使用 BigQuery 代理程式和 Antigravity IDE 進行對話式資料分析

1. 總覽

我們花點時間看看過去四個部分建構的龐大架構：

第 1 部分：我們使用 BigQuery Knowledge Catalog，將原始優格冰淇淋食譜 PDF 轉換為結構化關聯資料表。

第 2 部分：我們建構了免 ETL 的交易橋接，直接將 BigQuery 倉儲與 AlloyDB 建立聯合查詢。

第 3 部分：我們使用 Agent Development Kit 和 MCP Toolbox，自動調度管理多代理應用程式 (FroyoOS)。

第 4 部分：我們建構了雙軌評估管道，證明代理可安全用於正式環境。

我們的營運狀況良好，但開發人員和業務分析師需要瞭解這個系統產生的大量資料，該怎麼辦？

今天，我們將探討數據分析的未來趨勢。首先，我們會使用 Google Cloud Data Agent Kit，在程式碼編輯器 Antigravity IDE 中操作，接著前往 Google Cloud 控制台，使用 BigQuery 對話式數據分析功能，以圖表呈現資料。

開始建構吧！

課程內容

在本程式碼實驗室中，您將整合架構的所有部分，提供可做為行動依據的業務洞察資訊。這是代理式資料雲端系列的最後一個程式碼實驗室。您將學會：

  • IDE 優先數據分析：如何安裝及設定 ANTIGRAVITY IDE 和 Google Cloud Data Agent Kit，直接從開發環境查詢架構。
  • 對話式 BigQuery：如何建立、設定及指示 BigQuery 資料代理，使用自然語言自動執行複雜的 SQL 工作和預測。
  • 資料普及化：如何將代理發布至企業，讓組織內的分析師和業務使用者都能存取。
  • 以圖表呈現洞察資料：如何將代理的對話數據分析完美整合至數據分析，建立可預測趨勢的動態資訊主頁。
  • 代理式資料雲端生態系統：如何清楚說明端對端架構的價值，從第 1 部分的原始非結構化資料，到第 5 部分的高階主管專用資訊主頁。

需求條件

  • Chrome 或 Firefox 瀏覽器。
  • 已啟用計費功能的 Google Cloud 專案。
  • 對 SQL 有基本瞭解。

2. 事前準備

建立專案

  1. 在 Google Cloud 控制台的專案選取器頁面中，選取或建立 Google Cloud 專案。
  2. 確認 Cloud 專案已啟用計費功能。瞭解如何確認專案是否已啟用計費功能。
  1. 您將使用 Cloud Shell，這是在 Google Cloud 中運作的指令列環境。點選 Google Cloud 控制台頂端的「啟用 Cloud Shell」。

「啟用 Cloud Shell」按鈕圖片

  1. 連至 Cloud Shell 後，請使用下列指令，確認您已通過驗證，且專案已設為您的專案 ID：
gcloud auth list
  1. 在 Cloud Shell 執行下列指令，確認 gcloud 指令能辨識您的專案。
gcloud config list project
  1. 如要驗證
gcloud auth login
  1. 如果未設定專案，請使用下列指令設定：
export PROJECT_ID=<YOUR_PROJECT_ID>
gcloud config set project <YOUR_PROJECT_ID>
  1. 啟用必要的 API：執行下列指令，啟用所有必要的 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
  1. 請務必完成實驗室第 1 部分、第 2 部分和第 3 部分，為本實驗室做好準備：

建立資料集並填入資料表 (僅限未完成第 1 部分的情況)

在 Cloud Shell 執行下列指令。

  1. 首先，在 Cloud Shell 終端機執行下列指令，建立 BigQuery 資料集：
bq mk --location us-central1 --dataset froyo_data
  1. 接著，請逐一執行下列指令，從 GitHub 存放區將 8 個資料檔案 (CSV 檔案) 下載到目前使用的目錄：
wget https://raw.githubusercontent.com/AbiramiSukumaran/raw-data-to-gold/refs/heads/main/data/froyo_data.allergen.csv
  1. 逐一執行下列指令，使用新建立資料集中的資料建立這些資料表
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. 擴充資料倉儲

