แชทกับข้อมูลโดยใช้ Agent ของ BigQuery และ Antigravity IDE

1. ภาพรวม

มาดูสถาปัตยกรรมขนาดใหญ่ที่เราสร้างขึ้นใน 4 ส่วนที่ผ่านมากันสักครู่

ส่วนที่ 1: เราใช้ BigQuery Knowledge Catalog เพื่อแปลงไฟล์ PDF สูตรโฟรโยดิบให้เป็นตารางเชิงสัมพันธ์ที่มีโครงสร้าง

ส่วนที่ 2: เราสร้างบริดจ์ธุรกรรมแบบ Zero-ETL ซึ่งรวมคลังข้อมูล BigQuery เข้ากับ AlloyDB โดยตรง

ส่วนที่ 3: เราได้จัดระเบียบแอปพลิเคชัน Multi-Agent (FroyoOS) โดยใช้ Agent Development Kit และ MCP Toolbox

ส่วนที่ 4: เราพิสูจน์แล้วว่า Agent ของเราปลอดภัยสำหรับการใช้งานจริงด้วยการสร้างไปป์ไลน์การประเมินแบบ 2 แทร็ก

การดำเนินงานของเราเป็นไปอย่างราบรื่น แต่นักพัฒนาซอฟต์แวร์และนักวิเคราะห์ธุรกิจที่ต้องทำความเข้าใจข้อมูลจำนวนมหาศาลที่ระบบนี้สร้างขึ้นล่ะ

วันนี้เราจะมาสำรวจอนาคตของ Analytics กัน เราจะเริ่มต้นในตัวแก้ไขโค้ด Antigravity IDE ด้วย Google Cloud Data Agent Kit จากนั้นไปที่คอนโซล Google Cloud เพื่อแสดงภาพข้อมูลโดยใช้ BigQuery Conversational Analytics

มาเริ่มสร้างกันเลย

สิ่งที่คุณจะได้เรียนรู้

ใน Codelab สุดท้ายของซีรีส์ Agentic Data Cloud นี้ คุณจะนำสถาปัตยกรรมทั้งหมดมารวมกันเพื่อแสดงข้อมูลเชิงลึกทางธุรกิจที่นำไปใช้ได้จริง คุณจะได้เรียนรู้:

• การวิเคราะห์ที่เน้น IDE เป็นหลัก: วิธีติดตั้งและกำหนดค่า Antigravity IDE และ Google Cloud Data Agent Kit เพื่อค้นหาสถาปัตยกรรมของคุณโดยตรงจากสภาพแวดล้อมในการพัฒนาซอฟต์แวร์
• BigQuery แบบสนทนา: วิธีสร้าง กำหนดค่า และสั่งให้ตัวแทนข้อมูล BigQuery ทำงาน SQL ที่ซับซ้อนและการคาดการณ์โดยอัตโนมัติโดยใช้ภาษาธรรมชาติ
• การทำให้ข้อมูลเป็นประชาธิปไตย: วิธีเผยแพร่ Agent ไปยังองค์กร เพื่อให้นักวิเคราะห์และผู้ใช้ทางธุรกิจทั่วทั้งองค์กรเข้าถึงได้
• การแสดงข้อมูลเชิงลึก: วิธีผสานรวมการวิเคราะห์การสนทนาของ Agent เข้ากับ Data Studio อย่างราบรื่นเพื่อสร้างแดชบอร์ดแบบไดนามิกที่พร้อมสำหรับการคาดการณ์
• ระบบนิเวศคลาวด์ข้อมูลแบบ Agentic: วิธีอธิบายคุณค่าของสถาปัตยกรรมแบบครบวงจร ตั้งแต่ข้อมูลที่ไม่มีโครงสร้างแบบดิบในส่วนที่ 1 ไปจนถึงแดชบอร์ดที่พร้อมใช้งานสำหรับผู้บริหารในส่วนที่ 5

