Daten-Agenten erstellen

In diesem Dokument wird beschrieben, wie Sie KI-Datenagenten 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. Daten-Agents enthalten Tabellenmetadaten und anwendungsspezifische Anweisungen zur Abfrageverarbeitung, die die beste Methode zum Beantworten von Nutzerfragen zu einer Reihe von Wissensquellen definieren, z. B. Tabellen, Ansichten oder benutzerdefinierte Funktionen (UDFs), die Sie auswählen.

Hinweis

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

2. Aktivieren Sie die BigQuery, Gemini Data Analytics, Gemini for Google Cloudund Knowledge Catalog APIs, falls sie noch nicht aktiviert sind.

   Erforderliche Rollen zum Aktivieren von APIs

   Zum Aktivieren von APIs benötigen Sie die Berechtigung serviceusage.services.enable. Wenn Sie das Projekt erstellt haben, haben Sie diese Berechtigung wahrscheinlich bereits über die Inhaberrolle (roles/owner). Andernfalls können Sie diese Berechtigung über die Rolle „Service Usage-Administrator“ (roles/serviceusage.serviceUsageAdmin) erhalten. Informationen zum Zuweisen von Rollen

   APIs aktivieren

Erforderliche Rollen

Für die Arbeit mit KI-Datenagenten benötigen Sie IAM-Berechtigungen (Identity and Access Management), die Ihrem Anwendungsfall entsprechen. In den folgenden Abschnitten sind die erforderlichen Rollen aufgeführt, je nachdem, ob Sie KI-Agenten erstellen und veröffentlichen, KI-Agenten in Gemini Enterprise bereitstellen oder KI-Agenten auf verschiedenen Oberflächen finden und verwenden. Weitere Informationen finden Sie unter IAM-Rollen für die Conversational Analytics API.

• Agenten erstellen, bearbeiten, veröffentlichen, freigeben und löschen:
  • Zum Erstellen von Daten-Agents in einem Projekt: 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 Daten-Agents.
  • Zum Bearbeiten, Freigeben oder Löschen eines KI-Datenagenten: Gemini Data Analytics Data Agent Owner (roles/geminidataanalytics.dataAgentOwner) für den KI-Agenten oder das Projekt.
  • Zum Bearbeiten eines Daten-Agents in einem Projekt: Gemini Data Analytics Data Agent Editor (roles/geminidataanalytics.dataAgentEditor) für das Projekt.
  • Zum Ansehen von Daten-Agents in einem Projekt: Gemini Data Analytics Data Agent Viewer (roles/geminidataanalytics.dataAgentViewer) für das Projekt.
• KI-Agenten in Gemini Enterprise bereitstellen:
  • Wenn Sie einen veröffentlichten KI-Agenten für Nutzer in Gemini Enterprise verfügbar machen möchten, benötigen Sie Berechtigungen zum Registrieren und Verwalten benutzerdefinierter KI-Agenten und zum Konfigurieren eines KI-Agenten-Gateways in der Gemini Enterprise-Verwaltungskonsole.
• KI-Agenten entdecken und verwenden:
  • Für den Chat mit KI-Datenagenten: Gemini Data Analytics Data Agent User (roles/geminidataanalytics.dataAgentUser).
  • Zum Ansehen aller Daten-Agents im Projekt: Gemini Data Analytics Data Agent Viewer (roles/geminidataanalytics.dataAgentViewer).
  • Für die Interaktion mit der Gemini-basierten Chat-Oberfläche in Data Studio: BigQuery Studio-Nutzer (roles/bigquery.studioUser) oder Gemini for Google Cloud-Nutzer (roles/cloudaicompanion.user). Beide Rollen enthalten die Berechtigung cloudaicompanion.topics.create. Weisen Sie diese Rollen auf Projektebene zu. Nutzer benötigen außerdem die Rolle „Data Studio-Asset-Betrachter“ (roles/datastudio.viewer).
• Wissensquellen zu einem Agenten hinzufügen:
  • Data Catalog-Betrachter (roles/datacatalog.viewer) für das Projekt.
• Unterhaltungsprotokolle konfigurieren und ansehen:
  • So erstellen Sie das Log-Dataset und gewähren Zugriff im Projekt des Agenten: bigquery.datasets.create und BigQuery-Dateninhaber (roles/bigquery.dataOwner) oder BigQuery-Administrator (roles/bigquery.admin) für das Log-Dataset.
  • So ändern Sie die Einstellungen für das Unterhaltungs-Logging eines KI-Agenten: geminidataanalytics.dataAgents.update, enthalten in Gemini Data Analytics Data Agent Editor (roles/geminidataanalytics.dataAgentEditor).
  • Damit der Dienst-Agent der Conversational Analytics API ([e-mail]) die Protokolltabelle erstellen und Zeilen schreiben kann: BigQuery-Dateneditor (roles/bigquery.dataEditor) für das Protokoll-Dataset. Wenn das Log-Dataset vom Kunden verwaltete Cloud KMS-Schlüssel (CMEK) verwendet, weisen Sie dem BigQuery-Verschlüsselungsdienstkonto ([e-mail]) die Rolle „Cloud KMS CryptoKey Encrypter/Decrypter“ (roles/cloudkms.cryptoKeyEncrypterDecrypter) für den Cloud KMS-Schlüssel zu.
  • Für Analysten, die Unterhaltungslogs abfragen: BigQuery-Datenbetrachter (roles/bigquery.dataViewer) für das Log-Dataset und BigQuery-Jobnutzer (roles/bigquery.jobUser) für ein Projekt, um Abfragen auszuführen.

Informationen zu den erforderlichen Rollen für Unterhaltungen finden Sie unter Erforderliche Rollen für Unterhaltungen.

