Chatea con tus datos usando los agentes de BigQuery y el IDE de Antigravity

1. Descripción general

Dediquemos un momento a observar la enorme arquitectura que creamos en las últimas cuatro partes:

Parte 1: Usamos BigQuery Knowledge Catalog para transformar los PDFs sin procesar de recetas de Froyo en tablas relacionales estructuradas.

Parte 2: Creamos un puente transaccional Zero-ETL, que federa nuestro almacén de BigQuery directamente en AlloyDB.

Parte 3: Orquestamos una aplicación multiagente (FroyoOS) con el Kit de desarrollo de agentes y MCP Toolbox.

Parte 4: Demostramos que nuestro agente era seguro para la producción creando una canalización de evaluación de doble seguimiento.

Nuestras operaciones se ejecutan sin problemas. Pero, ¿qué sucede con los desarrolladores y los analistas de negocios que necesitan comprender las enormes cantidades de datos que genera este sistema?

Hoy exploraremos el futuro de las estadísticas. Comenzaremos directamente en nuestro editor de código IDE Antigravity con el kit de agentes de datos de Google Cloud y, luego, pasaremos a la consola de Google Cloud para visualizar nuestros datos con BigQuery Conversational Analytics.

¡Comencemos a crear!

Qué aprenderás

En este codelab final de la serie de Agentic Data Cloud, reunirás todas las partes de tu arquitectura para proporcionar estadísticas empresariales prácticas. Aprenderás a hacer lo siguiente:

• IDE-First Analytics: Cómo instalar y configurar el IDE de ANTIGRAVITY y el Kit de agentes de datos de Google Cloud para consultar tu arquitectura directamente desde tu entorno de desarrollo
• BigQuery conversacional: Cómo crear, configurar y dar instrucciones a los Agentes de datos de BigQuery para automatizar tareas complejas de SQL y previsiones con lenguaje natural
• Democratización de los datos: Cómo publicar tus agentes en la empresa para que los analistas y los usuarios empresariales de toda la organización puedan acceder a ellos
• Visualización de estadísticas: Cómo integrar sin problemas las estadísticas de conversación de tu agente en Data Studio para crear paneles dinámicos listos para la previsión
• El ecosistema de la Nube de datos con agentes: Cómo explicar el valor de tu arquitectura integral, desde los datos sin procesar no estructurados de la Parte 1 hasta los paneles listos para ejecutivos de la Parte 5.

Requisitos

• Un navegador, como Chrome o Firefox
• Un proyecto de Google Cloud con facturación habilitada.
• Conocimientos básicos de SQL

2. Antes de comenzar

Crea un proyecto

1. En la página del selector de proyectos de la consola de Google Cloud, selecciona o crea un proyecto de Google Cloud.
2. Asegúrate de que la facturación esté habilitada para tu proyecto de Cloud. Obtén información para verificar si la facturación está habilitada en un proyecto.

Podrás completar la mayor parte de este codelab sin crear una cuenta de facturación. Solo el agente conversacional de BigQuery (última parte del codelab) requiere una cuenta de facturación.

3. Usarás Cloud Shell, un entorno de línea de comandos que se ejecuta en Google Cloud. Haz clic en Activar Cloud Shell en la parte superior de la consola de Google Cloud.

4. Una vez que te conectes a Cloud Shell, verifica que ya te autenticaste y que el proyecto se configuró con tu ID del proyecto con el siguiente comando:

gcloud auth list

5. En Cloud Shell, ejecuta el siguiente comando para confirmar que el comando gcloud conoce tu proyecto.

gcloud config list project

6. Si quieres autenticarte

gcloud auth login

7. Si tu proyecto no está configurado, usa el siguiente comando para hacerlo:

export PROJECT_ID=<YOUR_PROJECT_ID>
gcloud config set project <YOUR_PROJECT_ID>

8. Habilita las APIs requeridas: Ejecuta este comando para habilitar todas las APIs requeridas:

gcloud services enable \
  alloydb.googleapis.com \
  bigquery.googleapis.com \
  run.googleapis.com \
  cloudbuild.googleapis.com \
  artifactregistry.googleapis.com \
  iam.googleapis.com \
  secretmanager.googleapis.com \
  compute.googleapis.com \
  servicenetworking.googleapis.com \ 
  aiplatform.googleapis.com