還記得我們從非結構化資料建立的 BigQuery 資料表嗎？

為了進行有意義的分析，我們需要歷來交易資料。在 BigQuery 的 froyo_data 資料集下，建立三個新資料表，模擬加盟店多年的營運資料：

  1. froyo_data.orders：歷來訂單標頭 (日期、商店 ID、總計)
  2. froyo_data.order_items：明細項目詳細資料 (數量、價格)
  3. froyo_data.customer_allergen_data：CRM 資料表，追蹤忠實顧客已知的過敏原

接著，我們將這些銷售和客戶相關資料表新增至該資料集，為數據分析用途做好準備。

  1. 前往 Google Cloud 控制台的 Cloud Shell 終端機。
  2. 前往工作區的根資料夾，或 froyo-data 專案根資料夾 (本系列過去幾個部分使用的資料夾)。
  3. 逐一執行下列指令，將 3 個歷來資料檔案 (CSV 格式) 下載到目前使用的目錄：
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
  1. 在工作目錄的根目錄中看到這些檔案後，請切換至 Cloud Shell 終端機。
  2. 在 Cloud Shell 終端機中，前往這 3 個檔案所在的目錄。
  3. 確認 BigQuery 含有本系列第 1 部分的「froyo_data」資料集 (如果沒有，請返回建立資料集和資料表)。
  4. 在 Cloud Shell 終端機執行下列指令：
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

這樣應該會在 froyo_data 資料集建立 3 個額外資料表。

4. 開發人員體驗：Data Agent Kit 簡介

以往，開發人員如要分析資料或編寫複雜的機器學習查詢，必須在 IDE、Databases Console 和說明文件之間不斷切換。

答案是不需要。有了新推出的 Google Cloud Data Agent Kit 擴充功能，IDE 就能成為強大的資料處理中心。Google Cloud Data Agent Kit 擴充功能可直接在編輯器中與 Google Cloud 資料服務深度整合，讓您與 BigQuery、Cloud SQL、Cloud Storage 等服務互動，不必切換環境。

必要條件

  1. Node.js (最新建議版本)
  2. 安裝 gcloud CLI。
  3. 使用 Google Cloud 帳戶登入：
gcloud auth login
  1. 登入應用程式預設憑證 (ADC)：
gcloud auth application-default login

Antigravity IDE

Antigravity IDE 是 Google 新一代的代理優先開發環境，專為 AI 時代打造。這項工具將龐大的多模態脈絡視窗和自主工具使用功能，直接整合至編輯器，讓開發人員不必離開程式碼，就能調度管理雲端資源和複雜的資料管道。

設定 Antigravity IDE

  1. 前往 Google Antigravity 下載頁面，下載並安裝 Antigravity IDE。
  2. 安裝並啟動：執行安裝程式，然後開啟 Antigravity IDE。
  3. 按一下「使用 Google 帳戶繼續」，選取 Gmail 帳戶並授權。
  4. 完成初始設定。注意：你之後隨時可以前往「設定」頁面調整通知設定。
  5. 在本機電腦上建立新的空白資料夾 (例如命名為 agentic-data-labs)，然後在 IDE 中選擇「Open Folder」開啟該資料夾。這個目錄將做為程式碼實驗室的本機工作區。

654e81ff5e478063.gif

右側是代理窗格，左側是專案探索工具，中間則是開發空間。

安裝 Data Agent Kit 擴充功能

Google Cloud Data Agent Kit 擴充功能可直接在編輯器中與 Google Cloud 資料服務深度整合，讓您與 BigQuery、Cloud SQL、Cloud Storage 等服務互動，不必切換環境。