KI-Agenten handeln in Ihrem Namen und verwenden Ihre Berechtigungen. KI-Agenten können nur auf Daten und Ressourcen zugreifen, für die Sie eine Zugriffsberechtigung haben.

Best Practices

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

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

Insights generieren

Sie können optional Dateneinblicke in Knowledge Catalog generieren, und zwar für jede Tabelle, die Sie als Wissensquelle verwenden möchten.

KI-Insights liefern Tabellenmetadaten, die der Daten-Agent verwenden kann, um Antworten auf Ihre Fragen zu generieren.

Wenn Sie keine Insights im Voraus generieren, werden sie automatisch generiert, wenn Sie beim Erstellen eines KI-Datenagenten eine Tabelle als Wissensquelle auswählen.

Mit dem Beispiel-KI-Datenagenten arbeiten

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

So rufen Sie den Beispiel-Agent auf:

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

   Zu „Agenten“

2. Wählen Sie den Tab Agentenkatalog 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 KI-Datenagenten erstellen.

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

Hinweis: Wenn Sie sich in einer Unterhaltung mit einer Datenquelle befinden, können Sie auch aus dieser Unterhaltung einen KI-Agenten erstellen.

Erste Schritte

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

   Zu „Agenten“

2. Wählen Sie den Tab Agentenkatalog aus.

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

4. Geben Sie im Abschnitt Editor im Feld Agentenname einen aussagekräftigen Namen für den KI-Datenagenten ein, z. B. Q4 sales data oder User activity logs.

5. Geben Sie im Feld Agentenbeschreibung eine Beschreibung des KI-Datenagenten ein. Eine gute Beschreibung erklärt, was der KI-Agent tut, welche Daten er verwendet, und hilft Ihnen zu entscheiden, ob dies der richtige KI-Datenagent für den Chat ist, z. B. Ask questions about customer orders and revenue.

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

7. Wählen Sie im Bereich Zuletzt verwendet alle Tabellen, Ansichten, Diagramme oder UDFs aus, die Sie als Wissensquellen verwenden möchten. UDFs sind in der Google Cloud Console mit dem Präfix „fx“ gekennzeichnet.

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

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

   1. Geben Sie im Abschnitt Suchen den Namen der Quelle 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 für den neuen Agenten wird wieder geöffnet.

Tabellen- und Feldbeschreibungen anpassen

Um die Genauigkeit des KI-Datenagenten zu verbessern, können Sie optional zusätzliche Tabellenmetadaten bereitstellen. Nur der KI-Datenagent verwendet diese Metadaten. Die Quelltabelle ist davon nicht betroffen.

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

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

• Wenn der Daten-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 Abschnitt Wissensquellen auf den Link Anpassen für eine Tabelle.

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

3. Prüfen Sie im Bereich Felder die von Gemini vorgeschlagenen Feldbeschreibungen.

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

5. Sie können jede Feldbeschreibung manuell bearbeiten, indem Sie neben dem Feld auf Bearbeiten klicken. Der Bereich Feld bearbeiten wird geöffnet.

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

6. Klicken Sie auf Aktualisieren, um die Änderungen an der Beschreibung und den Feldern zu speichern. Die Seite für den neuen KI-Agenten wird wieder geöffnet.

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

Hinweis: Wenn Ihre Änderungen an Beschreibungen nicht in der Google Cloud Console angezeigt werden, können Sie die Methode list zur Überprüfung oder die Methode patch zum Aktualisieren der Beschreibungen verwenden.

Anweisungen für den KI-Agenten erstellen

Der KI-Agent sollte den Kontext von Nutzerfragen verstehen, ohne dass benutzerdefinierte Anweisungen erforderlich sind. Erstellen Sie nur dann benutzerdefinierte Anweisungen für den KI-Agenten, wenn Sie das Verhalten des KI-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 verifizierte Abfragen.

Geben Sie im Abschnitt Anweisungen im Feld Anweisungen für den KI-Agenten Anweisungen für den KI-Datenagenten ein. Da der KI-Datenagent diese Anweisungen verwendet, um den Kontext von Nutzerfragen zu verstehen und Antworten zu geben, sollten die Anweisungen so klar wie möglich sein.

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

Wenn Sie weitere Beispiele für Anweisungen sehen möchten, klicken Sie auf Beispiele anzeigen.

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 sich eine Frage auf einen Zeitplan oder einen Zeitraum bezieht, 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 Geschäftsbegriffe	Alternative Begriffe für die wichtigsten Felder	„Wenn jemand nach ‚Umsatz‘ oder ‚Verkäufen‘ fragt, verwende die Spalte ‚total_sale_amount‘.“ "We consider 'loyal' customers to be those with purchase_count > 5."
Ausgeschlossene Felder	Felder, die der KI-Datenagent nicht verwenden 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 für die Zusammenführung verwendet werden. Der Agent muss Standard-SQL-JOINs für Spaltenpaare verwenden, um Daten zu kombinieren. Siehe Beispielspalte.	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 verifizierte Abfragen auf zwei Arten:

• Wenn ein KI-Agent eine verifizierte Abfrage verwenden kann, um eine von Ihnen gestellte Frage zu beantworten, ruft er die Abfrage genau so auf, wie sie geschrieben wurde, um eine vertrauenswürdige Antwort zu liefern.
• Wenn der KI-Agent die verifizierte Abfrage nicht verwenden kann, um eine Frage zu beantworten, verwendet er die Abfrage trotzdem als Referenz, um die Daten und die Best Practices für die Abfrage zu verstehen.

Sie können verifizierte Abfragen aus einer vom System generierten Liste auswählen oder eigene erstellen.

Hinweis: Informationen zum Erstellen einer parametrisierten verifizierten Abfrage finden Sie unter Parametrisierte verifizierte Abfragen erstellen.

