Daten-Agents erstellen

In diesem Dokument wird beschrieben, wie Sie Daten-Agents in BigQuery erstellen, bearbeiten, verwalten und löschen.

In BigQuery können Sie Unterhaltungen mit Daten-Agents führen, um Fragen zu BigQuery-Daten in natürlicher Sprache zu stellen. Data Agents enthalten Tabellenmetadaten und anwendungsfallspezifische Anweisungen zur Verarbeitung von Anfragen, die definieren, wie Nutzerfragen zu einer Reihe von Wissensquellen wie Tabellen, Ansichten oder benutzerdefinierten Funktionen (User-Defined Functions, UDFs) beantwortet werden sollen, die Sie auswählen.

Hinweis

  1. Prüfen Sie, ob für Ihr Google Cloud Projekt die Abrechnung aktiviert ist.

  2. Aktivieren Sie die BigQuery API, die Gemini Data Analytics API und die Gemini for Google Cloud API.

    Rollen, die zum Aktivieren von APIs erforderlich sind

    Zum Aktivieren von APIs benötigen Sie die IAM-Rolle „Service Usage-Administrator“ (roles/serviceusage.serviceUsageAdmin), die die Berechtigung serviceusage.services.enable enthält. Weitere Informationen zum Zuweisen von Rollen

    APIs aktivieren

Erforderliche Rollen

Wenn Sie mit Daten-Agents arbeiten möchten, benötigen Sie eine der folgenden IAM-Rollen (Identity and Access Management) für die Conversational Analytics API:

  • Alle Daten-Agents im Projekt erstellen, bearbeiten, freigeben und löschen: Rolle „Gemini Data Analytics Data Agent Owner“ (roles/geminidataanalytics.dataAgentOwner) für das Projekt.
  • Eigene Daten-Agents im Projekt erstellen, bearbeiten, freigeben und löschen: Rolle „Gemini Data Analytics Data Agent Creator“ (roles/geminidataanalytics.dataAgentCreator) für das Projekt. Mit dieser Rolle erhalten Sie automatisch die Rolle „Gemini Data Analytics Data Agent Owner“ für die von Ihnen erstellten Data Agents.
  • Alle Daten-Agents im Projekt ansehen und bearbeiten: Rolle „Gemini Data Analytics Data Agent Editor“ (roles/geminidataanalytics.dataAgentEditor) auf Projektebene.
  • Alle Data Agents im Projekt ansehen: Gemini Data Analytics Data Agent Viewer (roles/geminidataanalytics.dataAgentViewer).

Außerdem benötigen Sie die folgenden Rollen, um einen Daten-Agent zu erstellen oder zu bearbeiten:

Informationen zum Arbeiten mit BigQuery-Ressourcen, z. B. zum Aufrufen von Tabellen oder Ausführen von Abfragen, finden Sie unter BigQuery-Rollen.

Best Practices

Bei der Konversationsanalyse werden automatisch Abfragen in Ihrem Namen ausgeführt, um Ihre Fragen zu beantworten. Berücksichtigen Sie die folgenden Faktoren, die die Abfragekosten erhöhen können:

  • Große Tabellengrößen
  • Verwendung von Daten-Joins in Abfragen
  • Häufige Aufrufe von KI-Funktionen in Abfragen

Insights generieren

Optional können Sie im Knowledge Catalog Datenstatistiken generieren für jede Tabelle, die Sie als Wissensquelle verwenden möchten.

Die generierten Statistiken enthalten Tabellenmetadaten, die der Daten-Agent verwenden kann, um Antworten auf Ihre Fragen zu generieren.

Wenn Sie keine Statistiken im Voraus generieren, werden sie automatisch generiert, wenn Sie beim Erstellen eines Data Agents eine Tabelle als Wissensquelle auswählen.

Mit dem Beispieldaten-Agent arbeiten

Wenn Sie noch nicht mit der Konfiguration von Agents für die konversationelle Analyse vertraut sind, können Sie sich optional den vordefinierten Beispiel-Agenten ansehen, der für jedesGoogle Cloud -Projekt generiert wird. Sie können mit dem Modell chatten und sich die Parameter ansehen, um zu sehen, wie es erstellt wurde. Sie können es jedoch nicht ändern.

So rufen Sie den Beispiel-Agent auf:

  1. Rufen Sie in der Google Cloud Console die BigQuery-Seite Agents auf.

    Zu „KI-Agenten“

  2. Wählen Sie den Tab KI-Agent-Katalog aus.

  3. Klicken Sie im Abschnitt Beispiel-KI-Agenten von Google auf die Karte des Beispiel-KI-Agenten.

KI-Datenagenten erstellen

In den folgenden Abschnitten wird beschrieben, wie Sie einen Daten-Agent erstellen.

Nachdem Sie einen Agent erstellt haben, können Sie seine Einstellungen bearbeiten.