  1. 在 Antigravity IDE 中，點選畫面最左側活動列中的「擴充功能」圖示 (看起來像四個正方形)。
  2. 在「Extensions」窗格頂端的搜尋列中，輸入 Google Cloud Data Agent Kit。
  3. 找到 googlecloudtools 發布的擴充功能「Google Cloud Data Agent Kit」。
  4. 按一下「Install」按鈕。
  5. 系統可能會顯示提示，詢問「您是否信任發布者『googlecloudtools』及其擴充功能？」。按一下「Trust Publishers & Install」繼續操作。

c0b7d516dab35748.png

安裝完成後，Antigravity IDE 最左側的「活動列」會顯示新的「Google Cloud Data Agent Kit」圖示。

  1. 系統應會自動開啟名為「Welcome to Google Cloud Data Agent Kit」的新手上路頁面。如果未登入 Cloud 帳戶，請按照提示允許存取。
  2. 在「設定摘要」部分，找出專案欄位。按一下下拉式選單，選取 Google Cloud 專案。將區域設為 us-central1。然後選取「設定 MCP 伺服器」。
  3. 在專案中建立名為 GEMINI.md 的新檔案，並貼上以下內容 (請務必將 <<YOUR_PROJECT_ID>> 替換為您的值)：
## 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.

現在，您可以在 IDE 中直接使用功能強大的 AI 代理，編寫程式碼、生成 SQL 及分析架構。

現在，我們面臨一項有趣的分析挑戰：能否將歷史銷售資料，與第 1 部分從 PDF 擷取的複雜推論過敏原資料建立關聯？

5. 透過 IDE 代理推論智慧

我們請 IDE 代理來處理繁重的工作。在 ANTIGRAVITY IDE 中開啟 Agent Data Kit 對話視窗，並輸入下列提示詞：

Does Midnight Swirl contain any allergen?

系統會要求一系列權限，請視情況允許。

最後，系統會在分析結束時為您擷取回覆：

e80715f963651e.png

太棒了！正確辨識出 Midnight Swirl 含有大豆。

現在來問一個稍微複雜的問題。在 Antigravity IDE 中傳送下列提示：

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

回覆：

e7e51117558493d5.png

你可以繼續操作。試試下列提示詞：

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

Agent Data Kit 會將正確的 CREATE MODEL 和 ML.FORECAST 程式碼放入編輯器，您不必查詢 BQML 語法。您可以直接在 BigQuery 環境中執行這項操作，不必離開 ANTIGRAVITY IDE！

太棒了！！！

6. BigQuery 對話式數據分析

開發人員喜歡 IDE，而企業使用者和主管則習慣使用 Cloud 控制台。他們不想看到 SQL，只想得到答案。

開始設定的方式如下：

  1. 為自己設定必要角色

前往專案的 IAM 頁面，並為自己授予 Gemini Data Analytics 資料分析資料代理擁有者角色：

7102a1501cb964bf.png

這個角色可讓您建立、編輯、共用及刪除專案中的所有資料代理。

  1. 啟用必要的 API

前往 Google Cloud 控制台中的 BigQuery。使用側欄導覽選單或頁面頂端的搜尋選單，依序前往「BigQuery」>「代理」。

點選「啟用 Data Analytics API with Gemini」：

ccc412f1699163dc.png

啟用 Gemini in BigQuery API 和 Gemini for Google Cloud API：

82a360fa44b12346.png

您現在應該會看到新代理頁面：

95e69ad98e212fae.png

  1. 設定代理資訊

Agent Name：Froyo Agent

代理說明：協助回答優格冰淇淋產品、過敏原、成分、食譜、顧客、訂單、銷售相關問題。

860e002e94cd75b6.png

  1. 前往「知識來源」部分，從資料集選取下列所有資料表：

d1b318ff3a5db864.png

a. 新增上圖中的表格，然後點選「新增來源」。

b. 按一下每個來源右側的「自訂」按鈕，您會看到以下表單：

b395204823254009.png

c. 點選資料表說明的「接受」。

d. 請一併點選各欄位說明中的「接受」。

638f74954f348eb0.png

e. 點選「更新」。

您必須對來源中的所有資料表重複這項操作。

  1. 設定操作說明

將我們在 Antigravity IDE GEMINI.md 中使用的相同指令放在這裡：

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.
  1. 儲存代理。

7. 與資料對話！

  1. 在右側的預覽區測試：

91724a760430aa10.png

提出問題：

Does midnight swirl contain any allergen?

