân viên hỗ trợ có thể chủ động đề xuất điều tra khách hàng B2B. Nếu không thì cũng không sao. Bạn sẽ thực hiện việc đó trong bước tiếp theo.

Tóm tắt phần: Bạn tự phát hiện thấy mức sụt giảm AOV vào tháng 1 từ một lần kéo dữ liệu trung lập, sau đó truy sâu vào order_type để xác định B2B-Wholesale là kênh mới kéo mức trung bình hỗn hợp xuống. Bây giờ, bạn cần tìm hiểu xem những khách hàng B2B này là ai.

6. Vượt qua ranh giới dịch vụ

Bạn đã xác định B2B-Wholesale là kênh bất thường trong BigQuery, nhưng dữ liệu khách hàng lại nằm trong Cloud SQL. Với Data Agent Kit, bạn có thể tiếp tục cuộc trò chuyện và Data Agent Kit sẽ xử lý ranh giới dịch vụ.

Điều tra khách hàng doanh nghiệp

  1. Trong ngăn Trò chuyện, hãy nhập:
    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. Theo dõi kỹ ngăn trò chuyện. Lần này, bạn sẽ thấy một Công cụ MCP khác xuất hiện. Giờ đây, tác nhân đang truy vấn Cloud SQL thay vì BigQuery.Tác nhân kết nối với phiên bản Cloud SQL Postgres cymbal-pets-ops và chạy một truy vấn đối với bảng customers. Nhấp vào Hiện chi tiết để xem SQL.
  3. Xem lại kết quả. Trợ lý nên đưa ra một số kết quả chính:
    • Tất cả khách hàng B2B đều có customer_type = 'Business'
    • Tất cả đều đăng ký trong vòng 30 ngày qua (tháng 1 năm 2025)
    • Giá trị last_name là tên doanh nghiệp, chẳng hạn như "Pet Supply Co", "Animal Care LLC" và "Happy Paws Inc"
    • Có khoảng 100 người thuộc nhóm này, một nhóm chưa từng tồn tại trước tháng này

Kết nối mã khuyến mãi

  1. Tác nhân có thể tự nhận thấy rằng nhiều đơn đặt hàng B2B trong BigQuery có giá trị promo_code là BIGORDER25. Nếu trẻ tự nguyện đưa ra nhận xét này, thì rất tốt. Quá trình điều tra diễn ra một cách tự nhiên.Nếu trợ lý không đề cập đến mã khuyến mãi, hãy nhắc trợ lý:
    I noticed a promo_code field on the orders table in BigQuery. 
Check what promo codes appear on the B2B-Wholesale orders?
  2. Trợ lý này truy vấn BigQuery một lần nữa và nhận thấy rằng khoảng 92% đơn đặt hàng B2B-Wholesale có promo_code = 'BIGORDER25'. Gần như tất cả hoạt động B2B đều gắn liền với một chiến dịch khuyến mãi duy nhất.Giờ đây, nhân viên hỗ trợ nên tò mò về nguồn gốc của mã khuyến mãi này. Có thể bạn sẽ được hỏi liệu có dữ liệu khuyến mãi nào khác trong môi trường hay không. (Có trong Cloud Storage.)

Tóm tắt phần: Agent đã truy vấn Cloud SQL để cho thấy rằng khách hàng B2B đều là những doanh nghiệp mới đăng ký vào tháng 1 năm 2025. Kết hợp với phát hiện của BigQuery rằng khoảng 92% đơn đặt hàng của họ có promo_code = 'BIGORDER25', dấu vết này hiện hướng đến một chiến dịch quảng bá. Đã đến lúc tìm ra nguồn gốc.

7. Tìm mảnh ghép còn thiếu

Hai dịch vụ đã được khắc phục, còn một dịch vụ nữa. Bạn biết điều gì đã xảy ra (đơn đặt hàng B2B đang kéo giá trị trung bình của đơn đặt hàng xuống) và ai đang thực hiện việc này (khách hàng doanh nghiệp mới trong 30 ngày qua). Bây giờ, bạn cần tìm hiểu lý do và câu trả lời nằm trong Cloud Storage.

