Общайтесь со своими данными, используя BigQuery Agents и Antigravity IDE.

1. Обзор

Давайте на мгновение взглянем на масштабные архитектурные сооружения, которые мы построили за последние четыре части:

Часть 1 : Мы использовали каталог знаний BigQuery для преобразования исходных PDF-файлов с рецептами замороженного йогурта в структурированные реляционные таблицы.

Часть 2 : Мы создали транзакционный мост с нулевым объемом ETL-процессов, напрямую интегрировав наше хранилище BigQuery с AlloyDB.

Часть 3 : Мы организовали работу многоагентного приложения (FroyoOS) с использованием Agent Development Kit и MCP Toolbox.

Часть 4 : Мы доказали безопасность нашего агента для использования в производственной среде, создав двухэтапный конвейер оценки.

Наша работа идёт безупречно. Но как быть разработчикам и бизнес-аналитикам, которым необходимо понимать огромные объёмы данных, генерируемых этой системой?

Сегодня мы рассмотрим будущее аналитики. Начнём прямо в нашем редакторе кода Antigravity IDE с использованием Google Cloud Data Agent Kit, а затем перейдём к консоли Google Cloud для визуализации данных с помощью BigQuery Conversational Analytics.

Начнём строительство!

Что вы узнаете

В этом заключительном практическом занятии из серии « Облако данных Agentic» вы объедините все элементы вашей архитектуры для получения полезных бизнес-аналитических данных. Вы узнаете:

• Аналитика с приоритетом IDE: Как установить и настроить IDE ANTIGRAVITY и Google Cloud Data Agent Kit для прямого запроса к вашей архитектуре из среды разработки.
• Разговорный BigQuery: как создавать, настраивать и инструктировать агентов данных BigQuery для автоматизации сложных задач SQL и прогнозирования с использованием естественного языка.
• Демократизация данных: как опубликовать ваших агентов для всего предприятия, сделав их доступными для аналитиков и бизнес-пользователей по всей организации.
• Визуализация аналитических данных: как беспрепятственно интегрировать аналитику разговоров ваших агентов в Data Studio для создания динамических панелей мониторинга, готовых к прогнозированию.
• Экосистема облачных данных Agentic: как обосновать ценность вашей комплексной архитектуры — от необработанных неструктурированных данных в части 1 до готовых к использованию руководителями информационных панелей в части 5.

Требования

• Браузер, например Chrome или Firefox .
• Проект Google Cloud с включенной функцией выставления счетов.
• Базовые знания SQL.

2. Прежде чем начать

Создать проект

1. В консоли Google Cloud на странице выбора проекта выберите или создайте проект Google Cloud.
2. Убедитесь, что для вашего облачного проекта включена функция выставления счетов. Узнайте, как проверить, включена ли функция выставления счетов для проекта .

Большую часть этого практического задания вы сможете выполнить без создания платёжного аккаунта. Платёжный аккаунт требуется только для диалогового агента BigQuery (последняя часть задания).

3. Вы будете использовать Cloud Shell — среду командной строки, работающую в Google Cloud. Нажмите «Активировать Cloud Shell» в верхней части консоли Google Cloud.

4. После подключения к Cloud Shell необходимо проверить, прошли ли вы аутентификацию и установлен ли идентификатор вашего проекта, используя следующую команду:

gcloud auth list

5. Выполните следующую команду в Cloud Shell, чтобы убедиться, что команда gcloud знает о вашем проекте.

gcloud config list project

6. Если вы хотите пройти аутентификацию

gcloud auth login

7. Если ваш проект не задан, используйте следующую команду для его установки:

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

8. Включите необходимые API: Выполните эту команду, чтобы включить все необходимые API:

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. Убедитесь, что вы выполнили лабораторные работы части 1 , 2 и 3 в рамках подготовки к этому заданию:

Важно: Если вы еще не прошли первую часть , сейчас самое время это сделать. Эти данные важны для некоторых аналитических исследований и выводов, которые мы получаем в этой лабораторной работе. *

3. Расширение хранилища данных

Помните таблицы BigQuery, которые мы создали на основе неструктурированных данных?