So erstellen Sie eine verifizierte Abfrage für den KI-Datenagenten, die früher als Golden Query bezeichnet wurde:

1. Wählen Sie eine oder mehrere von Gemini vorgeschlagene verifizierte Abfragen aus:

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

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

   1. Geben Sie im Feld Frage die Nutzerfrage ein, die mit der verifizierten Abfrage beantwortet wird.
   2. Klicken Sie auf SQL generieren, damit Gemini eine verifizierte Abfrage generiert, die der von Ihnen angegebenen Nutzerfrage entspricht.
   3. Ändern Sie die bestätigte Abfrage, wenn Sie möchten.
   4. Klicken Sie auf Ausführen und prüfen Sie, ob die Abfrage die erwarteten Ergebnisse zurückgibt.
   5. Klicken Sie auf Hinzufügen. Die Seite für den neuen Agenten wird wieder geöffnet.

3. Wiederholen Sie diese Schritte nach Bedarf, um weitere verifizierte Abfragen zu erstellen.

Parametrisierte verifizierte Abfragen erstellen

Parametrisierte verifizierte Abfragen extrahieren Werte aus der Frage eines Nutzers für den Agenten für konversationelle Analysen und liefern maßgeschneiderte Ergebnisse.

Analysten und Entwickler können wiederverwendbare SQL-Vorlagen erstellen, die Platzhalter für diese Werte enthalten. Die Vorlagen ersetzen Parameter dynamisch zur Laufzeit, um eine größere Bandbreite an Nutzerfragen zu beantworten als reguläre verifizierte Abfragen.

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

Parametrisierte verifizierte Abfragen verbessern die Leistungsfähigkeit und Flexibilität verifizierter Abfragen erheblich. Sie sorgen für konsistente, vertrauenswürdige Antworten bei verschiedenen Eingaben und reduzieren die Anzahl der zu verwaltenden einzelnen Abfragen.

Funktionsweise

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

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

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

Der Agent führt die folgenden Schritte aus, um die Frage des Nutzers zu beantworten:

1. Die Frage wird mit dem Muster abgeglichen, das der parametrisierten verifizierten 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 identifizieren und zu extrahieren.
2. Ersetzt die extrahierten Werte in den Platzhaltern @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

• Verwenden Sie klare Parameternamen. Verwenden Sie aussagekräftige Namen für Parameter, z. B. @start_date anstelle von @d1.
• Detaillierte Parameterbeschreibungen erstellen: Das Large Language Model (LLM) für konversationelle Analysen verwendet Parameterbeschreibungen, um die Parameter und ihre Werte aus Nutzerfragen zu identifizieren. num_enrollments ist beispielsweise ein effektiver Parametername, aber number of student enrollments from ages 5-14 ist eine Parameterbeschreibung, die mehr Kontext zur Abfrage bietet.
• Konsistente Datentypisierung sicherstellen: 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 Bereich an. Erstellen Sie Vorlagen für gängige und wichtige Fragemuster, bei denen die Abfragekonstruktion komplex oder die Logik nicht intuitiv 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 verifizierte Abfrage erstellen

Sie können verifizierte Abfragen aus einer vom System generierten Liste auswählen oder eigene erstellen.

Bevor Sie eine Abfrage erstellen oder ändern, sollten Sie sie unter Berücksichtigung des Musters für natürliche Sprache und Ihrer Frage entwerfen. Wenn Sie beispielsweise fragen: „Kennen wir den Gesamtbestand an Bio-Bananen im Lager US-EAST?“, können Sie die Frage als parametrisierte verifizierte Abfrage so umschreiben: „Wie hoch ist der Gesamtbestand für @product im Lager @region?“ Der Agent wandelt diese Frage in eine SQL-Abfrage um, die Sie mit Standardwerten aktualisieren.

Wenn Sie eine parametrisierte verifizierte Abfrage für einen KI-Datenagenten erstellen möchten, können Sie entweder eine neue Abfrage erstellen, wenn Sie einen neuen KI-Agenten erstellen, oder eine vorhandene verifizierte Abfrage für einen neuen oder vorhandenen KI-Agenten bearbeiten.

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

Wählen Sie eine vorhandene, von Gemini vorgeschlagene verifizierte Abfrage aus.

1. Klicken Sie im Abschnitt Verifizierte Abfragen eines neuen oder vorhandenen KI-Agenten auf Vorschläge prüfen. Die Seite Vorgeschlagene bestätigte Abfragen überprüfen wird geöffnet.
2. Klicken Sie das Kästchen neben einer vorgeschlagenen verifizierten Abfrage an.
3. Klicken Sie im Abfragefenster auf Mehr anzeigen, um die Abfragebeschreibung zu maximieren.
4. Klicken Sie auf Bearbeiten, um die vorhandene Abfrage zu öffnen.
5. Informationen zum Abschließen der Konfiguration der Abfrage finden Sie unter Parameter für die verifizierte Abfrage konfigurieren.

Agenten erstellen und dann eine verifizierte Abfrage erstellen

1. Sehen Sie sich die ersten Schritte an und fahren Sie mit den restlichen Konfigurationsschritten bis zu Bestätigte Abfragen fort.
2. Klicken Sie in der Google Cloud Console im Abschnitt Verifizierte Abfragen des neuen KI-Agenten auf Abfrage hinzufügen. Die Seite Bestätigte Abfrage hinzufügen wird geöffnet.
3. Informationen zum Abschließen der Konfiguration der Abfrage finden Sie unter Parameter für die verifizierte Abfrage konfigurieren.

Parameter für die verifizierte Abfrage konfigurieren

1. Geben Sie im Feld Frage die Nutzerfrage ein, die durch die verifizierte Abfrage 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 @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 angezeigt: Name, Typ, Wert und Beschreibung.

   • Kopieren Sie für Name den Wert @product aus Ihrer Frage und fügen Sie ihn 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 genaue Beschreibung ein. Beispiel: Ein Produkt, das sich in einem regionalen Lager befindet.