Kiểm tra bộ chứa GCS

  1. Trong ngăn Trò chuyện, hãy nhập:
    Good catch on the promo code. 
We might have promotional campaign data in our GCS bucket. 
Can you check what's there?
  2. Tác nhân này không có công cụ MCP được định cấu hình sẵn cho Cloud Storage, nên tác nhân này sẽ tự động chuyển sang dùng công cụ đầu cuối để chạy các lệnh gcloud storage. Công cụ này sẽ yêu cầu quyền chạy các lệnh như gcloud storage ls. Cho phép các lệnh này, sau đó mở rộng nhật ký Ran trong ngăn Chat (Trò chuyện) để xem chính xác các lệnh CLI mà công cụ này đã dùng để đọc và phân tích tệp promo_events.json.
  3. Nhân viên hỗ trợ cần xác định 3 chiến dịch khuyến mãi trong tệp:

    Chiến dịch

    Mã khuyến mại

    Giảm giá

    Mục tiêu

    Ngày

    Khuyến mãi mùa hè cho sản phẩm chăm sóc thú cưng

    PETSUMMER15

    Giảm giá 15%

    Tất cả

    Tháng 6 năm 2024

    B2B Wholesale Push

    BIGORDER25

    Giảm giá 25%

    B2B

    Tháng 1 năm 2025

    Phần thưởng dịp lễ dành cho thành viên thân thiết

    LOYAL10

    Giảm giá 10%

    Thành viên thân thiết

    Tháng 12 năm 2024

    Đây rồi. Mã khuyến mãi BIGORDER25 được liên kết với một chiến dịch có tên là B2B Wholesale Push: Giảm giá 25% cho khách hàng B2B với số lượng đặt hàng tối thiểu là 50 đơn vị. Đây là bằng chứng không thể chối cãi.

Tổng hợp mọi kiến thức

  1. Yêu cầu tác nhân tổng hợp mọi thông tin mà tác nhân tìm thấy:
    Put it all together. 
What happened to our average order value?
  2. Tác nhân này đưa ra một bản tổng hợp rõ ràng, có cấu trúc, kết nối cả 3 nguồn dữ liệu. Nội dung giải thích sẽ có dạng như sau:
    1. Mức giảm giá trị trung bình của đơn đặt hàng là có thật, nhưng đó không phải là sự sụt giảm trong hoạt động kinh doanh hiện tại. Giá trị đơn hàng trung bình (AOV) trực tuyến và ngoại tuyến vẫn ổn định ở mức khoảng 1.100.000 VND.
    2. Một kênh B2B-Wholesale mới xuất hiện vào tháng 1 năm 2025, với khoảng 25.000 đơn đặt hàng ở AOV thấp hơn nhiều (khoảng 75 – 100 USD).
    3. Khách hàng B2B là 100 tài khoản doanh nghiệp mới, tất cả đều đăng ký trong vòng 30 ngày qua (Cloud SQL).
    4. Hoạt động này được thúc đẩy bởi một chiến dịch quảng bá ("B2B Wholesale Push") giảm giá 25% cho đơn đặt hàng số lượng lớn với số lượng tối thiểu là 50 đơn vị (Lưu trữ đám mây).
    5. Doanh thu không đổi vì số lượng đơn đặt hàng B2B lớn bù đắp cho giá thấp hơn. Tuy nhiên, lợi nhuận trên mỗi đơn vị bị giảm đáng kể (giảm khoảng 65%) khi áp dụng chiết khấu bán buôn 25%, gây ảnh hưởng nghiêm trọng đến lợi nhuận tổng thể khi tính đến chi phí vận chuyển và chi phí hoạt động.
    Đây là thời điểm cuộc điều tra bắt đầu. Câu hỏi của Giám đốc tài chính có câu trả lời rõ ràng: Giá trị trung bình của đơn đặt hàng giảm vì một chương trình B2B dựa trên hoạt động tiếp thị đã tràn ngập các đơn đặt hàng có số lượng lớn và giá thấp vào tháng 1. Doanh nghiệp hiện tại đang hoạt động tốt.