Erste Schritte

  1. Rufen Sie in der Google Cloud Console die BigQuery-Seite Agents auf.

    Zu „KI-Agenten“

  2. Wählen Sie den Tab KI-Agent-Katalog aus.

  3. Klicken Sie auf Neuer Agent. Die Seite Neuer Agent wird geöffnet.

  4. Geben Sie im Abschnitt Editor im Feld Agent name (Agent-Name) einen aussagekräftigen Namen für den Daten-Agent ein, z. B. Q4 sales data oder User activity logs.

  5. Geben Sie im Feld Beschreibung des KI-Datenagenten eine Beschreibung des KI-Datenagenten ein. Eine gute Beschreibung erklärt, was der Agent tut und welche Daten er verwendet. So können Sie leichter entscheiden, ob er der richtige Daten-Agent für Ihren Chat ist, z. B. Ask questions about customer orders and revenue.

  6. Klicken Sie im Abschnitt Wissensquellen auf Quelle hinzufügen. Die Seite Wissensquelle hinzufügen wird geöffnet.

  7. Wählen Sie im Bereich Letzte alle Tabellen, Ansichten oder UDFs aus, die Sie als Wissensquellen verwenden möchten. UDFs haben in derGoogle Cloud -Konsole das Präfix „fx“.

  8. Wenn Sie weitere Wissensquellen sehen möchten, wählen Sie  Mehr anzeigen aus.

  9. Optional: Fügen Sie eine Wissensquelle hinzu, die nicht im Abschnitt Letzte aufgeführt ist:

    1. Geben Sie im Bereich Suchen den Quellennamen in das Feld Nach Tabellen suchen ein und drücken Sie die Eingabetaste. Der Name der Quelle muss nicht exakt sein.

    2. Wählen Sie im Bereich Suchergebnisse eine oder mehrere Quellen aus.

  10. Klicken Sie auf Hinzufügen. Die Seite des neuen KI-Agenten wird wieder geöffnet.

Tabellen- und Feldbeschreibungen anpassen

Um die Genauigkeit von KI-Datenagenten zu verbessern, können Sie optional zusätzliche Tabellenmetadaten angeben. Nur der KI-Datenagent verwendet diese Metadaten. Sie haben keine Auswirkungen auf die Quelltabelle.

Beachten Sie beim Erstellen von Tabellen- und Feldbeschreibungen die folgenden Best Practices:

  • Anhand dieser Beschreibungen können Sie nachvollziehen, wie der Daten-Agent das Schema interpretiert. Wenn die vom Agent vorgeschlagenen Beschreibungen korrekt sind, können Sie sie akzeptieren.

  • Wenn der Data Agent das Schema nach der Konfiguration dieser Beschreibungen nicht versteht, passen Sie die Beschreibungen manuell an, um die richtigen Informationen bereitzustellen.

So konfigurieren Sie Tabellen- und Feldbeschreibungen:

  1. Klicken Sie im Bereich Wissensquellen in einer Tabelle auf den Link Anpassen.

  2. Tabellenbeschreibung erstellen Sie können eine Beschreibung in das Feld Tabellenbeschreibung eingeben oder den Vorschlag von Gemini akzeptieren.

  3. Sehen Sie sich im Bereich Felder die von Gemini vorgeschlagenen Feldbeschreibungen an.

  4. Wählen Sie alle Feld-Beschreibungen aus, die Sie übernehmen möchten, und klicken Sie auf Vorschläge übernehmen. Wählen Sie die Beschreibungen aus, die Sie ablehnen möchten, und klicken Sie auf Vorschläge ablehnen.

  5. Sie können die Beschreibung eines beliebigen Felds manuell bearbeiten, indem Sie neben dem Feld auf Bearbeiten klicken. Der Bereich Feld bearbeiten wird geöffnet.

    1. Geben Sie im Feld Beschreibung eine Beschreibung für das Feld ein.
    2. Klicken Sie auf Aktualisieren, um die Feldbeschreibung zu speichern.

  6. Klicken Sie auf Aktualisieren, um die Beschreibung und die Feldaktualisierungen zu speichern. Die neue Agent-Seite wird wieder geöffnet.

  7. Wiederholen Sie diese Schritte für jede Tabelle, die angepasst werden muss.

Anweisungen für den Agenten erstellen

Der KI-Agent sollte den Kontext von Nutzerfragen verstehen, ohne dass benutzerdefinierte Anweisungen erforderlich sind. Erstellen Sie benutzerdefinierte Anweisungen für den Agenten nur, wenn Sie das Verhalten des Agenten ändern oder den Kontext auf eine Weise verbessern müssen, die nicht bereits von anderen Kontextfunktionen unterstützt wird, z. B. benutzerdefinierte Tabellen- und Feldmetadaten oder bestätigte Anfragen.