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

   • Kopieren Sie für Name den Wert @region aus Ihrer Frage und fügen Sie ihn 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 verifizierte Abfrage testen

1. Klicken Sie auf Ausführen und prüfen Sie, ob die Abfrage die erwarteten Ergebnisse zurückgibt.
2. Wenn Sie die Abfrage für Nutzer in einem späteren Bildschirm testen möchten, kopieren Sie das gesamte Fragefeld.
3. Klicken Sie auf Speichern, um den Bildschirm Abfrage hinzufügen zu schließen und zur Seite Bearbeiten des KI-Agenten 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 @product durch organic bananas.
   2. Ersetzen Sie die Variable @region durch US-EAST.
5. Drücken Sie die Eingabetaste. Prüfen Sie das Ergebnis. In diesem Fall ist eine gültige Antwort die Gesamtzahl der Bananen in der Region US-EAST, z. B. 1.000.
6. Wenn Sie weitere bestätigte Abfragen erstellen oder bearbeiten möchten, wiederholen Sie diese Schritte nach Bedarf.

Nachdem Sie die Abfrage gespeichert haben, kann ein Nutzer die Frage „Kennen wir den Gesamtbestand an Bio-Bananen im Lager US-EAST?“ stellen. Die konversationelle Analyse führt dann Folgendes aus:

1. Gleicht diese Frage mit dem Muster ab.
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 den berechneten total_stock zurück.

Glossarbegriffe erstellen oder prüfen

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

• Da Unternehmensglossarbegriffe aus Knowledge Catalog global für BigQuery-Ressourcen gelten, sollten Sie, wenn Sie Knowledge Catalog verwenden, Unternehmensglossarbegriffe in Knowledge Catalog erstellen und verwalten, anstatt für einzelne KI-Agenten.
• Wenn Sie aus Knowledge Catalog importierte Unternehmensglossarbegriffe ändern müssen, müssen Sie sie in Knowledge Catalog bearbeiten und dann zu BigQuery zurückkehren, um sie zu sehen.
• Benutzerdefinierte BigQuery-Glossarbegriffe bleiben in BigQuery. Sie werden nicht in Knowledge Catalog angezeigt.
• Wenn Sie Knowledge Catalog nicht verwenden, können Sie benutzerdefinierte BigQuery-Glossarbegriffe für Begriffe erstellen, die Sie für einen bestimmten Agenten definieren müssen.

So erstellen Sie benutzerdefinierte Glossarbegriffe für einen Agenten:

1. Klicken Sie auf der Seite Editor des KI-Agenten im Bereich Glossar 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 Synonyme durch Kommas getrennt 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 aus Knowledge Catalog importierte Begriffe des Unternehmensglossars auf:

1. Klicken Sie auf der Seite Editor des KI-Agenten im Bereich Glossar auf Begriff hinzufügen.
2. Rufen Sie den Seitenbereich Aus Dataplex importiert auf.
3. Wenn Sie importierte Begriffe in Knowledge Catalog ändern möchten, klicken Sie auf Zu Dataplex-Glossaren.
4. Nachdem Sie die Begriffe in Knowledge Catalog geändert haben, können Sie zur Seite Editor des KI-Agenten zurückkehren, um die geänderten Begriffe anzusehen.

Einstellungen konfigurieren

Im Abschnitt Einstellungen können Sie die folgenden optionalen Einstellungen konfigurieren:

1. Wählen Sie im Abschnitt Modell aus, welche Modelltypen Nutzern in einer Unterhaltung mit dem Agenten zur Verfügung stehen. Sowohl Vorabversionen als auch allgemein verfügbare Modelle sind standardmäßig verfügbar. Modelle in der Vorabversion verwenden möglicherweise den globalen Endpunkt.

2. 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 die Felder Schlüssel und Wert das Schlüssel/Wert-Paar für das Label ein.
   4. Wenn Sie weitere Labels hinzufügen möchten, klicken Sie noch einmal auf Label hinzufügen.
   5. Um ein Label zu löschen, klicken Sie auf Löschen.
   6. Klicken Sie abschließend auf Hinzufügen. Die Seite für den neuen Agenten wird wieder geöffnet.

3. Wenn Sie die Unterhaltungsereignisse des KI-Agenten zur Überwachung und Analyse in eine BigQuery-Tabelle im Projekt des KI-Agenten schreiben möchten, aktivieren Sie im Abschnitt Unterhaltungsprotokollierung die Option Unterhaltungsprotokollierung aktivieren:

   1. Wenn die Einstellungen für das Unterhaltungsprotokoll beim Bearbeiten eines vorhandenen KI-Agenten nicht verfügbar sind, wechseln Sie in der Ansichtsauswahl zu Entwurf und achten Sie darauf, dass bestimmte BigQuery-Tabellen als Wissensquellen ausgewählt sind.

   2. Wählen Sie unter Ziel für die Speicherung der Protokolle festlegen ein vorhandenes Ziel-Dataset im Projekt des Agenten in Dataset-ID aus. Wählen Sie unter Tabellen-ID eine vorhandene Tabelle aus oder klicken Sie auf Tabelle auswählen oder erstellen > + Neue Tabelle, geben Sie unter Neue Tabelle angeben einen Tabellennamen ein (z. B. agent_events) und klicken Sie auf Speichern.

   3. Lesen Sie den Hinweis zu Datenlogging und Offenlegung für Nutzer.

   4. Warten Sie, bis die Einstellungen validiert wurden. Wenn das Dataset nicht vorhanden ist, erstellen Sie es zuerst in BigQuery. Wenn der Dienst-Agent der Conversational Analytics API ([e-mail]) keinen Zugriff auf das Dataset hat, klicken Sie auf Zugriff gewähren, um roles/bigquery.dataEditor für das Dataset zu gewähren, oder bitten Sie Ihren Administrator, dies zu tun.