Tóm tắt phần: Bạn đã tìm thấy bằng chứng không thể chối cãi trong Bộ nhớ đám mây: một chiến dịch quảng bá B2B giảm giá 25% cho đơn đặt hàng số lượng lớn. Trợ lý đã tổng hợp thông tin từ cả 3 dịch vụ thành một câu chuyện rõ ràng. Giai đoạn điều tra đã hoàn tất. Tiếp theo, bạn sẽ đưa những phát hiện này vào hoạt động.

8. Xây dựng quy trình

Bạn đã giải quyết được vấn đề. Giờ đây, Giám đốc tài chính muốn báo cáo phân tích này tự động cập nhật. Trong phần này, bạn sẽ yêu cầu trợ lý tạo một dự án dbt để dàn dựng dữ liệu BigQuery và tạo một bảng dữ liệu thực tế để phân tích giá trị trung bình của đơn đặt hàng (AOV) liên tục.

Đây là lúc nhân viên hỗ trợ chuyển từ vai trò điều tra viên sang vai trò kỹ sư. Bạn sẽ thấy nó tạo khung cho toàn bộ dự án dbt và chạy toàn bộ quy trình, tất cả chỉ bằng một câu lệnh.

Tạo khung cho Dự án dbt

  1. Trong ngăn Chat, hãy nhập câu lệnh sau. Đây là một quy trình có mục tiêu rõ ràng chứ không phải là quy trình từng bước. Bạn đang cho tác nhân biết những gì bạn muốn, chứ không phải cách tạo ra những điều đó:
    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. Quan sát quá trình tự sửa lỗi: Nếu mở rộng nhật ký "Worked for Ns", bạn có thể thấy tác nhân kiểm tra dbt và khi phát hiện thấy dbt bị thiếu, tác nhân sẽ tự động chạy các lệnh để tạo môi trường ảo Python (.venv). Tác nhân đang xử lý việc thiết lập môi trường cho bạn!

Tác nhân thiết lập môi trường ảo

  1. Xem xét Kế hoạch triển khai: Trợ lý sẽ tạo một kế hoạch triển khai chính thức. Bạn có thể xem xét các tệp và cấu trúc được đề xuất, thêm nhận xét nếu cần và nhấp vào Tiếp tục để cho phép tác nhân thực hiện kế hoạch.

Kế hoạch triển khai tác nhân

  1. Theo dõi ngăn Trò chuyện khi tác nhân thực hiện kế hoạch của mình, ghi các tệp .sql và cấu hình YAML cần thiết. Khi hoàn tất và biên dịch dự án thành công, công cụ này sẽ trình bày bản tóm tắt về các thay đổi. Nhấp vào Chấp nhận tất cả để thêm các tệp này vào không gian làm việc của bạn.

Chấp nhận các thay đổi về mã tác nhân

  1. Khám phá dự án dbt mới được tạo trong Explorer (Trình khám phá) ở bên trái. Bạn sẽ thấy một cấu trúc tương tự như sau:
    dbt/
├── models/
│   ├── marts/
│   │   └── fct_order_analysis.sql
│   └── staging/
│       ├── schema.yml
│       ├── sources.yml
│       ├── stg_order_items.sql
│       └── stg_orders.sql
├── dbt_project.yml
└── profiles.yml

Cấu trúc dự án dbt trong File Explorer

  1. Nhấp vào tệp mô hình .sql để xem lại SQL mà tác nhân đã tạo. Hãy chú ý đến cách xử lý:
    • Mô hình dàn dựng: Các cột được dọn dẹp, đổi tên có thông tin tham chiếu nguồn
    • Mô hình mart: Logic kết hợp và cách tính giá trị trung bình của đơn đặt hàng theo kênh
  1. Kiểm tra ngăn Chat (Trò chuyện) để xem xác nhận của đặc vụ rằng tất cả các mô hình đều được hiện thực hoá và tất cả các kiểm thử đều đạt. Kết quả AOV của cửa hàng phải xác nhận những gì bạn tìm thấy trong quá trình điều tra:
    - Online: ~$110
- Offline: ~$110
- B2B-Wholesale: ~$75 to $77

Tóm tắt phần: Đặc vụ đã tạo một dự án dbt từ một câu lệnh duy nhất có mục tiêu cụ thể: các mô hình dàn dựng và mart được dàn dựng, chạy thành công dbt build và xác nhận điểm bất thường về giá trị đơn hàng trung bình. Tiếp theo, bạn sẽ đưa ra một câu hỏi khó để xem cách tác nhân xử lý sự phức tạp.