ข้อกำหนด

• เบราว์เซอร์ เช่น Chrome หรือ Firefox
• โปรเจ็กต์ Google Cloud ที่เปิดใช้การเรียกเก็บเงิน
• มีความคุ้นเคยกับ SQL ขั้นพื้นฐาน

2. ก่อนเริ่มต้น

สร้างโปรเจ็กต์

1. ในคอนโซล Google Cloud บนหน้าตัวเลือกโปรเจ็กต์ ให้เลือกหรือสร้างโปรเจ็กต์ Google Cloud
2. ตรวจสอบว่าได้เปิดใช้การเรียกเก็บเงินสำหรับโปรเจ็กต์ที่อยู่ในระบบคลาวด์แล้ว ดูวิธีตรวจสอบว่าได้เปิดใช้การเรียกเก็บเงินในโปรเจ็กต์แล้วหรือยัง

คุณจะทำตามขั้นตอนส่วนใหญ่ใน Codelab นี้ได้โดยไม่ต้องสร้างบัญชีสำหรับการเรียกเก็บเงิน มีเพียง BigQuery Conversational Agent (ส่วนสุดท้ายของ Codelab) เท่านั้นที่ต้องใช้บัญชีสำหรับการเรียกเก็บเงิน

3. คุณจะใช้ Cloud Shell ซึ่งเป็นสภาพแวดล้อมบรรทัดคำสั่งที่ทำงานใน Google Cloud คลิกเปิดใช้งาน Cloud Shell ที่ด้านบนของคอนโซล Google Cloud

4. เมื่อเชื่อมต่อกับ Cloud Shell แล้ว ให้ตรวจสอบว่าคุณได้รับการตรวจสอบสิทธิ์แล้วและโปรเจ็กต์ตั้งค่าเป็นรหัสโปรเจ็กต์ของคุณโดยใช้คำสั่งต่อไปนี้

gcloud auth list

5. เรียกใช้คำสั่งต่อไปนี้ใน Cloud Shell เพื่อยืนยันว่าคำสั่ง gcloud รู้จักโปรเจ็กต์ของคุณ

gcloud config list project

6. หากต้องการตรวจสอบสิทธิ์

gcloud auth login

7. หากยังไม่ได้ตั้งค่าโปรเจ็กต์ ให้ใช้คำสั่งต่อไปนี้เพื่อตั้งค่า

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

8. เปิดใช้ API ที่จำเป็น: เรียกใช้คำสั่งนี้เพื่อเปิดใช้ API ที่จำเป็นทั้งหมด

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. ตรวจสอบว่าคุณได้ทำห้องทดลองส่วนที่ 1, ส่วนที่ 2 และส่วนที่ 3 เสร็จแล้วเพื่อเตรียมพร้อมสำหรับสิ่งต่อไปนี้

สำคัญ: หากคุณยังไม่ได้อ่านส่วนที่ 1 ตอนนี้เป็นเวลาที่เหมาะสมแล้ว ข้อมูลนี้มีความสำคัญต่อการวิเคราะห์และข้อมูลเชิงลึกบางอย่างที่เราดึงออกมาในห้องทดลองนี้*

หากไม่ต้องการทำส่วนที่ 1 ให้เสร็จสมบูรณ์ คุณสามารถเรียกใช้คำสั่งด้านล่างเพื่อรับข้อมูลที่จำเป็นสำหรับห้องทดลองนี้

สร้างชุดข้อมูลและป้อนข้อมูลในตาราง (เฉพาะในกรณีที่คุณไม่ได้ทำส่วนที่ 1)

เรียกใช้คำสั่งต่อไปนี้ใน Cloud Shell

1. ก่อนอื่น ให้สร้างชุดข้อมูล BigQuery โดยเรียกใช้คำสั่งด้านล่างจากเทอร์มินัล Cloud Shell

bq mk --location us-central1 --dataset froyo_data

2. ถัดไป ให้ดาวน์โหลดไฟล์ข้อมูล 8 ไฟล์ (ไฟล์ CSV) จากที่เก็บ GitHub ลงในไดเรกทอรีที่ทำงานอยู่โดยเรียกใช้คำสั่งต่อไปนี้ทีละคำสั่ง

wget https://raw.githubusercontent.com/AbiramiSukumaran/raw-data-to-gold/refs/heads/main/data/froyo_data.allergen.csv