Geben Sie im Bereich Anleitung im Feld Agent instructions (Agent-Anleitung) eine Anleitung für den Daten-Agenten ein. Da der Daten-Agent diese Anweisungen verwendet, um den Kontext für Nutzerfragen zu verstehen und Antworten zu geben, sollten Sie die Anweisungen so klar wie möglich formulieren.

Wenn Sie keine zufriedenstellende Antwort vom KI-Agenten erhalten, fügen Sie strukturierten Kontext wie Beschreibungen, Beispiele oder Glossarbegriffe hinzu. Wenn Sie immer noch keine zufriedenstellende Antwort erhalten, fügen Sie benutzerdefinierte Anweisungen wie in der folgenden Tabelle hinzu.

Wenn Sie noch mehr Beispiele für Anweisungen sehen möchten, klicken Sie auf Beispiele einblenden.

Informationstyp Beschreibung Beispiele
Schlüsselfelder Die wichtigsten Felder für die Analyse. „Die wichtigsten Felder in dieser Tabelle sind: Kundennummer, Produkt-ID, Bestelldatum.“
Filtern und gruppieren Felder, die der KI-Agent zum Filtern und Gruppieren von Daten verwenden soll. „Wenn es in einer Frage um einen Zeitraum oder um die Entwicklung im Zeitverlauf geht, verwenden Sie immer die Spalte ‚order_created_date‘.“ „Wenn jemand ‚nach Produkt‘ sagt, gruppiere nach der Spalte ‚product_category‘.“
Standardfilterung Felder, nach denen standardmäßig gefiltert werden soll. „Sofern nicht anders angegeben, filtern Sie die Daten immer nach ‚order_status‘ = ‚Complete‘.“
Synonyme und Unternehmensbegriffe Alternative Begriffe für die wichtigsten Felder. „Wenn jemand nach ‚Umsatz‘ oder ‚Verkäufen‘ fragt, verwende die Spalte ‚total_sale_amount‘.“ „Als ‚treue‘ Kunden gelten Kunden mit purchase_count > 5.“
Ausgeschlossene Felder Felder, die der Daten-KI-Agent vermeiden soll. „Verwenden Sie keinesfalls die Felder mit diesen Informationen: Transaktionsdatum (abgeleitet), Stadt (abgeleitet).“
Join-Beziehungen Wie zwei oder mehr Tabellen miteinander in Beziehung stehen und welche Spalten zum Verknüpfen verwendet werden. Der Agent muss Standard-SQL-JOINs für Spaltenpaare verwenden, um Daten zu kombinieren. Sehen Sie sich die Beispielspalte an. Kundenaktivität
  • order_items.user_id = users.id
    (um Verkäufe mit Kunden zu verknüpfen)
  • events.user_id = users.id
    (um Websiteaktivitäten mit angemeldeten Kunden zu verknüpfen)

Bestätigte Abfragen erstellen

Ein Agent verwendet bestätigte Anfragen auf zwei Arten:

  • Wenn ein KI-Agent eine verifizierte Anfrage verwenden kann, um eine Frage zu beantworten, die Sie ihm stellen, wird die Anfrage genau wie geschrieben aufgerufen, um eine vertrauenswürdige Antwort zu erhalten.
  • Wenn der Agent die bestätigte Anfrage nicht verwenden kann, um eine Frage zu beantworten, nutzt er sie trotzdem als Referenz, um die Daten und die Best Practices für die Abfrage zu verstehen.

Sie können geprüfte Anfragen aus einer vom System generierten Liste auswählen oder eigene erstellen.

So erstellen Sie eine bestätigte Anfrage für den Daten-Agenten, die früher als Gold-Anfrage bezeichnet wurde:

  1. Wählen Sie eine oder mehrere von Gemini vorgeschlagene bestätigte Anfragen aus:

    1. Klicken Sie im Bereich Bestätigte Anfragen auf Vorschläge überprüfen. Die Seite Vorgeschlagene bestätigte Abfragen überprüfen wird geöffnet.
    2. Sehen Sie sich die vorgeschlagenen bestätigten Abfragen an. Wählen Sie alle zutreffenden Optionen für Ihren Anwendungsfall aus.
    3. Klicken Sie auf Hinzufügen. Die Seite des neuen KI-Agenten wird wieder geöffnet.

  2. Wenn Sie eine eigene bestätigte Anfrage erstellen möchten, klicken Sie auf Anfrage hinzufügen. Die Seite Bestätigte Anfrage hinzufügen wird geöffnet.

    1. Geben Sie im Feld Frage die Nutzerfrage ein, die durch die bestätigte Anfrage beantwortet wird.
    2. Klicken Sie auf SQL generieren, damit Gemini eine geprüfte Abfrage generiert, die der von Ihnen angegebenen Nutzerfrage entspricht.
    3. Sie können die bestätigte Abfrage ändern.
    4. Klicken Sie auf Ausführen und prüfen Sie, ob die Abfrage die erwarteten Ergebnisse zurückgibt.
    5. Klicken Sie auf Hinzufügen. Die Seite des neuen KI-Agenten wird wieder geöffnet.