   Nachdem Sie den Agenten veröffentlicht haben, stellen Sie eine Testfrage im Hauptchatbildschirm des veröffentlichten Agenten (der Abschnitt Vorschau wird nicht protokolliert) und aktualisieren Sie das Ziel-Dataset in BigQuery Studio, um zu bestätigen, dass die Protokolltabelle angezeigt wird. Wenn Sie das Ziel später aktualisieren oder das Logging deaktivieren möchten, bearbeiten Sie den Agenten und veröffentlichen Sie Ihre Änderungen. Vorhandene Zeilen werden dabei nicht gelöscht. Weitere Informationen finden Sie unter Übersicht über das Unterhaltungs-Logging.

4. Legen Sie ein Größenlimit für die vom Daten-Agenten verarbeiteten Abfragen 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, andernfalls erhalten Sie die folgende Fehlermeldung:

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 Abfragenutzung pro Tag des Projekts verwendet. Das Kontingent für die Nutzung pro Tag ist unbegrenzt, sofern Sie kein benutzerdefiniertes Kontingent angegeben haben.

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

Vorschau des KI-Agenten ansehen und veröffentlichen

1. Geben Sie im Abschnitt Vorschau eine Beispielfrage in das Feld Frage stellen ein und drücken Sie die Eingabetaste. Prüfen Sie, ob der KI-Daten-Agent die erwarteten Daten zurückgibt, indem Sie die Antwort des KI-Agenten prüfen. Wenn die Antwort nicht Ihren Erwartungen entspricht, ändern Sie die Einstellungen im Abschnitt Editor, um die Konfiguration des KI-Datenagenten zu verfeinern, 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 KI-Daten-Agenten in den Entwurfsmodus versetzen möchten, damit Sie ihn später bearbeiten können, klicken Sie auf Zurück, um zur Seite Agentenkatalog zurückzukehren. Da sich Ihr KI-Agent jetzt im Entwurfsmodus befindet, wird er im Abschnitt Meine KI-Agentenentwürfe auf dem Tab KI-Agentenkatalog angezeigt.

   Wenn Sie Ihren KI-Agenten veröffentlichen möchten, bleiben Sie auf der Seite zum Erstellen von KI-Agenten und fahren Sie mit dem nächsten Schritt fort.

4. Klicken Sie auf Veröffentlichen, um den Bereich Veröffentlichungskanäle zu öffnen und den KI-Datenagenten zu veröffentlichen, damit er im Projekt verwendet werden kann.

5. Optional: Klicken Sie im Dialogfeld Ihr KI-Agent wurde veröffentlicht auf Teilen, um den KI-Datenagenten 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 Daten-Agent zu chatten.
      • Gemini Data Analytics Data Agent Editor (roles/geminidataanalytics.dataAgentEditor): Gewährt die Berechtigung zum Bearbeiten des Daten-Agents.
      • Gemini Data Analytics Data Agent Viewer (roles/geminidataanalytics.dataAgentViewer): Gewährt die Berechtigung zum Aufrufen des Daten-Agents.

6. Klicken Sie auf Speichern.

7. Klicken Sie auf Schließen, um zur Seite für den neuen Agenten zurückzukehren. Unmittelbar nach dem Speichern oder Veröffentlichen Ihres KI-Agenten wird er im Agentenkatalog angezeigt.

Sie können Unterhaltungen mit dem Daten-Agenten über BigQuery Studio oder Data Studio erstellen. Sie können auch eine eigene Benutzeroberfläche erstellen, um über die Conversational Analytics API mit dem KI-Datenagenten zu chatten. Informationen zum Veröffentlichen in Data Studio finden Sie unter KI-Datenagenten in Data Studio veröffentlichen. Informationen zum Veröffentlichen in Gemini Enterprise finden Sie unter KI-Datenagenten in Gemini Enterprise veröffentlichen.

Daten-Agenten verwalten

Vorhandene KI-Agenten finden Sie auf dem Tab Agentenkatalog, der aus drei Abschnitten besteht:

• Meine Agenten: Eine Liste aller Agenten, die Sie erstellen und veröffentlichen. Sie können veröffentlichte KI-Agenten ändern und für andere freigeben.
• Meine Agentenentwürfe: KI-Agenten, die Sie noch nicht veröffentlicht haben. Entwürfe von KI-Agenten können nicht geteilt werden.
• Von anderen Personen in Ihrer Organisation freigegeben: Agenten, die von anderen erstellt und für Sie freigegeben wurden. Wenn andere Ihnen Berechtigungen gewähren, können Sie diese freigegebenen Agenten bearbeiten.

KI-Datenagenten bearbeiten

So bearbeiten Sie einen KI-Datenagenten:

1. Rufen Sie die BigQuery-Seite Agenten auf.

   Zu „Agenten“

2. Wählen Sie den Tab Agentenkatalog aus.

3. Suchen Sie die Agentenkarte des KI-Datenagenten, den Sie ändern möchten.

4. Wenn Sie den KI-Datenagenten im Agent-Editor öffnen möchten, klicken Sie auf Aktionen öffnen > Bearbeiten auf der Agentenkarte.

5. Bearbeiten Sie die Konfiguration des KI-Datenagenten nach Bedarf.

6. Wenn Sie die 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 freigeben oder auf Abbrechen klicken.

8. Klicken Sie auf Zurück, um zum Bereich Agenten zurückzukehren.

   

KI-Datenagenten freigeben

So geben Sie einen veröffentlichten KI-Datenagenten frei: Entwurfs-KI-Agenten können nicht freigegeben werden.