3. เรียกใช้คำสั่งต่อไปนี้ทีละคำสั่งเพื่อสร้างตารางเหล่านี้ด้วยข้อมูลในชุดข้อมูลที่สร้างขึ้นใหม่

bq load --autodetect --source_format=CSV --skip_leading_rows=1 --allow_quoted_newlines --quote="" froyo_data.allergen ./froyo_data.allergen.csv allergen_name:STRING

bq load --autodetect --source_format=CSV --skip_leading_rows=1 --allow_quoted_newlines --quote="" froyo_data.consistsof ./froyo_data.consistsof.csv product_id:STRING,ingredient_id:STRING

bq load --autodetect --source_format=CSV --skip_leading_rows=1 --allow_quoted_newlines --quote="" froyo_data.containsallergen ./froyo_data.containsallergen.csv ingredient_id:STRING,allergen_name:STRING

bq load --autodetect --source_format=CSV --skip_leading_rows=1 --allow_quoted_newlines --quote="" froyo_data.froyo_data_materialized ./froyo_data.froyo_data_materialized.csv allergen:STRING,containsallergen:STRING,ingredient:STRING,product:STRING,suppliedby:STRING,supplier:STRING,ref:STRING,md5_hash:STRING

bq load --autodetect --source_format=CSV --skip_leading_rows=1 --allow_quoted_newlines --quote="" froyo_data.ingredient ./froyo_data.ingredient.csv ingredient_id:STRING,ingredient_name:STRING,purity:STRING,moisture_content:STRING,ph_range:STRING,specific_gravity_range:STRING

bq load --autodetect --source_format=CSV --skip_leading_rows=1 --allow_quoted_newlines --quote="" froyo_data.product ./froyo_data.product.csv product_id:STRING,product_name:STRING,category:STRING,stability:STRING

bq load --autodetect --source_format=CSV --skip_leading_rows=1 --allow_quoted_newlines --quote="" froyo_data.suppliedby ./froyo_data.suppliedby.csv ingredient_id:STRING,supplier_id:STRING

bq load --autodetect --source_format=CSV --skip_leading_rows=1 --allow_quoted_newlines --quote="" froyo_data.supplier ./froyo_data.supplier.csv supplier_id:STRING,supplier_name:STRING,production_site_id:STRING,facility_grade:STRING

3. การขยายคลังข้อมูล

ยังจำตาราง BigQuery ที่เราสร้างจากข้อมูลที่ไม่มีโครงสร้างได้ไหม

เราต้องใช้ข้อมูลธุรกรรมย้อนหลังเพื่อทำการวิเคราะห์ที่มีความหมาย ใน BigQuery ภายใต้ชุดข้อมูล froyo_data ให้สร้างตารางใหม่ 3 ตารางเพื่อจำลองการดำเนินงานของแฟรนไชส์เป็นเวลาหลายปี ดังนี้

1. froyo_data.orders: ส่วนหัวของคำสั่งซื้อย้อนหลัง (วันที่, รหัสร้านค้า, ยอดรวม)
2. froyo_data.order_items: รายละเอียดรายการโฆษณา (จำนวน ราคา)
3. froyo_data.customer_allergen_data: ตาราง CRM ที่ติดตามอาการแพ้ที่ทราบของลูกค้าประจำ

มาเพิ่มตารางที่เกี่ยวข้องกับการขายและลูกค้าเหล่านี้ลงในชุดข้อมูลนั้นเพื่อเตรียมพร้อมสำหรับ Use Case ด้านการวิเคราะห์ของเรากัน