Для проведения осмысленного анализа нам необходимы исторические данные о транзакциях. В BigQuery, в нашем наборе данных froyo_data , давайте создадим три новые таблицы, чтобы смоделировать работу франшизы за разные годы:

1. froyo_data.orders : Исторические заголовки заказов (даты, идентификаторы магазинов, итоги)
2. froyo_data.order_items : Подробная информация о позициях заказа (количество, цены)
3. froyo_data.customer_allergen_data : Таблица CRM, отслеживающая известные аллергии наших постоянных клиентов.

Давайте добавим эти таблицы, относящиеся к продажам и клиентам, в этот набор данных в рамках подготовки к нашему аналитическому сценарию.

1. Перейдите в терминал Cloud Shell из консоли Google Cloud.
2. Перейдите в корневую папку вашей рабочей области или в корневую папку проекта froyo-data (с которой мы работали в предыдущих частях этой серии).
3. Загрузите 3 файла с историческими данными (в формате CSV) в свою рабочую директорию, выполнив следующие команды по очереди:

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. Как только вы увидите эти файлы в корневой директории вашей рабочей директории, перейдите в терминал Cloud Shell, выбрав соответствующий пункт меню.
5. Перейдите в каталог, где находятся эти 3 файла, в терминале Cloud Shell.
6. Убедитесь, что в вашем BigQuery есть набор данных с именем "froyo_data", который мы использовали в первой части этой серии (если нет, вернитесь назад и создайте набор данных и таблицы).
7. Выполните следующие команды в терминале 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

Это должно создать 3 дополнительные таблицы в вашем наборе данных froyo_data.

4. Улучшение опыта разработчиков — Представляем «Набор инструментов для работы с данными»

Традиционно, если разработчику нужно было анализировать данные или писать сложные запросы для машинного обучения, ему приходилось постоянно переключаться между своей IDE, консолями баз данных и документацией.

Теперь это в прошлом. Благодаря недавно выпущенному расширению Google Cloud Data Agent Kit ваша IDE превратится в мощный центр обработки данных.

АНТИГРАВИТАЦИЯ IDE

ANTIGRAVITY IDE — это среда разработки нового поколения от Google, ориентированная на агентов и разработанная специально для эпохи искусственного интеллекта. Она интегрирует в редактор огромные многомодальные контекстные окна и автономное использование инструментов, позволяя разработчикам управлять облачными ресурсами и сложными конвейерами обработки данных, не покидая свой код.

Настройка среды разработки ANTIGRAVITY IDE

1. Скачайте IDE: перейдите на сайт antigravity.google и скачайте IDE Antigravity для вашей операционной системы (Windows, macOS или Linux).
2. Установка и запуск: Запустите установщик и откройте приложение.

3. Нажмите «Продолжить с Google», выберите свою учетную запись Gmail и авторизуйтесь.
4. После входа в систему создайте рабочую папку (workspace/project). Назовем ее "Agent Data Cloud".

Оно должно появиться в списке «Проекты» слева:

5. Проведите предварительную беседу с агентом — «привет».
6. В правом верхнем углу обратите внимание на кнопку «Открыть IDE»!!!

Но прежде чем нажать на эту кнопку, вам нужно установить Antigravity IDE. Перейдите на страницу antigravity.google/download , прокрутите вниз до раздела Antigravity IDE и скачайте нужную вам версию.

После загрузки вернитесь к открытому экземпляру Antigravity и нажмите кнопку «Открыть IDE» в правом верхнем углу.

7. Вы должны увидеть всплывающие окна с запросом разрешений, продолжайте открывать их!

Справа вы видите панель агента, слева — обозреватель проектов, а в центре — пространство для разработки.

Настройка расширения Data Agent Kit

1. Установите расширение: Откройте магазин расширений внутри среды разработки ANTIGRAVITY IDE. Найдите и установите расширение Google Cloud Data Agent Kit.
2. Нажмите кнопку «Установить», и после завершения установки вы увидите это расширение на панели навигации.