9. Asegúrate de haber completado los labs de la parte 1, la parte 2 y la parte 3 como preparación para este lab:

Importante: Si no completaste la parte 1, este es el momento adecuado para hacerlo. Estos datos son importantes para algunas de las estadísticas y las recomendaciones que extraemos en este lab.*

3. Expansión del almacén de datos

¿Recuerdas las tablas de BigQuery que creamos a partir de nuestros datos no estructurados?

Para realizar análisis significativos, necesitamos datos históricos de transacciones. En BigQuery, en nuestro conjunto de datos froyo_data, crearemos tres tablas nuevas para simular años de operaciones de la franquicia:

1. froyo_data.orders: Encabezados de pedidos históricos (fechas, IDs de tienda, totales)
2. froyo_data.order_items: Detalles de los artículos del pedido (cantidades, precios)
3. froyo_data.customer_allergen_data: Es una tabla de CRM que hace un seguimiento de las alergias conocidas de nuestros clientes leales.

Agreguemos estas tablas relacionadas con las ventas y los clientes a ese conjunto de datos en preparación para nuestro caso de uso de Analytics.

1. Ve a Terminal de Cloud Shell desde la consola de Google Cloud.
2. Navega a la carpeta raíz de tu espacio de trabajo o a la carpeta raíz del proyecto froyo-data (en el que hemos estado trabajando en las últimas partes de esta serie).
3. Descarga los 3 archivos de datos históricos (en formato CSV) en tu directorio de trabajo ejecutando los siguientes comandos uno por uno:

wget https://raw.githubusercontent.com/AbiramiSukumaran/froyo-data/main/customer_allergen_data.csv

wget https://raw.githubusercontent.com/AbiramiSukumaran/froyo-data/main/order_items.csv

wget https://raw.githubusercontent.com/AbiramiSukumaran/froyo-data/main/orders.csv

4. Una vez que veas esos archivos en la raíz de tu directorio de trabajo, navega a tu terminal de Cloud Shell. Para ello, activa la terminal.
5. Navega al directorio en el que tienes estos 3 archivos en la terminal de Cloud Shell.
6. Asegúrate de que tu BigQuery tenga el conjunto de datos llamado "froyo_data" de la parte 1 de esta serie (si no es así, vuelve y crea el conjunto de datos y las tablas).
7. Ejecuta los siguientes comandos desde la terminal de Cloud Shell:

bq load \
  --autodetect \
  --source_format=CSV \
  --skip_leading_rows=1 \
  --allow_quoted_newlines \
  --quote="" \
  froyo_data.orders \
  ./orders.csv

bq load \
  --autodetect \
  --source_format=CSV \
  --skip_leading_rows=1 \
  --allow_quoted_newlines \
  --quote="" \
  froyo_data.order_items \
  ./order_items.csv

bq load \
  --autodetect \
  --source_format=CSV \
  --skip_leading_rows=1 \
  --allow_quoted_newlines \
  --quote="" \
  froyo_data.customer_allergen_data \
  ./customer_allergen_data.csv

Esto debería crear las 3 tablas adicionales en tu conjunto de datos froyo_data.

4. La experiencia del desarrollador: conoce el "Kit de agente de datos"

Tradicionalmente, si un desarrollador quería analizar datos o escribir consultas complejas de aprendizaje automático, debía cambiar constantemente el contexto entre su IDE, las consolas de bases de datos y la documentación.

Ya no. Con la extensión Google Cloud Data Agent Kit lanzada recientemente, tu IDE se convierte en una potencia de datos.