1. ไปที่เทอร์มินัล Cloud Shell จากคอนโซล Google Cloud
2. ไปที่โฟลเดอร์รูทของพื้นที่ทำงานหรือโฟลเดอร์รูทของโปรเจ็กต์ froyo-data (ที่เราได้ดำเนินการมาแล้วใน 2-3 ส่วนที่ผ่านมาของชุดนี้)
3. ดาวน์โหลดไฟล์ข้อมูลย้อนหลัง 3 ไฟล์ (ในไฟล์ CSV) ลงในไดเรกทอรีที่ทำงานอยู่โดยเรียกใช้คำสั่งต่อไปนี้ทีละคำสั่ง

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. เมื่อเห็นไฟล์เหล่านั้นในรูทของไดเรกทอรีที่ใช้งานอยู่ ให้ไปที่เทอร์มินัล Cloud Shell โดยสลับไปที่เทอร์มินัล
5. ไปที่ไดเรกทอรีที่มีไฟล์ทั้ง 3 ไฟล์นี้ในเทอร์มินัล Cloud Shell
6. ตรวจสอบว่า BigQuery มีชุดข้อมูลชื่อ "froyo_data" จากส่วนที่ 1 ของชุดนี้ (หากไม่มี ให้กลับไปสร้างชุดข้อมูลและตาราง)
7. เรียกใช้คำสั่งต่อไปนี้จากเทอร์มินัล 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

ซึ่งจะสร้างตารางเพิ่มเติม 3 ตารางในชุดข้อมูล froyo_data

4. ประสบการณ์ของนักพัฒนาแอป — เข้าสู่ "Data Agent Kit"

โดยปกติแล้ว หากนักพัฒนาซอฟต์แวร์ต้องการวิเคราะห์ข้อมูลหรือเขียนคำค้นหาแมชชีนเลิร์นนิงที่ซับซ้อน พวกเขาจะต้องสลับบริบทไปมาระหว่าง IDE, คอนโซลฐานข้อมูล และเอกสารประกอบอยู่ตลอดเวลา

ปัญหานี้จะหมดไป ส่วนขยาย Google Cloud Data Agent Kit ที่เพิ่งเปิดตัวจะทำให้ IDE ของคุณกลายเป็นขุมพลังด้านข้อมูล ส่วนขยาย Google Cloud Data Agent Kit มีการผสานรวมอย่างลึกซึ้งกับบริการข้อมูลของ Google Cloud โดยตรงภายในเครื่องมือแก้ไข ซึ่งช่วยให้คุณโต้ตอบกับ BigQuery, Cloud SQL, Cloud Storage และอื่นๆ ได้โดยไม่ต้องเปลี่ยนบริบท

ข้อกำหนดเบื้องต้น

1. Node.js (แนะนำล่าสุด)
2. ติดตั้ง gcloud CLI
3. เข้าสู่ระบบด้วยบัญชี Google Cloud โดยทำดังนี้

gcloud auth login

4. เข้าสู่ระบบข้อมูลรับรองเริ่มต้นของแอปพลิเคชัน (ADC) โดยทำดังนี้

gcloud auth application-default login

Antigravity IDE

Antigravity IDE เป็นสภาพแวดล้อมในการพัฒนาซอฟต์แวร์ที่เน้น Agent เป็นหลักรุ่นถัดไปของ Google ซึ่งออกแบบมาสำหรับยุค AI โดยเฉพาะ โดยผสานรวมหน้าต่างบริบทแบบหลายโมดัลขนาดใหญ่และการใช้เครื่องมืออัตโนมัติเข้ากับเอดิเตอร์โดยตรง ซึ่งช่วยให้นักพัฒนาซอฟต์แวร์สามารถจัดการทรัพยากรระบบคลาวด์และจัดการ Data Pipeline ที่ซับซ้อนได้โดยไม่ต้องออกจากโค้ด