  3. Wiederholen Sie diese Schritte nach Bedarf, um weitere bestätigte Anfragen zu erstellen.

Parametrisierte bestätigte Abfragen erstellen

Bei parametrisierten bestätigten Anfragen werden Werte aus der Frage eines Nutzers für den Conversational Analytics-Agent extrahiert und maßgeschneiderte Ergebnisse bereitgestellt.

Analysten und Entwickler können wiederverwendbare SQL-Vorlagen erstellen, die Platzhalter für diese Werte enthalten. In den Vorlagen werden Parameter zur Laufzeit dynamisch ersetzt, um eine größere Bandbreite an Nutzerfragen zu beantworten als bei regulären bestätigten Anfragen.

Wenn ein Nutzer eine Frage stellt, die dem Muster der Vorlage entspricht, extrahiert der Conversational Analytics-Agent Parameterwerte aus der Frage, z. B. Produktname, Region und Datum. Anschließend werden diese Werte in die parametrisierte SQL-Abfrage eingefügt. Übereinstimmende Antworten aus der Abfragevorlage werden als bestätigt angezeigt.

Parametrisierte bestätigte Abfragen bieten deutlich mehr Möglichkeiten und Flexibilität als bestätigte Abfragen. Sie sorgen für einheitliche, vertrauenswürdige Antworten bei verschiedenen Eingaben und reduzieren die Anzahl der einzelnen Abfragen, die verwaltet werden müssen. Weitere Informationen nachstehend:

Funktionsweise

Ein Experte, z. B. ein Datenanalyst, definiert eine bestätigte Abfrage anhand einer Vorlagefrage, z. B. „Wie hoch war der Umsatz für @product im Zeitraum @region?“. Anschließend erstellt oder ändert der Experte die bestätigte Abfrage mithilfe von SQL-Parametern, wie im folgenden Beispiel gezeigt:

SELECT * FROM sales WHERE region = @region AND product = @product

Nachdem die bestätigte Anfrage gespeichert wurde, kann ein Nutzer dem Agent für konversationelle Analysen eine Frage in natürlicher Sprache stellen, z. B. „Wie hoch war der Umsatz mit Laptops in Nordamerika?“

Um die Frage des Nutzers zu beantworten, führt der Conversational AI-Agent die folgenden Schritte aus:

  1. Die Frage wird mit dem Muster abgeglichen, das der parametrisierten, bestätigten Abfrage zugeordnet ist. Der Agent verwendet Natural Language Understanding (NLU), um die Werte für @region (Nordamerika) und @product (Laptops) aus der Frage des Nutzers zu ermitteln und zu extrahieren.
  2. Ersetzt die extrahierten Werte durch die Platzhalter @region und @product in der SQL-Vorlage.
  3. Führt die vollständige SQL-Abfrage aus, z. B. SELECT * FROM sales WHERE region = 'North America' AND product = 'Laptops'.
  4. Gibt die Ergebnisse an den Nutzer zurück. Übereinstimmungen werden immer als bestätigt markiert.

Tipps zum Erstellen effektiver parametrisierter Abfragen

  • Klare Parameternamen verwenden Verwenden Sie aussagekräftige Namen für Parameter, z. B. @start_date anstelle von @d1.
  • Detaillierte Parameterbeschreibungen erstellen: Das Large Language Model (LLM) für die konversationelle Analyse verwendet Parameterbeschreibungen, um die Parameter und ihre Werte aus Nutzerfragen zu identifizieren. num_enrollments ist beispielsweise ein effektiver Parametername, während number of student enrollments from ages 5-14 eine Parameterbeschreibung ist, die mehr Kontext zur Abfrage liefert.
  • Für eine einheitliche Datentypisierung sorgen: Achten Sie darauf, dass die von der SQL-Abfrage erwarteten Datentypen mit den Datentypen übereinstimmen, die wahrscheinlich aus der Frage des Nutzers extrahiert werden.
  • Geben Sie einen klar definierten Umfang an. Erstellen Sie Vorlagen für häufige und wichtige Fragemuster, bei denen die Abfrageerstellung komplex oder die Logik unintuitiv ist. So kann das LLM optimale Ergebnisse liefern.
  • Gründlich testen: Testen Sie mit verschiedenen Formulierungen in natürlicher Sprache, um sicherzustellen, dass Parameter korrekt extrahiert werden.

Parametrisierte bestätigte Abfrage erstellen

Sie können bestätigte Anfragen aus einer vom System generierten Liste auswählen oder eigene erstellen.