IDE ANTIGRAVITY

El IDE de ANTIGRAVITY es el entorno de desarrollo de nueva generación y centrado en los agentes de Google, diseñado específicamente para la era de la IA. Integra de forma nativa ventanas de contexto multimodales masivas y el uso autónomo de herramientas directamente en el editor, lo que permite a los desarrolladores orquestar recursos de la nube y canalizaciones de datos complejas sin salir de su código.

Cómo configurar el IDE de ANTIGRAVITY

1. Descarga el IDE: Ve a antigravity.google y descarga el IDE de Antigravity para tu sistema operativo (Windows, macOS o Linux).
2. Instala y ejecuta: Ejecuta el instalador y abre la aplicación.

3. Haz clic en Continuar con Google, selecciona tu cuenta de Gmail y autoriza el acceso.
4. Una vez que te hayas conectado, crea una carpeta de trabajo (espacio de trabajo o proyecto). Llamémosla "Agent Data Cloud".

Debería aparecer en la lista "Proyectos" de la izquierda:

5. Chatea de forma preliminar con el agente: "Hola".
6. En la esquina superior derecha, observa el botón Open IDE.

Pero antes de que puedas hacer clic en eso, debes instalar el IDE de Antigravity. Ve a la página antigravity.google/download y desplázate hacia abajo hasta la sección del IDE de Antigravity. Descarga la variante que necesites.

Una vez que se descargue, vuelve a la instancia abierta de Antigravity y haz clic en el botón Open IDE en la esquina superior derecha.

7. Deberías ver las ventanas emergentes sobre los permisos. Continúa abriéndolas.

En el lado derecho, verás el panel del agente; en el izquierdo, el explorador de proyectos, y, en el centro, el espacio para tu desarrollo.

Configura la extensión del Kit de agente de datos

1. Instala la extensión: Abre el Marketplace de extensiones en el IDE de ANTIGRAVITY. Busca e instala la extensión del kit de Google Cloud Data Agent.
2. Haz clic en el botón Instalar y, cuando termines, podrás ver la extensión en el panel de navegación.

3. Haz clic en ese botón para abrir el explorador de Google Cloud Data Agent Kit, ve a la sección SETTINGS y haz clic en Settings. Ingresa los detalles y la región de tu proyecto, y guarda la información.

4. Ahora, haz clic en el Explorador de proyectos en la parte superior del panel de navegación. Se debería abrir el explorador de proyectos en el panel Explorador.
5. Haz clic con el botón derecho en el espacio del explorador y crea un archivo nuevo llamado "GEMINI.md".

6. Pega lo siguiente en GEMINI.md (no olvides reemplazar <<YOUR_PROJECT_ID>> por tu valor):

## 1. Project Context
- **Project ID**: <<YOUR_PROJECT_ID>>
- **Domain**: This project is centralized around "Froyo", a brand of frozen yogurt offering multiple flavors.
- **Data**: All froyo, customer, order related information is processed and stored in BigQuery `froyo_data` dataset.

## 2. Execution & Data Processing Rules
- **CRITICAL RULE - Structured Specs**: The semantic and structured information extracted from the PDFs is available in a BigQuery dataset named `froyo_data`.
- **CRITICAL RULE - Customer Data**: Existing Froyo customer data resides in BigQuery in the tables `customers_allergen_data`. 
- ** CRITICAL RULE - Sales Data**: Sales data is present in tables `orders` and `order_items`.
- ** CRITICAL RULE - General: When you are referencing a dataset, ensure you are using it with the dataset ID (`froyo_data`) . For example, to query orders table in this dataset you should use `froyo_data.orders`.

Ahora tienes un agente de IA muy capaz directamente en tu IDE, listo para escribir código, generar SQL y analizar tu arquitectura.

Ahora tenemos un desafío analítico fascinante: ¿Podemos correlacionar nuestras ventas históricas con los datos complejos y deducidos de alérgenos que extrajimos de los PDFs en la Parte 1?

5. Cómo inferir inteligencia a través del agente del IDE

Pidámosle a nuestro agente de IDE que haga el trabajo pesado. Abre la ventana de chat del Agent Data Kit directamente en tu IDE de ANTIGRAVITY y pídele lo siguiente:

Does Midnight Swirl contain any allergen?