การตั้งค่า Antigravity IDE

1. ดาวน์โหลดและติดตั้ง Antigravity IDE จากหน้าดาวน์โหลด Google Antigravity
2. ติดตั้งและเปิดใช้งาน: เรียกใช้โปรแกรมติดตั้งและเปิด Antigravity IDE
3. คลิกดำเนินการต่อด้วย Google เลือกบัญชี Gmail แล้วให้สิทธิ์
4. ดำเนินการกำหนดค่าเริ่มต้น หมายเหตุ: คุณอัปเดตข้อมูลเหล่านี้ภายหลังได้เสมอในการตั้งค่า
5. สร้างโฟลเดอร์ใหม่ที่ว่างเปล่าในเครื่องของคุณ (เช่น ชื่อ agentic-data-labs) แล้วเปิดใน IDE โดยเลือก "เปิดโฟลเดอร์" ซึ่งจะทำหน้าที่เป็นพื้นที่ทำงานในเครื่องสำหรับ Codelab

ทางด้านขวา คุณควรเห็นแผง Agent ทางด้านซ้ายคือ Project Explorer และตรงกลางคือพื้นที่สำหรับการพัฒนา

ติดตั้งส่วนขยาย Data Agent Kit

ส่วนขยาย Google Cloud Data Agent Kit มีการผสานรวมอย่างลึกซึ้งกับบริการข้อมูลของ Google Cloud โดยตรงภายในเครื่องมือแก้ไข ซึ่งช่วยให้คุณโต้ตอบกับ BigQuery, Cloud SQL, Cloud Storage และอื่นๆ ได้โดยไม่ต้องเปลี่ยนบริบท

1. ใน Antigravity IDE ให้คลิกไอคอนส่วนขยายในแถบกิจกรรมที่ด้านซ้ายสุดของหน้าจอ (ซึ่งมีลักษณะเป็นสี่เหลี่ยมจัตุรัส 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' และส่วนขยายของผู้เผยแพร่รายนี้หรือไม่" คลิกเชื่อถือผู้เผยแพร่และติดตั้งเพื่อดำเนินการต่อ

เมื่อติดตั้งแล้ว คุณจะเห็นไอคอน Google Cloud Data Agent Kit ใหม่ปรากฏในแถบกิจกรรมที่ด้านซ้ายสุดของ Antigravity IDE

6. หน้าการเริ่มต้นใช้งานที่มีชื่อว่า "ยินดีต้อนรับสู่ Google Cloud Data Agent Kit" ควรเปิดขึ้นโดยอัตโนมัติ หากคุณไม่ได้ลงชื่อเข้าใช้บัญชีระบบคลาวด์ ให้ทำตามข้อความแจ้งเพื่ออนุญาตการเข้าถึง
7. ในส่วนสรุปการกำหนดค่า ให้ค้นหาช่องโปรเจ็กต์ คลิกเมนูแบบเลื่อนลง แล้วเลือกโปรเจ็กต์ที่อยู่ในระบบคลาวด์ของ Google ตั้งค่าภูมิภาคเป็น us-central1 จากนั้นเลือก "กำหนดค่าเซิร์ฟเวอร์ MCP"
8. วางโค้ดต่อไปนี้ในไฟล์ใหม่ในโปรเจ็กต์ชื่อ GEMINI.md (อย่าลืมแทนที่ <<YOUR_PROJECT_ID>> ด้วยค่าของคุณ)

## 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`.
- **CRITICAL RULE - Allergen & Ingredient Mapping**: Never join `consistsof` directly to `containsallergen` on `ingredient_id`. The `consistsof` table often contains ingredient names (e.g. `Midnight Base 204`) while `containsallergen` maps CAS/code IDs (e.g. `9412-78-0`). Always bridge them through `froyo_data.ingredient` (`ON c.ingredient_id = i.ingredient_name OR c.ingredient_id = i.ingredient_id`) to accurately detect allergens.