3. Нажмите на это, и откроется обозреватель Google Cloud Data Agent Kit. Перейдите в раздел «НАСТРОЙКИ» и нажмите «Настройки». Введите данные вашего проекта и региона, затем сохраните.

4. Теперь щелкните значок «Обозреватель проектов» в верхней части панели навигации. Должен открыться обозреватель проектов в панели проводника.
5. Щелкните правой кнопкой мыши в области проводника и создайте новый файл с именем " GEMINI.md ".

6. Вставьте следующий текст в файл GEMINI.md (не забудьте заменить <<YOUR_PROJECT_ID>> на ваше значение):

## 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`.

Теперь у вас есть высокоэффективный агент искусственного интеллекта, работающий прямо в вашей IDE и готовый писать код, генерировать SQL-запросы и анализировать вашу архитектуру.

Теперь перед нами стоит увлекательная аналитическая задача: можем ли мы сопоставить наши исторические данные о продажах со сложной, косвенно полученной информацией об аллергенах, которую мы извлекли из PDF-файлов в первой части?

5. Получение разведывательной информации с помощью агента IDE.

Давайте поручим основную работу нашему IDE-агенту. Откройте окно чата Agent Data Kit прямо в вашей среде разработки ANTIGRAVITY IDE и введите следующее:

Does Midnight Swirl contain any allergen?

Программа запросит ряд разрешений, разрешите их при необходимости.

В конце анализа программа выдаст вам ответ:

Ура!!! Система правильно определила, что в напитке Midnight Swirl содержится соя.

Теперь давайте зададим немного более сложный вопрос. Отправьте следующую команду в среде разработки Antigravity IDE:

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

Ответ:

Вы можете продолжать. Попробуйте такие подсказки:

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

Без необходимости искать синтаксис BQML, Agent Data Kit просто вставляет точный код CREATE MODEL и ML.FORECAST в ваш редактор. Вы можете выполнить его непосредственно в вашей среде BigQuery, не покидая IDE ANTIGRAVITY!

Это просто потрясающе!!!

6. Анализ диалогов в BigQuery

В то время как разработчики обожают IDE, бизнес-пользователи и руководители работают в облачной консоли. Им не нужен SQL-код, им нужны только ответы.

Давайте начнём:

1. Назначьте себе необходимые роли.

Перейдите на страницу IAM проекта и назначьте себе роль владельца агента данных Gemini Data Analytics:

Эта роль предоставляет вам право создавать, редактировать, предоставлять доступ и удалять все агенты данных в проекте.

2. Включите необходимые API.

Перейдите в BigQuery в консоли Google Cloud. Используйте боковое меню навигации или меню поиска в верхней части страницы, чтобы перейти в раздел BigQuery > Agents.

Нажмите «Включить API анализа данных с помощью Gemini»:

Включите Gemini как в BigQuery API , так и в Google Cloud API :

Теперь вы должны увидеть новую страницу агента:

3. Настройка информации об агенте

Имя агента : Агент Фройо

Описание обязанностей агента : Помощь в ответах на вопросы, касающиеся замороженного йогурта, аллергенов, ингредиентов, рецептов, а также вопросов, связанных с клиентами, заказами и продажами.

4. Перейдите в раздел «Источники знаний» и выберите все таблицы из вашего набора данных, указанные ниже:

а. Добавьте таблицы, показанные на изображении выше, и нажмите «Добавить источник».

b. Для каждого источника нажмите кнопку «Настроить» справа. Вы увидите форму, показанную ниже:

c. Нажмите «Принять», чтобы просмотреть описание таблицы.

d. Также нажмите «Принять» для описания каждого из полей.

e. Нажмите «Обновить».

Эту процедуру необходимо повторить для всех таблиц в исходном файле.

5. Инструкции по настройке

Здесь разместите те же инструкции, которые мы использовали в 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. Не беспокойте своего агента.

7. Общайтесь со своими данными!

7. Проверьте это в разделе предварительного просмотра справа:

Задайте свой вопрос:

Does midnight swirl contain any allergen?