Bevor Sie eine Abfrage erstellen oder ändern, entwerfen Sie sie unter Berücksichtigung des Musters in natürlicher Sprache und Ihrer Frage. Wenn Sie beispielsweise fragen: „Do we know the total stock for organic bananas in the US-EAST warehouse?“ (Kennen wir den Gesamtbestand an Bio-Bananen im Lager US-EAST?), können Sie die Frage als parametrisierte bestätigte Anfrage so umformulieren: „What is the total stock for @product in the @region warehouse?“ (Wie hoch ist der Gesamtbestand an @product im Lager @region?). Der Conversational Analytics-Agent wandelt diese Frage in eine SQL-Abfrage um, die Sie mit Standardwerten aktualisieren.

Wenn Sie eine parametrisierte bestätigte Anfrage für einen Daten-Agent erstellen möchten, können Sie entweder beim Erstellen eines neuen Agents eine neue Anfrage erstellen oder eine vorhandene bestätigte Anfrage für einen neuen oder vorhandenen Agent bearbeiten.

In der folgenden Anleitung wird eine Beispielabfrage verwendet, die mit Parametern konfiguriert wird.

Vorhandene, von Gemini vorgeschlagene bestätigte Anfrage auswählen
  1. Klicken Sie im Abschnitt Bestätigte Anfragen eines neuen oder vorhandenen Agents auf Vorschläge überprüfen. Die Seite Vorgeschlagene bestätigte Abfragen überprüfen wird geöffnet.
  2. Aktivieren Sie das Kästchen neben einer vorgeschlagenen bestätigten Anfrage.
  3. Klicken Sie im Abfragefenster auf und dann auf Mehr anzeigen, um die Abfragebeschreibung zu maximieren.
  4. Klicken Sie auf Bearbeiten, um die vorhandene Abfrage zu öffnen.
  5. Informationen zum Konfigurieren der Abfrage finden Sie unter Parameter für die bestätigte Abfrage konfigurieren.
Agent erstellen und dann eine verifizierte Anfrage erstellen
  1. Erste Schritte – Fahren Sie mit den restlichen Konfigurationsschritten bis zu Bestätigte Anfragen fort.
  2. Klicken Sie in der Google Cloud Console im Abschnitt Bestätigte Anfragen des neuen Agenten auf Anfrage hinzufügen. Die Seite Bestätigte Abfrage hinzufügen wird geöffnet.
  3. Informationen zum Konfigurieren der Abfrage finden Sie unter Parameter für die bestätigte Abfrage konfigurieren.
Parameter für die bestätigte Anfrage konfigurieren
  1. Geben Sie im Feld Frage die Nutzerfrage ein, die durch die bestätigte Anfrage beantwortet wird.
  2. Verwenden Sie zum Angeben von Parametern das Symbol @, gefolgt von einem Parameternamen. Diese Syntax kennzeichnet einen Platzhalter, der einen Wert aus der Nutzerfrage übernimmt. Verwenden Sie eine Frage in natürlicher Sprache, die zeigt, wie die Parameter in Nutzerfragen verwendet werden. Beispiel: „Wie hoch ist der Gesamtbestand für @product im Lager in @region?“

  3. Klicken Sie auf Generate SQL (SQL generieren). Der SQL-Code sieht so aus:

       SELECT
       SUM(stock) AS total_stock
   FROM
       inventory
   WHERE
       product_id = @product
       AND region = @region;

  4. Wenn Sie den Platzhaltern in der Abfrage Standardwerte hinzufügen möchten, klicken Sie auf Abfrageparameter verwalten und dann auf Abfrageparameter hinzufügen.

  5. Für den ersten Parameter werden vier Felder für Name, Typ, Wert und Beschreibung angezeigt.

    • Kopieren Sie unter Name @product aus Ihrer Frage und fügen Sie es in dieses Feld ein.
    • Wählen Sie für Typ den Wert STRING aus.
    • Für Wert geben Sie organic bananas ein.
    • Geben Sie unter Beschreibung eine möglichst spezifische Beschreibung ein. Zum Beispiel ein Produkt, das sich in einem regionalen Lager befindet.

  6. Klicken Sie für den zweiten Parameter auf Abfrageparameter hinzufügen.

    • Kopieren Sie unter Name @region aus Ihrer Frage und fügen Sie es in dieses Feld ein.
    • Wählen Sie für Typ den Wert STRING aus.
    • Für Wert geben Sie US-EAST ein.
    • Geben Sie unter Beschreibung eine möglichst genaue Beschreibung ein, z. B. a regional warehouse where products are located..