ตอนนี้คุณมี AI Agent ที่มีความสามารถสูงอยู่ใน IDE โดยตรง ซึ่งพร้อมเขียนโค้ด สร้าง SQL และวิเคราะห์สถาปัตยกรรมของคุณ

ตอนนี้เรามีความท้าทายด้านการวิเคราะห์ที่น่าสนใจ นั่นคือ เราจะเชื่อมโยงยอดขายที่ผ่านมากับข้อมูลสารก่อภูมิแพ้ที่ซับซ้อนและอนุมานได้ซึ่งเราดึงมาจาก PDF ในส่วนที่ 1 ได้ไหม

5. การอนุมานข้อมูลอัจฉริยะผ่าน Agent ของ IDE

มาขอให้ Agent ของ IDE ช่วยทำงานยากๆ กัน เปิดหน้าต่างแชท Agent Data Kit ใน Antigravity IDE แล้วป้อนพรอมต์ต่อไปนี้

Does Midnight Swirl contain any allergen?

แอปจะขอสิทธิ์หลายรายการ โปรดอนุญาตตามความเหมาะสม

สุดท้าย ระบบจะดึงข้อมูลคำตอบให้คุณเมื่อการวิเคราะห์เสร็จสิ้น

เย้!!! โดยระบุได้อย่างถูกต้องว่ารายการ Midnight Swirl มีถั่วเหลือง

ทีนี้ลองถามคำถามที่ซับซ้อนขึ้นอีกนิด ส่งพรอมต์ต่อไปนี้ใน Antigravity IDE

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

คำตอบ:

คุณเขียนต่อได้ ลองใช้พรอมต์ เช่น

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

Agent Data Kit จะวางโค้ด CREATE MODEL และ ML.FORECAST ที่ถูกต้องลงในเครื่องมือแก้ไขโดยที่คุณไม่ต้องค้นหาไวยากรณ์ BQML คุณสามารถเรียกใช้โค้ดนี้กับสภาพแวดล้อม BigQuery ได้โดยตรงโดยไม่ต้องออกจาก Antigravity IDE

สุดยอดไปเลย!!!

6. Conversational Analytics ใน BigQuery

แม้ว่านักพัฒนาซอฟต์แวร์จะชื่นชอบ IDE แต่ผู้ใช้ทางธุรกิจและผู้บริหารก็ใช้คอนโซลระบบคลาวด์เป็นหลัก ผู้ใช้ไม่ต้องการเห็น SQL แต่ต้องการคำตอบ

มาเริ่มกันเลย

1. ให้บทบาทที่จำเป็นแก่ตนเอง

ไปที่หน้า IAM ของโปรเจ็กต์และให้สิทธิ์บทบาทเจ้าของตัวแทนข้อมูลสำหรับการวิเคราะห์ข้อมูลของ Gemini แก่ตนเอง โดยทำดังนี้

บทบาทนี้จะให้สิทธิ์คุณในการสร้าง แก้ไข แชร์ และลบตัวแทนข้อมูลทั้งหมดในโปรเจ็กต์

2. เปิดใช้ API ที่จำเป็น

ไปที่ BigQuery ในคอนโซล Google Cloud ใช้เมนูการนำทางที่แถบด้านข้างหรือเมนูค้นหาที่ด้านบนของหน้าเพื่อไปยัง BigQuery > ตัวแทน

คลิกเปิดใช้ Data Analytics API ด้วย Gemini:

เปิดใช้ทั้ง Gemini ใน BigQuery API และ Gemini สำหรับ Google Cloud API โดยทำดังนี้

ตอนนี้คุณควรเห็นหน้า Agent ใหม่ดังนี้

3. กำหนดค่าข้อมูล Agent

ชื่อ Agent: Froyo Agent

คำอธิบายตัวแทน: ช่วยตอบคำถามเกี่ยวกับผลิตภัณฑ์โฟรโย สารก่อภูมิแพ้ ส่วนผสม สูตรอาหาร ลูกค้า คำสั่งซื้อ และการขาย

4. ไปที่ส่วนแหล่งความรู้และเลือกตารางทั้งหมดด้านล่างจากชุดข้อมูลของคุณ

ก. เพิ่มตารางในรูปภาพด้านบน แล้วคลิก "เพิ่มแหล่งข้อมูล"