1. Rufen Sie die BigQuery-Seite Agenten auf.

   Zu „Agenten“

2. Wählen Sie den Tab Agentenkatalog aus.

3. Suchen Sie die Agentenkarte des KI-Datenagenten, den Sie ändern möchten.

4. Wenn Sie den KI-Datenagenten im Agent-Editor öffnen möchten, klicken Sie auf Aktionen öffnen > Bearbeiten auf der Agentenkarte.

5. Wenn Sie den KI-Datenagenten für andere Nutzer freigeben 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): Berechtigung zum Chatten mit dem Daten-Agent.
   • Gemini Data Analytics Data Agent Editor (roles/geminidataanalytics.dataAgentEditor): Berechtigung zum Bearbeiten des Daten-KI-Agenten.
   • Gemini Data Analytics Data Agent Viewer (roles/geminidataanalytics.dataAgentViewer): Berechtigung zum Ansehen des Daten-KI-Agenten.

10. Klicken Sie auf Speichern.

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

12. Klicken Sie auf Zurück, um zum Bereich Agenten zurückzukehren.

    

KI-Datenagenten löschen

1. Rufen Sie die BigQuery-Seite Agenten auf.

   Zu „Agenten“

2. Wählen Sie den Tab Agentenkatalog aus.

3. Suchen Sie auf dem Tab Agentenkatalog im Bereich Meine Agenten oder Meine Agentenentwürfe nach der Agentenkarte des KI-Datenagenten, den Sie löschen möchten.

4. Klicken Sie auf Aktionen öffnen > Löschen.

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

KI-Daten-Agenten in Data Studio veröffentlichen

Wenn Sie Ihren KI-Agenten veröffentlichen und für Data Studio-Nutzer freigeben, wird er automatisch auf der Seite Mit Ihren Daten chatten in Data Studio angezeigt, damit diese Nutzer mit ihm chatten können.

Agent erstellen und in Data Studio veröffentlichen

Als Datenanalyst können Sie mit den folgenden Schritten einen Agenten erstellen, bearbeiten und in Data Studio veröffentlichen:

1. Erstellen oder bearbeiten Sie Ihren KI-Datenagenten in BigQuery.
2. Veröffentlichen Sie den KI-Agenten. Wählen Sie beim Veröffentlichen des KI-Agenten Data Studio als Veröffentlichungsoption aus.
3. Folgen Sie der Anleitung zum Freigeben des Agents und weisen Sie Ihren Data Studio-Nutzern die entsprechenden Identity and Access Management-Rollen zu.

KI-Agenten für Data Studio-Nutzer freigeben

Sie können KI-Agenten direkt mit Data Studio-Nutzern teilen, indem Sie einen Link kopieren, über den eine Unterhaltung mit dem KI-Agenten in Data Studio geöffnet wird. Alternativ können Sie eine E‑Mail senden, um den Nutzer darüber zu informieren, dass er Zugriff auf einen KI-Agenten hat.

Wenn Sie einen direkten Link zum KI-Agenten teilen möchten, können Sie die zugehörige URL auf folgende Weise kopieren:

• Über den Agentenkatalog: Wählen Sie Aktionen öffnen > Link kopieren > Data Studio aus.
• In der Detailansicht des KI-Agenten: Wählen Sie Link zum KI-Agenten kopieren > Data Studio aus.
• Wählen Sie im Dreipunkt-Menü Teilen die Option Link zum KI-Agenten in Data Studio kopieren aus.
• Klicken Sie im Bereich Freigabeberechtigungen auf Speichern und wählen Sie dann Link kopieren aus.

Wenn Sie eine E‑Mail-Benachrichtigung senden möchten, um Empfänger über ihren Zugriff auf einen KI-Agenten zu informieren, wählen Sie im Bereich Berechtigungen freigeben die Option E‑Mail senden aus. E‑Mail-Benachrichtigungen werden nur an die Nutzer oder Gruppen gesendet, für die Sie den KI-Agenten in dieser Bearbeitungssitzung freigegeben haben. Alle Mitglieder einer Gruppe erhalten die E-Mail-Benachrichtigung, auch wenn ein bestimmter Nutzer bereits eine Berechtigung auf Agentenebene für den Agenten hat. Die E-Mail enthält den Namen des Nutzers, der den KI-Agenten freigegeben hat, den Namen des KI-Agenten und einen Link, über den der KI-Agent in Data Studio geöffnet werden kann.

Hinweis: Wenn Sie eine E‑Mail an eine Google-Gruppe senden, für die die Einstellung Wer darf posten? auf Nur Gruppenmitglieder festgelegt ist, muss ein Gruppeninhaber oder ‑manager die Einstellungen der Gruppe auf Gesamte Organisation aktualisieren, damit die Zustellung möglich ist.

KI-Datenagenten in Gemini Enterprise veröffentlichen

Sie können einen BigQuery-Daten-Agenten in Gemini Enterprise veröffentlichen, damit geschäftliche Nutzer Daten direkt in Gemini Enterprise mit natürlicher Sprache abfragen und analysieren können. Dieser Prozess umfasst in der Regel die Zusammenarbeit zwischen Datenanalysten, Gemini Enterprise-Administratoren und geschäftlichen Nutzern. Weitere Informationen zu den für diese Nutzer erforderlichen Rollen finden Sie unter Erforderliche Rollen.

So veröffentlichen Sie einen Daten-Agenten in Gemini Enterprise:

1. Voraussetzungen ansehen
2. Erstellen und veröffentlichen Sie den KI-Datenagenten in BigQuery.
3. Stellen Sie den Agenten in Gemini Enterprise bereit.
4. Entdecken Sie den KI-Agenten und chatten Sie mit ihm.

Voraussetzungen ansehen

Die empfohlene Methode zum Veröffentlichen von BigQuery-Agenten für konversationelle Analysen ist die Verwendung der Agent Registry. Folgen Sie den Voraussetzungen in diesem Abschnitt, damit der Agent in Gemini Enterprise auffindbar ist.