  7. Wenn Sie die Felder für beide Parameter ausgefüllt haben, klicken Sie auf Speichern.

Parametrisierte bestätigte Abfrage testen
  1. Klicken Sie auf Ausführen und prüfen Sie, ob die Abfrage die erwarteten Ergebnisse zurückgibt.
  2. Wenn Sie die Abfrage später auf Nutzer testen möchten, kopieren Sie das gesamte Fragefeld.
  3. Klicken Sie auf Speichern, um den Bildschirm Abfrage hinzufügen zu verlassen und zur Seite Bearbeiten des Agents zurückzukehren.
  4. Fügen Sie auf der Seite Bearbeiten des KI-Agenten das zuvor kopierte Fragefeld in das Fenster Vorschau ein.
    1. Ersetzen Sie die Variable@productdurchorganic bananas.
    2. Ersetzen Sie die Variable @region durch US-EAST.
  5. Drücken Sie die Eingabetaste. Prüfen Sie das Ergebnis. In diesem Fall ist die gültige Antwort die Gesamtzahl der Bananen in der Region US-EAST, z. B. 1.000.
  6. Wiederholen Sie diese Schritte nach Bedarf, um weitere bestätigte Anfragen zu erstellen oder zu bearbeiten.

Nachdem Sie die Abfrage gespeichert haben, kann ein Nutzer die Frage „Do we know the total stock for organic bananas in the US-EAST warehouse?“ (Kennen wir den Gesamtbestand an Bio-Bananen im Lager US-EAST?) stellen. Die konversationelle Analyse führt dann Folgendes aus:

  1. Ordnet diese Frage dem Muster zu.
  2. Extrahiert den Parameter @product als @product = „Bio-Bananen“ und den Parameter @region = „US-EAST“ aus der Frage.
  3. Führt die Abfrage aus: SELECT SUM(stock) AS total_stock FROM inventory WHERE product_id = 'organic bananas' AND region = 'US-EAST';
  4. Gibt die berechnete total_stock zurück.

Glossarbegriffe erstellen oder überprüfen

Sie können benutzerdefinierte BigQuery-Glossarbegriffe erstellen, die für einen Agenten lokal sind, oder Geschäftsglossarbegriffe aus dem Knowledge Catalog prüfen, die für die Wissensquellen gelten, die Sie für einen Agenten ausgewählt haben.

  • Da Geschäftsglossarbegriffe aus Knowledge Catalog global für BigQuery-Ressourcen gelten, sollten Sie, wenn Sie Knowledge Catalog verwenden, Geschäftsglossarbegriffe in Knowledge Catalog erstellen und verwalten, anstatt für einzelne Agents.
  • Wenn Sie aus Knowledge Catalog importierte Begriffe aus dem Unternehmensglossar ändern möchten, müssen Sie sie in Knowledge Catalog bearbeiten und dann zur Conversational Analytics-Oberfläche zurückkehren, um die Änderungen zu sehen.
  • Benutzerdefinierte BigQuery-Glossarbegriffe verbleiben in BigQuery. Sie werden nicht im Knowledge Catalog angezeigt.
  • Wenn Sie den Wissenskatalog nicht verwenden, können Sie benutzerdefinierte BigQuery-Glossarbegriffe für Begriffe erstellen, die Sie für einen bestimmten Agent definieren müssen.

So erstellen Sie benutzerdefinierte Glossarbegriffe für einen Agent:

  1. Klicken Sie im Bereich Glossar auf der Seite Editor des Agents auf Begriff hinzufügen.
  2. Im Bereich Benutzerdefinierte Begriffe können Sie vorhandene benutzerdefinierte Begriffe bearbeiten oder löschen.
  3. Wenn Sie einen oder mehrere neue Begriffe erstellen möchten, klicken Sie auf Begriff erstellen.
    1. Geben Sie einen Begriff, eine Definition und ein oder mehrere durch Kommas getrennte Synonyme ein.
    2. Klicken Sie auf Hinzufügen, um den Begriff zu erstellen.
    3. Wenn Sie den neuen Begriff löschen möchten, klicken Sie auf Löschen.
  4. Wenn Sie weitere benutzerdefinierte Begriffe erstellen möchten, wiederholen Sie diese Schritte.

So rufen Sie Geschäftsglossarbegriffe auf, die aus Knowledge Catalog importiert wurden:

  1. Klicken Sie im Bereich Glossar auf der Seite Editor des Agents auf Begriff hinzufügen.
  2. Rufen Sie den Seitenbereich Aus Wissenskatalog importiert auf.
  3. Wenn Sie importierte Begriffe im Wissenskatalog ändern möchten, müssen Sie auf den Link „Zu Glossaren im Wissenskatalog“ klicken.
  4. Nachdem Sie die Begriffe im Wissenskatalog geändert haben, können Sie zur Seite Editor des Agents zurückkehren, um die geänderten Begriffe anzusehen.

Einstellungen konfigurieren

Im Bereich Einstellungen können Sie die folgenden optionalen Einstellungen konfigurieren:

  1. Erstellen Sie Labels, um IhreGoogle Cloud -Ressourcen zu organisieren. Labels sind Schlüssel/Wert-Paare, mit denen Sie verwandte Objekte miteinander oder mit anderen Google Cloud -Ressourcen gruppieren können.