9. Khi các kiểm thử không thành công, tác nhân sẽ gỡ lỗi

Quy trình hoạt động, nhưng chỉ sử dụng dữ liệu BigQuery. Nhóm sản phẩm muốn làm phong phú thêm hoạt động phân tích bằng dữ liệu hồ sơ khách hàng và thú cưng từ Cloud SQL để có thể đề xuất sản phẩm dựa trên nhu cầu dinh dưỡng. Điều này có nghĩa là tác nhân cần bắc cầu qua ranh giới Cloud SQL và xử lý một lỗi nhỏ về mô hình hoá dữ liệu – một phép kết hợp "phân tán" mô hình hoá theo chiều cổ điển.

Tuỳ thuộc vào mô hình bạn đang sử dụng và khả năng suy luận của mô hình đó, tác nhân sẽ xử lý yêu cầu này theo một trong hai cách: Chủ động tránh lỗi (Lựa chọn A) hoặc Tự khắc phục sau thất bại trong kiểm thử (Lựa chọn B). Hãy xem tác nhân của bạn sẽ đi theo con đường nào!

Kích hoạt yêu cầu

  1. Trong ngăn Trò chuyện, hãy nhập:
    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. Quan sát cách nhân viên hỗ trợ làm việc. Thao tác này sẽ khám phá các bảng Cloud SQL, tìm ra cách chuyển dữ liệu vào BigQuery (thông qua truy vấn liên kết hoặc bản sao được cụ thể hoá), tạo các mô hình dàn dựng mới và sửa đổi fct_order_analysis.sql.

Cách A: Tác nhân chủ động (Tránh lỗi)

Nếu bạn đang sử dụng một mô hình suy luận nâng cao, thì tác nhân có thể phát hiện sự thay đổi về mức độ chi tiết trước khi viết bất kỳ mã nào. Thao tác này nhận ra rằng vì một khách hàng có thể sở hữu nhiều thú cưng, nên thao tác kết hợp trực tiếp sẽ sao chép các đơn đặt hàng và ngay lập tức không vượt qua được bài kiểm tra tính duy nhất mà bạn yêu cầu trên order_id.

  1. Quan sát tính năng Tổng hợp chủ động: Trong phần giải thích của ngăn trò chuyện hoặc cấu phần phần mềm hướng dẫn từng bước, tác nhân có thể lưu ý rằng tác nhân đã tổng hợp trước dữ liệu về thú cưng trước khi kết hợp dữ liệu đó để ngăn chặn hiện tượng "phân đầu ra cổ điển". Thông thường, thao tác này sẽ thực hiện bằng cách thu gọn nhiều thú cưng cho mỗi khách hàng bằng cách sử dụng một hàm tổng hợp (ví dụ: ARRAY_AGG() hoặc STRING_AGG()).
  2. Kiểm tra kết quả: dbt build chạy và vượt qua thành công ngay lần đầu tiên vì tác nhân chủ động bảo vệ độ chi tiết của bảng dữ liệu. Bạn có thể xác minh điều này bằng cách kiểm tra cấu phần phần mềm Hướng dẫn được tạo. Cấu phần phần mềm này thường cho thấy đầu ra kiểm thử thành công cùng với kết quả truy vấn.

Hướng dẫn cho thấy quá trình tổng hợp chủ động và các thử nghiệm thành công

Nếu tác nhân của bạn đã làm được điều này, xin chúc mừng! Bạn đã chứng kiến hoạt động kỹ thuật AI chủ động. Dành chút thời gian xem xét SQL được tạo trong fct_order_analysis.sql để xem cách SQL này cấu trúc hoạt động tổng hợp, sau đó chuyển sang phần tiếp theo, Đưa ra câu trả lời.