Alternativ können Sie den KI-Agenten mithilfe der A2A-Karte im JSON-Format veröffentlichen. Wenn Sie diese Methode verwenden, lesen Sie den Abschnitt KI-Datenagenten in BigQuery erstellen und veröffentlichen.

Wenn Sie die Agent Registry verwenden möchten, müssen Sie zuerst das Agent Gateway mit der entsprechenden Regionszuordnung konfigurieren. Die Speicherregion für den BigQuery-Daten-Agenten und die Agent Gateway-Registry-Bindung in Gemini Enterprise müssen übereinstimmen.

Sie konfigurieren die Speicherregion für den Agenten im Abschnitt Region des Agenten-Editors in der BigQuery-Web-UI. Sie können die Region nicht mehr ändern, nachdem der KI-Agent gespeichert wurde.

Die folgende Abbildung zeigt die verfügbaren Regionsoptionen in Agent Gateway:

Als Gemini Enterprise-Administrator können Sie ein Agent Gateway für Ihre Gemini Enterprise-Anwendung konfigurieren. Gehen Sie dazu so vor:

1. Richten Sie ein Agent Gateway ein, das die Agent Registry-Bindung enthält, die der Region Ihres Daten-Agents entspricht. Zu den Optionen gehören USA, EU und Global.
2. Öffnen Sie in Gemini Enterprise Ihre Anwendung, rufen Sie Sicherheit > Konfiguration auf und geben Sie dann den Namen der Gateway-Ressource im Abschnitt Konfiguration des KI-Agenten-Gateways ein. Eine ausführliche Anleitung finden Sie unter Gemini Enterprise-Traffic über Agent Gateway weiterleiten.

KI-Datenagenten in BigQuery erstellen und veröffentlichen

Als Datenanalyst erstellen, konfigurieren und veröffentlichen Sie einen KI-Agenten in BigQuery. Gehen Sie dazu so vor:

1. Erstellen oder bearbeiten Sie Ihren KI-Datenagenten in BigQuery.
2. Prüfen Sie im Abschnitt Region, ob die Speicherregion mit Ihren Datenquellen und Ihrer Agent Gateway-Konfiguration übereinstimmt. Zu den Optionen gehören USA, EU oder Global.
3. Klicken Sie auf Veröffentlichen oder auf Aktualisierungen veröffentlichen, wenn der Agent bereits veröffentlicht wurde.
4. Wählen Sie im Bereich Veröffentlichungskanäle unter Zusätzliche Kanäle die Veröffentlichungsmethode aus:
   • Wenn sich BigQuery und Gemini Enterprise im selben Projekt befinden, wählen Sie im Abschnitt Agent Registry das Kästchen Diesen Agenten registrieren aus.
     • Wenn Sie den KI-Agenten aus der Registry entfernen möchten, klicken Sie auf Registrierung aufheben.
   • Wenn sich BigQuery und Gemini Enterprise in verschiedenen Projekten befinden, klicken Sie im Abschnitt Über A2A (Agent2Agent) integrieren auf JSON kopieren, um die JSON-Daten des A2A-Endpunkts zu kopieren. Geben Sie die JSON-Daten dann an Ihren Gemini Enterprise-Administrator weiter. Diese JSON-Daten werden verwendet, wenn Sie den Agenten im Abschnitt „Gemini Enterprise“ bereitstellen.
5. Klicken Sie auf Veröffentlichen oder Aktualisierungen veröffentlichen.
6. Teilen Sie den Agent mit den Nutzern und Gruppen, die Zugriff benötigen, und weisen Sie ihnen die Rolle „Gemini Data Analytics Data Agent User“ (roles/geminidataanalytics.dataAgentUser) zu.

Agenten in Gemini Enterprise bereitstellen

Als Gemini Enterprise-Administrator können Sie den Daten-Agenten mit einer der folgenden Methoden für Nutzer in Ihrer Anwendung verfügbar machen:

Option 1: Aus Agent Registry importieren

So importieren Sie den registrierten Agenten:

1. Wenn sich Gemini Enterprise in einem anderen Projekt als das BigQuery-Projekt befindet, führen Sie die folgenden Schritte aus, um den Agent manuell in der Agent Registry zu registrieren. Andernfalls überspringen Sie diesen Schritt:
   1. Rufen Sie in der Google Cloud Console die Agent-Registry im selben Projekt wie Gemini Enterprise auf, wählen Sie den Tab Agents aus und klicken Sie dann auf Agent hinzufügen.
   2. Wählen Sie im Bereich Agentendetails für Typ die Option A2A aus.
   3. Wählen Sie unter Region die Region aus, die Ihrer Konfiguration für den KI-Datenagenten und das Agent Gateway entspricht.
   4. Wählen Sie JSON einfügen aus, fügen Sie die JSON-Daten des A2A-Endpunkts aus BigQuery ein und klicken Sie dann auf Speichern.
2. Klicken Sie in Gemini Enterprise auf den Namen der App, der Sie den Agenten hinzufügen möchten.
3. Klicken Sie im Navigationsmenü auf Agenten > Agent hinzufügen.
4. Suchen Sie im Bereich Agenttyp auswählen nach Agenten aus der Agent Registry und klicken Sie auf Hinzufügen.
5. Suchen Sie im Bereich Agent hinzufügen nach dem Agenten, indem Sie den Namen, die Agent Registry-ID, den Typ, den Ersteller oder den Anwendungsfall eingeben, oder suchen Sie die Agentenkarte in der Liste.
6. Klicken Sie auf der Karte des KI-Agenten auf KI-Agent hinzufügen.
7. Prüfen Sie im Schritt Agentendetails prüfen die Agentenmetadaten, die aus der A2A-Karte des Agenten übernommen wurden, einschließlich Name, Beschreibung, Agenten-URL, Funktionen und Skills. Klicken Sie dann auf Weiter.
8. Wählen Sie im Schritt Agent authentifizieren aus, wie sich Gemini Enterprise beim Agent-Anbieter authentifiziert:
   • Von Google verwaltete Standardanmeldedaten: Google verwaltet die OAuth-Anmeldedaten automatisch. Sie müssen Clientanmeldedaten nicht manuell konfigurieren oder eingeben.
   • Benutzerdefiniertes OAuth: Wählen Sie diese Option nur aus, wenn Ihre Organisation benutzerdefinierte OAuth-Clientanmeldedaten benötigt. Geben Sie die Client-ID, den Clientschlüssel, die Autorisierungs-URL und die Token-URL ein.
9. Klicken Sie auf Beenden.
10. Der Agent wird in der Agententabelle mit dem Status Aktiviert und dem Agententyp A2A (Benutzerdefiniert) angezeigt.
11. Geben Sie den KI-Agenten für die Nutzer oder Gruppen frei, die Zugriff benötigen.