ข. คลิกปุ่มปรับแต่งทางด้านขวาของแต่ละแหล่งที่มา คุณจะเห็นแบบฟอร์มด้านล่าง

ค. คลิก "ยอมรับ" เพื่อดูคำอธิบายตาราง

ง. คลิก "ยอมรับ" สำหรับคำอธิบายของแต่ละช่องด้วย

จ. คลิกอัปเดต

คุณต้องทำขั้นตอนนี้ซ้ำสำหรับตารางทั้งหมดในแหล่งข้อมูล

5. กำหนดค่าคำสั่ง

ใส่คำสั่งเดียวกับที่เราใช้ใน Antigravity IDE GEMINI.md ที่นี่

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. บันทึก Agent

7. แชทโดยใช้ข้อมูลของคุณ

7. ทดสอบในส่วนแสดงตัวอย่างทางด้านขวามือ

ถามคำถาม:

Does midnight swirl contain any allergen?

คำตอบมีดังนี้

ทีนี้มาลองถามคำถามที่ซับซ้อนกันบ้าง

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

คำตอบ:

มาลองใช้พรอมต์ข้อมูลเชิงลึกแบบเจาะลึกกันเลย

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

คุณจะเห็นว่าระบบแสดงคำค้นหาที่ใช้ พร้อมผลลัพธ์ในตารางและแผนภูมิ

ว้าว ซึ่งเข้ากันได้ดีกับแผนภูมิและข้อมูลเชิงลึก ถึงเวลาสำหรับคำถามสำคัญเกี่ยวกับผลิตภัณฑ์แล้ว

8. การทดสอบขั้นสูงสุด

ถามคำถาม:

What will be the top most selling product of 2026

ดูข้อมูลเชิงลึกสุดท้ายนั้น BigQuery Data Agent ไม่ได้ให้แค่ตัวเลข แต่ยังเชื่อมโยงการคาดการณ์ยอดขายกลับไปยังสินค้าคงคลังและซัพพลายเชนของส่วนผสมอย่างชัดเจน ซึ่งเป็นข้อมูลเดียวกับที่เราดึงมาจาก PDF ที่ไม่เป็นระเบียบในส่วนที่ 1

9. การเผยแพร่ Agent ไปยังองค์กร

คลิกปุ่มเผยแพร่ที่ด้านบนของตัวอย่าง Agent

เมื่อเราสร้าง กำหนดค่า และทดสอบ Agent Froyo แล้ว ก็ถึงเวลาเผยแพร่ Agent นี้ให้กับส่วนอื่นๆ ของธุรกิจ

คลิกปุ่มเผยแพร่ที่มุมขวาบนของหน้าการกำหนดค่า Agent

การเผยแพร่จะทำให้ Agent พร้อมใช้งานทันทีในช่องทางระดับองค์กรที่มีประสิทธิภาพ 3 ช่องทางสำหรับคุณและทุกคนที่คุณแชร์ด้วย ดังนี้

1. BigQuery: นักวิเคราะห์ข้อมูลของคุณสามารถแชทกับ Agent นี้ได้โดยตรงจากฮับ Agent หรือจากภายในพื้นที่ทำงาน SQL ของ BigQuery Studio
2. Conversational Analytics API: นักพัฒนาซอฟต์แวร์สามารถเข้าถึง Agent นี้ผ่าน REST API ซึ่งช่วยให้ผสานรวมการวิเคราะห์การสนทนาเหล่านี้เข้ากับเว็บแอปพลิเคชันภายในที่กำหนดเองได้
3. Data Studio: ผู้บริหารสามารถโต้ตอบกับ Agent นี้และสร้างแดชบอร์ดการสนทนาแบบไดนามิกได้โดยตรงภายใน Data Studio

เรานำข้อมูลออกจากไซโลและส่งตรงถึงมือผู้ที่ต้องการข้อมูลได้อย่างประสบความสำเร็จ โดยที่ผู้ใช้สามารถเข้าถึงข้อมูลได้จากที่ที่ทำงานอยู่แล้ว