Cách B: Tác nhân tự khắc phục (Gỡ lỗi và chẩn đoán)

Nếu trước tiên mô hình viết một phép kết hợp bên trái trực tiếp đơn giản, thì bản thân truy vấn SQL sẽ chạy thành công, nhưng bộ dbt test tự động sẽ phát hiện ra sự thay đổi về độ chi tiết!

  1. Quan sát Lỗi kiểm thử: Bạn sẽ thấy lỗi được báo cáo trong nhật ký tiến trình thực thi của ngăn Chat:
    Completed with 1 error

Failure in test unique_fct_order_analysis_order_id
Got 287 results, configured to fail if != 0
    Bài kiểm tra tính duy nhất trên order_id phát hiện các mục trùng lặp vì khách hàng có nhiều thú cưng đã đặt nhiều đơn hàng.
  2. Cho phép Tác nhân chẩn đoán và tự khắc phục: Vì kiểm thử không thành công, hãy yêu cầu tác nhân gỡ lỗi. Trong ngăn Trò chuyện, hãy nhập:
    The uniqueness test failed. Can you figure out why and fix it?
  3. Xem phần Chẩn đoán: Agent sẽ truy vấn dữ liệu, khám phá mối quan hệ một-nhiều trong pet_profiles, giải thích rằng việc kết hợp trực tiếp sẽ thay đổi độ chi tiết từ one-row-per-order (một hàng cho mỗi đơn đặt hàng) thành one-row-per-order-per-pet (một hàng cho mỗi đơn đặt hàng cho mỗi thú cưng) và viết lại mô hình để tổng hợp trước hồ sơ thú cưng:
    -- 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. Xác minh bản sửa lỗi: Đặc vụ chạy lại dbt build và lần này, tất cả các mô hình đều hiện thực hoá và tất cả các kiểm thử đều vượt qua thành công!

Tóm tắt phần: Cho dù tác nhân của bạn chủ động tránh lỗi hay tự khắc phục thành công sau khi thất bại trong kiểm thử, bạn đều thấy tác nhân này vượt qua ranh giới Cloud SQL, tích hợp dữ liệu hồ sơ khách hàng và thú cưng, đồng thời duy trì độ chi tiết hoàn hảo của bảng dữ kiện. Giờ đây, quy trình này đã ổn định, hoàn chỉnh và được kiểm thử đầy đủ!

10. Đưa ra câu trả lời

Hôm nay là thứ Năm. Bạn bắt đầu tuần làm việc với một Giám đốc tài chính lo lắng và dữ liệu nằm rải rác trên 3 dịch vụ đám mây. Giờ đây, bạn đã biết nguyên nhân cốt lõi và có một quy trình sản xuất. Thời gian đưa ra câu trả lời, cùng với một đề xuất hướng đến tương lai dựa trên dự báo định lượng.

Viết bản tóm tắt chung

  1. Trong ngăn Trò chuyện, hãy nhập:
    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. Xem cách tác nhân hoạt động.
  3. Xem bản tóm tắt chung của tác nhân. Một câu trả lời điển hình và có cấu trúc rõ ràng phải đề cập đến:
    • Phát hiện cốt lõi: Giá trị trung bình của đơn đặt hàng (AOV) trong tháng 1 giảm chỉ do kênh B2B-Wholesale mới. Giá trực tuyến và ngoại tuyến vẫn ổn định ở mức khoảng 110 USD.
    • Nguyên nhân gốc rễ: Chương trình "Bán buôn B2B" (giảm giá 25% cho đơn đặt hàng số lượng lớn) đã thu hút 100 tài khoản mới, mang lại khoảng 25.000 đơn đặt hàng.
    • Tác động đến lợi nhuận: Các đơn đặt hàng bán buôn làm giảm lợi nhuận trung bình trên mỗi đơn vị xuống khoảng 65% (từ khoảng 7,5 USD xuống khoảng 2,6 USD).
    • Doanh thu: Doanh thu tổng thể không đổi vì số lượng lớn khách hàng doanh nghiệp bù đắp cho giá thấp hơn.