    1. Klicken Sie im Bereich Einstellungen auf Labels verwalten.
    2. Klicken Sie auf Label hinzufügen.
    3. Geben Sie in den Feldern Schlüssel und Wert Ihr Schlüssel/Wert-Paar für das Label ein.
    4. Wenn Sie weitere Labels hinzufügen möchten, klicken Sie noch einmal auf Label hinzufügen.
    5. Wenn Sie ein Label löschen möchten, klicken Sie auf Löschen.
    6. Wenn Sie fertig sind, klicken Sie auf Hinzufügen. Die Seite des neuen KI-Agenten wird wieder geöffnet.

  2. Optional: Legen Sie ein Größenlimit für die vom Daten-Agent verarbeiteten Anfragen fest. Geben Sie im Abschnitt Einstellungen einen Wert in das Feld Maximale Menge abgerechneter Byte ein. Sie müssen dieses Limit auf 10485760 oder höher festlegen, da Sie sonst die folgende Fehlermeldung erhalten:

Value error. In BigQuery on-demand pricing charges are
rounded up to the nearest MB, with a minimum of 10 MB of data processed
per query. So, max bytes billed must be set to greater or equal to
10485760.

Wenn Sie keinen Wert angeben, wird für maximum bytes billed standardmäßig das Kontingent für die tägliche Abfragenutzung des Projekts verwendet. Das Kontingent für die tägliche Nutzung ist unbegrenzt, sofern Sie kein benutzerdefiniertes Kontingent angegeben haben.

Fahren Sie mit dem nächsten Abschnitt fort, um den Agent in den Entwurfsmodus zu versetzen oder zu veröffentlichen.

Agent als Vorschau ansehen und veröffentlichen

  1. Geben Sie im Bereich Vorschau eine Beispielnutzerfrage in das Feld Frage stellen ein und drücken Sie die Eingabetaste. Prüfen Sie die Antwort des Daten-Agents, um zu sehen, ob er die erwarteten Daten zurückgibt. Wenn die Antwort nicht Ihren Erwartungen entspricht, ändern Sie die Einstellungen im Bereich Editor, um die Konfiguration des Daten-Agents zu optimieren, bis Sie zufriedenstellende Antworten erhalten. Sie können Ihren Agenten weiter testen und ändern, um die Ergebnisse zu optimieren.

  2. Klicken Sie auf Speichern.

  3. Wenn Sie den Daten-Agent in den Entwurfsmodus versetzen möchten, um ihn später noch einmal zu bearbeiten, klicken Sie auf Zurück, um zur Seite Agent-Katalog zurückzukehren. Da sich Ihr KI-Agent jetzt im Entwurfsmodus befindet, wird er im Agentenkatalog auf dem Tab Meine Entwurfs-KI-Agenten angezeigt.

    Wenn Sie Ihren Agent veröffentlichen möchten, bleiben Sie auf der Seite zur Agent-Erstellung und fahren Sie mit dem nächsten Schritt fort.

  4. Klicken Sie auf Veröffentlichen, um den Daten-Agenten zu veröffentlichen und für die Verwendung im Projekt verfügbar zu machen. Sie können Unterhaltungen mit dem Daten-KI-Agenten in BigQuery Studio oder Data Studio erstellen. Sie können auch eine eigene Benutzeroberfläche erstellen, um mit dem KI-Datenagenten zu chatten. Verwenden Sie dazu die Conversational Analytics API.

  5. Optional: Klicken Sie im Dialogfeld Ihr KI-Agent wurde veröffentlicht auf Freigeben, um den Daten-KI-Agenten für andere Nutzer freizugeben.

    1. Klicken Sie im Bereich Freigabeberechtigungen auf Hauptkonto hinzufügen.

    2. Geben Sie im Feld Neue Hauptkonten ein oder mehrere Hauptkonten ein.

    3. Klicken Sie auf die Liste Rolle auswählen.

    4. Wählen Sie in der Liste Rolle eine der folgenden Rollen aus:

      • Gemini Data Analytics Data Agent User (roles/geminidataanalytics.dataAgentUser): Gewährt die Berechtigung, mit dem Data Agent zu chatten.
      • Gemini Data Analytics Data Agent Editor (roles/geminidataanalytics.dataAgentEditor): Berechtigung zum Bearbeiten des Data Agents.
      • Gemini Data Analytics Data Agent Viewer (roles/geminidataanalytics.dataAgentViewer): Gewährt die Berechtigung zum Ansehen des Data Agents.

  6. Klicken Sie auf Speichern.

  7. Klicken Sie auf Schließen, um zur Seite des neuen KI-Agents zurückzukehren. Unmittelbar nach dem Speichern oder Veröffentlichen Ihres Agents können Sie ihn im Agent Catalog sehen.