Se te solicitarán una serie de permisos. Permite los que correspondan.

Por último, recuperará la respuesta para ti al final de su análisis:

¡¡¡Bien!!! Identificó correctamente que el artículo Midnight Swirl contiene soja.

Ahora, hagamos una pregunta un poco más compleja. Envía la siguiente instrucción en el IDE de Antigravity:

I want to see the top 5 most popular products purchased by 
customers who have a registered 'Dairy' allergy.

Respuesta:

Puedes seguir adelante. Prueba instrucciones como las siguientes:

Forecast the sales volume of our top non-dairy products 
for the next 30 days based on historical data.

Sin necesidad de buscar la sintaxis de BQML, Agent Data Kit coloca el código exacto de CREATE MODEL y ML.FORECAST en tu editor. Puedes ejecutarlo directamente en tu entorno de BigQuery sin salir del IDE de ANTIGRAVITY.

¡Qué increíble!

6. Conversational Analytics en BigQuery

Si bien a los desarrolladores les encanta el IDE, los usuarios empresariales y los ejecutivos trabajan en la consola de Cloud. No quieren ver SQL, solo quieren respuestas.

Comencemos:

1. Cómo otorgarte los roles necesarios

Navega a la página de IAM del proyecto y otórgate el rol de propietario del agente de datos de Gemini Data Analytics:

Este rol te otorga permiso para crear, editar, compartir y borrar todos los agentes de datos del proyecto.

2. Habilite las API necesarias

Ve a BigQuery en la consola de Google Cloud. Usa el menú de navegación de la barra lateral o el menú de búsqueda en la parte superior de la página para navegar a BigQuery > Agents.

Haz clic en Habilitar la API de Data Analytics con Gemini:

Habilita la API de Gemini en BigQuery y la API de Gemini for Google Cloud:

Ahora deberías ver la página del agente nuevo:

3. Configurar la información del agente

Nombre del agente: Agente de Froyo

Descripción del agente: Ayuda a responder preguntas relacionadas con productos de froyo, alérgenos, ingredientes, recetas, clientes, pedidos y ventas.

4. Ve a la sección Fuentes de conocimiento y selecciona todas las tablas que se muestran a continuación de tu conjunto de datos:

a. Agrega las tablas de la imagen anterior y haz clic en Agregar fuente.

b. Para cada fuente, haz clic en el botón Personalizar que se encuentra a la derecha. Verás el siguiente formulario:

c. Haz clic en "Aceptar" para la descripción de la tabla.

d. Haz clic en "Aceptar" para cada una de las descripciones de los campos también.

e. Haz clic en Actualizar.

Debes repetir este proceso para todas las tablas de la fuente.

5. Instrucciones de configuración

Coloca aquí las mismas instrucciones que usamos en Antigravity IDE GEMINI.md:

1. Project Context
Project ID: <<YOUR_PROJECT_ID>>
Domain: This project is centralized around "Froyo", a brand of frozen yogurt offering multiple flavors.
Data: All froyo, customer, order related information is processed and stored in BigQuery froyo_data dataset. Use all the tables and data in the dataset for querying for user questions.
Context: Use Data Agent Kit skills wherever possible.
2. Execution & Data Processing Rules
CRITICAL RULE - Structured Specs: The semantic and structured information extracted from the PDFs is available in a BigQuery dataset named froyo_data.
CRITICAL RULE - Customer Data: Existing Froyo customer data resides in BigQuery in the tables customers_allergen_data. When you are referencing a dataset, ensure you are using it with the dataset ID (froyo_data) . For example, to query orders table in this dataset you should use froyo_data.orders.

6. Guarda tu agente.

7. ¡Chatea con tus datos!

7. Pruébala en la sección de vista previa del lado derecho:

Haz tu pregunta:

Does midnight swirl contain any allergen?

Esta es la respuesta:

Ahora, hagamos la pregunta complicada:

I want to see the top 5 most popular products purchased by 
customers who have a registered 'Dairy' allergy.