Dự đoán giá trị trung bình của đơn đặt hàng bằng AI.FORECAST

  1. Đồng thời, trợ lý ảo cũng phải tạo ra một dự đoán trong tương lai. Tìm lệnh gọi MCP Tool nơi tác nhân chạy một truy vấn AI.FORECAST đối với BigQuery. Thao tác này sử dụng mô hình cơ sở TimesFM tích hợp sẵn để dự đoán giá trị trung bình của đơn đặt hàng trong 90 ngày tới dựa trên xu hướng trong quá khứ. Truy vấn này sẽ dự đoán giá trị trung bình của đơn đặt hàng trong 90 ngày tới trong hai trường hợp: tiếp tục chiến dịch (giá trị trung bình của đơn đặt hàng giảm về mặt cấu trúc) so với chấm dứt chiến dịch (phục hồi về mức khoảng 110 đô la).
  1. Xem xét các đề xuất chiến lược của tác nhân. Một bộ đề xuất toàn diện có thể bao gồm:
    • Cấu trúc lại chiết khấu: Triển khai mức lợi nhuận tối thiểu hoặc giới hạn chiết khấu hàng loạt để bảo vệ lợi nhuận ở cấp đơn vị.
    • Thực thi số lượng đặt hàng tối thiểu nghiêm ngặt hơn: Ngăn người mua lẻ lợi dụng giá bán sỉ.
    • Báo cáo riêng biệt: Theo dõi các bộ phận bán lẻ và B2B một cách độc lập để tránh che giấu hiệu suất bán lẻ.

Toàn bộ câu chuyện

Những gì bắt đầu vào thứ Hai như một cuộc diễn tập về việc giảm 7% Giá trị trung bình của đơn đặt hàng đã có một giải pháp rõ ràng cho Giám đốc tài chính:

  • Retail Health (Sức khoẻ của ngành bán lẻ): Các kênh bán lẻ cốt lõi vẫn duy trì trạng thái lành mạnh và ổn định ở mức cơ bản.
  • Sự gia tăng của kênh bán buôn: Sự sụt giảm AOV hoàn toàn là do kênh bán buôn B2B mới và chiến dịch BIGORDER25.
  • Tác động đến lợi nhuận: Chiết khấu số lượng lớn 25% đã làm giảm đáng kể lợi nhuận trên mỗi đơn vị, đe doạ khả năng sinh lời mặc dù doanh thu không đổi.
  • Dự báo chiến lược: Một dự đoán AI.FORECAST cho thấy việc tái cơ cấu các cấp bán buôn sẽ khôi phục AOV hỗn hợp.

Bạn đưa ra đề xuất dựa trên dữ liệu để thiết lập mức lợi nhuận tối thiểu khi bán buôn và tách riêng báo cáo bán lẻ/B2B.

Tóm tắt phần: Bạn yêu cầu trợ lý viết bản tóm tắt dành cho ban điều hành có phân tích lợi nhuận, tạo dự đoán AI.FORECAST và đưa ra đề xuất dựa trên dữ liệu. Cuộc điều tra đã hoàn tất.

11. Dọn dẹp

Để tránh phát sinh các khoản phí liên tục cho tài khoản Google Cloud của bạn, hãy xoá các tài nguyên được tạo trong lớp học lập trình này bằng cách chạy tập lệnh huỷ.

  1. Trong bảng điều khiển Terminal (Thiết bị đầu cuối) ở cuối Antigravity IDE (hoặc trong Cloud Shell), hãy chuyển đến thư mục lớp học lập trình rồi chạy:
cd ~/devrel-demos/codelabs/agentic-data-labs/scripts
chmod +x teardown.sh
./teardown.sh
  1. Tập lệnh sẽ hiển thị tất cả tài nguyên mà tập lệnh dự định xoá và yêu cầu xác nhận trước khi tiếp tục:
    • Phiên bản Cloud SQL (cymbal-pets-ops): Đây là tài nguyên đắt nhất
    • Tập dữ liệu BigQuery (cymbal_pets): Tất cả các bảng và mô hình
    • Bộ chứa Cloud Storage (gs://YOUR_PROJECT_ID-cymbal-pets-raw)
    • Kết nối BigQuery (cymbal-pets-cloudsql)
  2. Nhập y để xác nhận. Quá trình tháo rời mất khoảng 2 đến 3 phút.
[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.