คลิกเมนูแบบเลื่อนลงของปุ่มแชร์ที่ด้านบนของ BigQuery Agent ที่เผยแพร่แล้ว แล้วเลือกตัวเลือก "คัดลอกลิงก์ไปยัง Agent ใน Data Studio" จากรายการ ดังนี้

วางลิงก์ดังกล่าวในเบราว์เซอร์แล้วกด Enter ยืนยันการแจ้งเตือนการเข้าถึงการโต้ตอบกับ Agent โดยทำดังนี้

คุณสามารถเริ่มการสนทนาและการแสดงข้อมูลผ่านภาพแบบอินเทอร์แอกทีฟด้วย Agent ที่เผยแพร่ใหม่จาก Data Studio รวมถึงผู้นำและทีมอื่นๆ ที่ต้องการข้อมูลนี้

10. ล้างข้อมูล

เมื่อห้องทดลองนี้เสร็จสิ้นแล้ว อย่าลืมนำสิทธิ์ของผู้ใช้ทั้งหมดสำหรับ Agent ของ BigQuery ที่คุณเพิ่งสร้างออก

11. ยินดีด้วย

คุณได้สร้าง Agentic Data Cloud อย่างเป็นทางการแล้ว

คุณไม่ได้สร้างแค่แชทบ็อตธรรมดาๆ ตลอดทั้ง 5 เซสชันนี้ คุณได้ออกแบบระบบ AI ระดับองค์กรที่สมบูรณ์ ทันสมัย และผ่านการประเมินตั้งแต่ต้นจนจบเรียบร้อยแล้ว คุณได้เปลี่ยนจาก "ข้อมูลที่ไม่ได้ใช้" ไปเป็นข้อมูลธุรกรรมแบบเรียลไทม์ และสุดท้ายก็เปลี่ยนไปเป็นการคาดการณ์ทางธุรกิจแบบสนทนา

12. ภาพรวมทั้งหมด

ลองย้อนกลับไปดูสิ่งที่เราได้ทำสำเร็จในชุดบทความนี้ เราไม่ได้สร้างแค่แชทบ็อตธรรมดาๆ เราได้ออกแบบ Agentic Data Cloud ที่สมบูรณ์และทันสมัย ดังนี้

ส่วนที่ 1: ปลดล็อกข้อมูลที่ไม่ได้ใช้โดยเปลี่ยนไฟล์ PDF เป็นตารางเชิงสัมพันธ์ที่มีโครงสร้างโดยใช้ Knowledge Catalog

ส่วนที่ 2: ทลายไซโลข้อมูลด้วยการรวมคลังข้อมูลเชิงวิเคราะห์เข้ากับฐานข้อมูลธุรกรรม AlloyDB โดยตรง

ส่วนที่ 3: เพิ่มศักยภาพให้ผู้ใช้ด้วยการสร้างระบบปฏิบัติการแบบหลาย Agent ที่เรียกใช้เครื่องมือฐานข้อมูลที่ปลอดภัยได้อย่างราบรื่นผ่านโปรโตคอล MCP

ส่วนที่ 4: รับประกันความปลอดภัยด้วยการใช้ไปป์ไลน์การประเมินที่เข้มงวดเพื่อตรวจจับภาพหลอนและการเจลเบรค

ส่วนที่ 5: ข้อมูลเชิงลึกที่เข้าถึงได้โดยใช้ ANTIGRAVITY IDE และ Conversational Analytics ใน BigQuery

นี่คืออนาคตของซอฟต์แวร์ระดับองค์กร AI Agent ไม่ได้เป็นเพียง Wrapper รอบ LLM อีกต่อไป ซึ่งเป็นเครื่องมือ Orchestration ที่ผสานรวม ประเมิน และปลอดภัยอย่างสมบูรณ์ซึ่งอยู่บนแพลตฟอร์มข้อมูลแบบรวม