9a8c4bca6014b7dc.png

以下是回覆內容：

7e4dd3280eac9c98.png

現在來問個複雜的問題：

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

回覆：

3a384adeb2737a39.png74d682e2cb567153.png

現在來試試深入洞察提示：

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

您可以看到它顯示使用的查詢，以及表格結果和圖表：

de9b8d6711bed357.pngefe8e9cbc73bd188.png1afdb5d8c9e1d0e6.png

太棒了！因此，圖表和洞察資訊的成效良好。現在要問產品的終極問題。

8. 終極考驗

提出問題：

What will be the top most selling product of 2026

a9bb832d8d1758.pngcb4e226080e1853f.png

查看最後一項洞察。BigQuery 資料代理不只提供數字，還明確將銷售預測與庫存和原料供應鏈連結，而這些正是我們在第 1 部分從雜亂 PDF 擷取的資料！

9. 將代理發布至企業

按一下預覽代理頂端的「發布」按鈕。

37418373df16d52.png

Froyo 代理程式建構、設定及測試完畢後，就能發布給公司其他部門使用。

在代理設定頁面的右上角，按一下「發布」按鈕。

發布後，您和共用對象就能立即在三個強大的企業管道使用代理：

  1. BigQuery：資料分析師現在可以直接在代理中心或 BigQuery Studio SQL 工作區中，與這個代理對話。
  2. Conversational Analytics API：開發人員可透過 REST API 存取這個代理，將這些對話式數據分析功能整合至自訂內部網頁應用程式。
  3. 數據分析：主管可以直接在數據分析中與這個代理互動，建立動態對話式資訊主頁。

我們成功打破資料孤島，直接將資料提供給需要的人，而且就在他們的工作環境中！

按一下已發布 BigQuery 代理頂端的「分享」按鈕下拉式選單，然後從清單中選取「複製數據分析中的代理連結」選項：

31f8579e121ed6ec.png

將連結貼到瀏覽器，然後按下 Enter 鍵。確認代理互動存取權快訊：

1503a3720be99733.png

您、主管和其他需要這項資訊的團隊，可以開始與新發布的代理進行互動式對話和視覺化。

10. 清除

完成本實驗室後，請務必移除所有使用者對剛才建立的 BigQuery 代理的權限。

11. 恭喜！

您已正式建構代理式資料雲端！

您不只建構了簡單的聊天機器人，在這五堂課程中，您成功從頭開始建構完整、現代化且經過評估的企業 AI 系統。您已從「暗資料」轉為即時交易智慧，最後再轉為對話式業務預測。

12. 完整資訊

回顧一下我們在本系列中達成的成果。我們不只打造了簡單的聊天機器人，我們建構了完整、現代化的代理式資料雲端：

第 1 部分：使用 Knowledge Catalog 將 PDF 轉換為結構化關聯資料表，解鎖暗資料。

第 2 部分：將分析型資料倉儲直接與 AlloyDB 交易資料庫聯合，打破資料孤島。

第 3 部分：建構多代理 OS，透過 MCP 通訊協定順暢執行安全的資料庫工具，為使用者提供更優質的體驗

第 4 部分：實施嚴格的評估管道，確保安全性，並找出幻覺和越獄行為。

第 5 部分：使用 ANTIGRAVITY IDE 和 BigQuery 對話式數據分析，讓所有人都能取得深入分析結果。

這就是企業軟體的未來。AI 代理不再只是 LLM 的包裝，這項引擎經過完整整合、評估且安全無虞，並建構於統合式資料平台之上。