12. Xin chúc mừng!

Bạn đã hoàn thành thành công Cuộc điều tra về Cymbal Pets! Bạn đã chuyển từ một câu hỏi mơ hồ của Giám đốc tài chính sang một đề xuất được hỗ trợ đầy đủ và có dự báo, bằng cách sử dụng một tác nhân AI hoạt động trên toàn bộ tài sản dữ liệu của bạn trên Google Cloud.

Thành tích bạn đạt được

  1. 🔍 Khám phá trên các dịch vụ: Khám phá và xem trước các tài sản trong BigQuery, Cloud SQL và Cloud Storage bằng Danh mục kiến thức của Data Agent Kit.
  2. 🕵️‍♂️ Được điều tra bằng AI: Đã truy vấn nhiều dịch vụ trong một cuộc trò chuyện trên ngăn trò chuyện duy nhất bằng MCP Tools để truy tìm điểm bất thường về giá trị trung bình của đơn đặt hàng (AOV) trong một chiến dịch quảng bá hàng loạt từ doanh nghiệp đến doanh nghiệp.
  3. 🔧 Xây dựng quy trình sản xuất: Tạo khung cho một dự án dbt hoàn chỉnh để dọn dẹp, kết hợp và kiểm tra dữ liệu giao dịch và dữ liệu khách hàng.
  4. 🐛 Đã gỡ lỗi phân đầu ra: Nhận thấy tác nhân tự động chẩn đoán vấn đề về độ chi tiết và cải tiến mô hình SQL dbt để tổng hợp trước hồ sơ thú cưng của khách hàng.
  5. 📈 Dự đoán và đề xuất: Sử dụng AI.FORECAST tích hợp của BigQuery để mô hình hoá xu hướng giá trị trung bình của đơn đặt hàng và đưa ra đề xuất dựa trên dữ liệu cho Giám đốc tài chính.

Khái niệm chính

Khái niệm

Kiến thức bạn học được

Công cụ MCP

Các kết nối an toàn, có thể kiểm tra cho phép tác nhân AI truy vấn các dịch vụ như BigQuery, Cloud SQL, Spanner và các cơ sở dữ liệu khác thay cho bạn, với mọi lệnh gọi đều xuất hiện trong ngăn trò chuyện

Kỹ năng của trợ lý AI

Các bộ hướng dẫn được dựng sẵn (chẳng hạn như dbt-bigquery hoặc discovering-gcp-data-assets) giúp dạy cho tác nhân các phương pháp hay nhất theo từng miền cụ thể mà bạn không cần phải nhắc

Điều tra trên nhiều dịch vụ

Tác nhân này truy vấn nhiều dịch vụ của Google Cloud trong một cuộc trò chuyện duy nhất – không cần thiết lập kết nối, không cần chuyển đổi bối cảnh giữa các bảng điều khiển

Câu lệnh hướng đến mục tiêu

Nói cho tác nhân biết bạn muốn gì ("xây dựng một dự án dbt tính toán giá trị trung bình của đơn đặt hàng theo kênh") thay vì bạn muốn làm như thế nào và để tác nhân chọn phương pháp triển khai

Bộ công cụ Data Agent

Tiện ích liên kết mọi thứ với nhau – MCP Tools, Agent Skills và tính năng khám phá dữ liệu – giúp bạn truy cập vào toàn bộ dữ liệu của Google Cloud ngay trong IDE mà bạn chọn

Các bước tiếp theo

  • Hãy đọc tài liệu về Data Agent Kit để tìm hiểu thêm về các chức năng của công cụ này
  • Tìm hiểu về các hàm AI và ML của BigQuery, bao gồm AI.FORECAST, AI.GENERATE và AI.EMBED
  • Hãy thử tạo hoạt động điều tra trên nhiều dịch vụ bằng Antigravity IDE trên dữ liệu của riêng bạn