Вот ответ:

Теперь давайте зададим сложный вопрос:

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

Ответ:

Давайте теперь попробуем задать себе вопрос для глубокого самоанализа:

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

Как видите, здесь отображается используемый запрос, результат в таблице и диаграмма:

Ух ты! Графики и аналитические данные оказались очень полезными. Пришло время для главного вопроса о продуктах.

8. Главное испытание

Задайте вопрос:

What will be the top most selling product of 2026

Посмотрите на этот заключительный вывод. Агент данных BigQuery не просто предоставил нам цифру; он явно связал прогноз продаж с нашими запасами и цепочкой поставок ингредиентов — именно с теми данными, которые мы извлекли из запутанных PDF-файлов в первой части!

9. Публикация информации о вашем агенте в масштабах предприятия.

Нажмите кнопку «Опубликовать» в верхней части окна предварительного просмотра.

Теперь, когда мы создали, настроили и протестировали наш Froyo Agent, пришло время выпустить его для остальной части компании.

В правом верхнем углу страницы настроек агента нажмите кнопку «Опубликовать».

После публикации ваш агент мгновенно становится доступен вам и всем, с кем вы им поделитесь, через три мощных корпоративных канала:

1. BigQuery : Теперь ваши аналитики данных могут общаться с этим агентом напрямую из центра агентов или прямо в своей рабочей области SQL в BigQuery Studio.
2. API для анализа диалогов : Ваши разработчики могут получить доступ к этому агенту через REST API, что позволяет им интегрировать именно этот анализ диалогов в ваши собственные внутренние веб-приложения.
3. Data Studio : Ваши руководители могут взаимодействовать с этим агентом и создавать динамические интерактивные панели мониторинга непосредственно в Data Studio.

Нам удалось успешно вывести наши данные из разрозненных хранилищ и передать их непосредственно в руки тех, кому они нужны, именно там, где они уже работают!

Щелкните раскрывающийся список кнопки «Поделиться» в верхней части опубликованного агента BigQuery и выберите из списка опцию «Скопировать ссылку на агент в Data Studio»:

Вставьте эту ссылку в свой браузер и нажмите Enter. Подтвердите получение уведомления о доступе к взаимодействию с агентом:

С помощью недавно опубликованного агента из Data Studio вы можете начинать интерактивные беседы и создавать визуализации, и то же самое могут сделать ваше руководство и другие команды, которым необходима эта информация!

10. Уборка

После завершения этой лабораторной работы не забудьте удалить разрешения для всех пользователей для только что созданного вами агента BigQuery.

11. Поздравляем!

Вы официально создали облако данных Agentic!

Вы не просто создали простой чат-бот. В ходе этих пяти сессий вы успешно разработали с нуля полноценную, современную и проверенную корпоративную систему искусственного интеллекта. Вы перешли от «теневых данных» к анализу транзакций в реальном времени и, наконец, к бизнес-прогнозированию на основе диалогов.

12. Полная картина

Давайте посмотрим, чего мы достигли в этой серии. Мы не просто создали простой чат-бот. Мы разработали полноценную, современную облачную платформу Agentic Data Cloud:

Часть 1 : Раскрытие скрытых данных путем преобразования PDF-файлов в структурированные реляционные таблицы с помощью каталога знаний.

Часть 2 : Устранили разрозненность данных, интегрировав наше аналитическое хранилище данных непосредственно в транзакционную базу данных AlloyDB.

Часть 3 : Расширение возможностей пользователей за счет создания многоагентной операционной системы, которая бесперебойно запускает защищенные инструменты баз данных по протоколу MCP.

Часть 4 : Обеспечение безопасности путем внедрения строгой системы оценки для выявления галлюцинаций и побегов из тюрьмы.

Часть 5: Демократизация аналитических данных с помощью ANTIGRAVITY IDE и разговорной аналитики в BigQuery.

Это будущее корпоративного программного обеспечения. ИИ-агент — это уже не просто оболочка для LLM-программы. Это полностью интегрированный, проверенный и безопасный механизм оркестровки, работающий на основе единой платформы данных.