Respuesta:

Ahora probemos con una instrucción de estadísticas detalladas:

Forecast the sales volume of our top non-dairy products 
for the next 30 days based on historical data.

Puedes ver que te muestra la consulta que usa, con el resultado de la tabla junto con el gráfico:

¡Guau! Así que eso funcionó bien con los gráficos y las estadísticas. Es hora de la pregunta más importante sobre los productos.

8. La prueba definitiva

Haz la pregunta:

What will be the top most selling product of 2026

Mira esa estadística final. El agente de datos de BigQuery no solo nos proporcionó un número, sino que vinculó explícitamente la previsión de ventas a nuestra cadena de suministro de inventario y de ingredientes, es decir, los datos exactos que extrajimos de los PDF desordenados en la Parte 1.

9. Cómo publicar tu agente en la empresa

Haz clic en el botón Publicar en la parte superior del agente de vista previa.

Ahora que creamos, configuramos y probamos nuestro agente de Froyo, es hora de lanzarlo para el resto de la empresa.

En la esquina superior derecha de la página Configuración del agente, haz clic en el botón Publicar.

Cuando lo publiques, tu agente estará disponible de inmediato en tres potentes canales empresariales para ti y para cualquier persona con la que lo compartas:

1. BigQuery: Ahora, tus analistas de datos pueden chatear con este agente directamente desde la central de agentes o desde su espacio de trabajo de SQL de BigQuery Studio.
2. API de Conversational Analytics: Tus desarrolladores pueden acceder a este agente a través de una API de REST, lo que les permite integrar estos análisis de conversación exactos en tus propias aplicaciones web internas personalizadas.
3. Data Studio: Tus ejecutivos pueden interactuar con este agente y crear paneles conversacionales dinámicos directamente en Data Studio.

Logramos sacar nuestros datos de los silos y ponerlos directamente en manos de las personas que los necesitan, exactamente donde ya trabajan.

Haz clic en el menú desplegable del botón Compartir en la parte superior de tu agente de BigQuery publicado y selecciona la opción "Copiar vínculo al agente en Data Studio" de la lista:

Pega ese vínculo en tu navegador y presiona Intro. Proporciona la confirmación para la alerta de acceso a la interacción del agente:

Tú, tu equipo de liderazgo y otros equipos que necesiten esta información pueden iniciar conversaciones y visualizaciones interactivas con el agente recién publicado de Data Studio.

10. Limpia

Cuando termines este lab, no olvides quitar los permisos a todos los usuarios para el agente de BigQuery que acabas de crear.

11. ¡Felicitaciones!

Creaste oficialmente una nube de datos basada en agentes.

No solo creaste un chatbot simple. A lo largo de estas cinco sesiones, diseñaste correctamente un sistema de IA empresarial completo, moderno y evaluado desde cero. Pasaste de los "datos oscuros" a la inteligencia transaccional en tiempo real y, finalmente, a la previsión empresarial conversacional.

12. El panorama completo

Repasemos lo que logramos en esta serie. No solo creamos un chatbot simple. Diseñamos una Agentic Data Cloud completa y moderna:

Parte 1: Desbloqueamos los datos oscuros convirtiendo los PDFs en tablas relacionales estructuradas con Knowledge Catalog.

Parte 2: Desglosamos los silos de datos al federar nuestro almacén analítico directamente en una base de datos transaccional de AlloyDB.

Parte 3: Capacita a los usuarios creando un SO multiagente que ejecute sin problemas herramientas de bases de datos seguras a través del protocolo de MCP

Parte 4: Se garantizó la seguridad mediante la implementación de una canalización de evaluación rigurosa para detectar alucinaciones y fugas.

Parte 5: Estadísticas democratizadas con el IDE de ANTIGRAVITY y Conversational Analytics en BigQuery

Este es el futuro del software empresarial. El agente de IA ya no es solo un wrapper alrededor de un LLM. Es un motor de orquestación seguro, evaluado y completamente integrado que se encuentra en la parte superior de una plataforma de datos unificada.