Daten-Agents verwalten

Vorhandene Agents finden Sie auf dem Tab Agent Catalog (Agent-Katalog), der aus drei Abschnitten besteht:

  • Meine Agents: Eine Liste aller Agents, die Sie erstellen und veröffentlichen. Sie können veröffentlichte KI‑Agents ändern und mit anderen teilen.
  • Meine KI-Agenten-Entwürfe: KI-Agents, die Sie noch nicht veröffentlicht haben. Sie können keine KI-Agenten im Entwurfsstatus freigeben.
  • Von anderen Personen in Ihrer Organisation freigegeben: Agenten, die von anderen erstellt und für Sie freigegeben wurden. Wenn andere Ihnen Berechtigungen erteilen, können Sie diese freigegebenen Agents bearbeiten.

KI-Datenagenten bearbeiten

So bearbeiten Sie einen Daten-Agenten:

  1. Rufen Sie die BigQuery-Seite Agents auf.

    Zu „KI-Agenten“

  2. Wählen Sie den Tab KI-Agent-Katalog aus.

  3. Suchen Sie die Agent-Karte des Daten-Agents, den Sie ändern möchten.

  4. Klicken Sie zum Öffnen des Daten-Agents im Agent-Editor auf  Aktionen öffnen > klicken Sie auf der Agent-Karte auf Bearbeiten.

  5. Bearbeiten Sie die Konfiguration des Daten-Agents nach Bedarf.

  6. Wenn Sie Ihre Änderungen speichern möchten, ohne sie zu veröffentlichen, klicken Sie auf Speichern.

  7. Klicken Sie auf Veröffentlichen, um die Änderungen zu veröffentlichen . Im Dialogfeld Freigeben können Sie den Agenten entweder für andere freigeben oder auf Abbrechen klicken.

  8. Um zum Bereich KI-Agenten zurückzukehren, klicken Sie auf  Zurück.

    Mit dem Symbol „Zurück“ können Sie von der Seite zum Bearbeiten von KI-Agenten zur Seite „KI-Agents“ zurückkehren.

KI-Datenagenten freigeben

So geben Sie einen veröffentlichten Daten-Agenten frei: Sie können keine KI-Agenten im Entwurfsstatus freigeben.

  1. Rufen Sie die BigQuery-Seite Agents auf.

    Zu „KI-Agenten“

  2. Wählen Sie den Tab KI-Agent-Katalog aus.

  3. Suchen Sie die Agent-Karte des Daten-Agents, den Sie ändern möchten.

  4. Klicken Sie zum Öffnen des Daten-Agents im Agent-Editor auf  Aktionen öffnen > klicken Sie auf der Agent-Karte auf Bearbeiten.

  5. Wenn Sie den Daten-Agent mit anderen Nutzern teilen möchten, klicken Sie auf Teilen.

  6. Klicken Sie im Bereich Freigabeberechtigungen auf Hauptkonto hinzufügen.

  7. Geben Sie im Feld Neue Hauptkonten ein oder mehrere Hauptkonten ein.

  8. Klicken Sie auf die Liste Rolle auswählen.

  9. Wählen Sie in der Liste Rolle eine der folgenden Rollen aus:

    • Gemini Data Analytics Data Agent User (roles/geminidataanalytics.dataAgentUser): Berechtigt zum Chatten mit dem Data Agent.
    • Gemini Data Analytics Data Agent Editor (roles/geminidataanalytics.dataAgentEditor): Berechtigung zum Bearbeiten des Data Agents.
    • Gemini Data Analytics Data Agent Viewer (roles/geminidataanalytics.dataAgentViewer): Berechtigung zum Aufrufen des Data Agents.

  10. Klicken Sie auf Speichern.

  11. Klicken Sie auf Schließen, um zur Seite zum Bearbeiten des KI-Agents zurückzukehren.

  12. Um zum Bereich Agents zurückzukehren, klicken Sie auf  Zurück.

    Mit dem Symbol „Zurück“ können Sie von der Seite zum Bearbeiten von KI-Agenten zur Seite „KI-Agents“ zurückkehren.

KI-Datenagenten löschen

  1. Rufen Sie die BigQuery-Seite Agents auf.

    Zu „KI-Agenten“

  2. Wählen Sie den Tab KI-Agent-Katalog aus.

  3. Suchen Sie auf dem Tab Agent Catalog im Bereich Meine KI-Agents oder Meine KI-Agent-Entwürfe nach der Agent-Karte des Daten-Agents, den Sie löschen möchten.

  4. Klicken Sie auf  Aktionen öffnen > Löschen.

  5. Klicken Sie im Dialogfeld Agent löschen? auf Löschen.

Standorte

Die Funktion für konversationelle Analysen ist global verfügbar. Sie können nicht auswählen, welche Region verwendet werden soll.

Nächste Schritte