Option 2: Mit JSON-A2A-Karte importieren

Vorschau

Diese Funktion unterliegt den „Bedingungen für Pre-GA-Angebote“ im Abschnitt „Allgemeine Dienstbedingungen“ der dienstspezifischen Nutzungsbedingungen. Pre-GA‑Funktionen stehen in der vorliegenden Form zur Verfügung und bieten möglicherweise nur eingeschränkten Support. Weitere Informationen finden Sie unter den Beschreibungen der Startphase.

Wenn sich BigQuery und Gemini Enterprise in verschiedenen Projekten befinden, gehen Sie so vor, um den Agenten mithilfe der JSON-Datei der A2A-Karte zu importieren:

1. Klicken Sie in Gemini Enterprise auf den Namen der App, der Sie den Agenten hinzufügen möchten.
2. Klicken Sie im Navigationsmenü auf Agenten > Agent hinzufügen.
3. Suchen Sie im Bereich Agenttyp auswählen nach Benutzerdefinierter Agent über A2A und klicken Sie auf Hinzufügen.
4. Geben Sie im Feld JSON-Agentenkarte die JSON-Agentenkarte ein, die Sie vom Datenanalysten erhalten haben.
5. Klicken Sie auf Agentendetails ansehen > Weiter.
6. Wählen Sie im Schritt Agentenautorisierung die Authentifizierungsmethode aus:
   • Von Google verwaltete Standardanmeldedaten: Google verwaltet die OAuth-Anmeldedaten automatisch, ohne dass Sie eine Client-ID und einen Clientschlüssel manuell eingeben oder generieren müssen.
   • Benutzerdefiniertes OAuth: Wählen Sie diese Option aus, wenn Sie benutzerdefinierte OAuth-Anmeldedaten manuell bereitstellen möchten. Folgen Sie dazu der Anleitung unter A2A-Agenten registrieren und verwalten.
7. Klicken Sie im Schritt Tool-Autorisierungen auf Fertigstellen.
8. Der Agent wird in der Agententabelle mit dem Status Aktiviert und dem Agententyp A2A (benutzerdefiniert) angezeigt.
9. Geben Sie den KI-Agenten für die Nutzer oder Gruppen frei, die Zugriff benötigen.

KI-Agenten finden und verwenden

Sie können einen Daten-Agenten in Gemini Enterprise auf eine der folgenden Arten finden und verwenden:

• Manuelle Suche: Suchen Sie einen KI-Datenagenten in der Agentengalerie und verwenden Sie ihn mit einer der folgenden Methoden:
  • Galerie durchstöbern: Wählen Sie den KI-Agenten aus und starten Sie einen Chat.
  • Direktlink: Verwenden Sie die dedizierte URL des KI-Agenten, um Gemini Enterprise direkt in einer Sitzung mit diesem BigQuery-Daten-Agenten zu öffnen.
  • Gezielte Absicht: Rufen Sie den Agenten im Gemini Enterprise-Hauptchat mit @mention (z. B. @sales_pipeline_agent) auf.
  • Nahtlose Orchestrierung: Stellen Sie eine allgemeine analytische Frage (z. B. „Wie hat sich unsere Vertriebspipeline in den letzten drei Monaten entwickelt?“) und Gemini Enterprise leitet die Anfrage automatisch an den relevanten Daten-Agenten weiter.

Nachdem Sie den Agent gefunden haben, können Sie mit ihm interagieren. Gehen Sie dazu so vor:

• Authentifizieren: Schließen Sie die einmalige OAuth-Anmeldung ab, um sich sicher bei BigQuery zu authentifizieren.
• Chat: Stellen Sie dem KI-Agenten Fragen in natürlicher Sprache. Die Anfragen werden vom Agenten verarbeitet und die Antwort wird als Text, Markdown, Diagramme oder Tabellen an Gemini Enterprise zurückgegeben.
• Unterhaltungsverlauf ansehen: Unterhaltungen werden automatisch im Bereich „Verlauf“ gespeichert.

KI-Agenten und Unterhaltungen überwachen

Vorschau

Diese Funktion unterliegt den „Bedingungen für Pre-GA-Angebote“ im Abschnitt „Allgemeine Dienstbedingungen“ der dienstspezifischen Nutzungsbedingungen. Pre-GA‑Funktionen stehen in der vorliegenden Form zur Verfügung und bieten möglicherweise nur eingeschränkten Support. Weitere Informationen finden Sie unter den Beschreibungen der Startphase.

Hinweis: Wenn Sie Feedback geben oder Support für dieses Feature anfordern möchten, senden Sie eine E-Mail an [e-mail].

Mit Google Cloud Observability in BigQuery können Sie die Leistung, Akzeptanz, Latenz und Kosten Ihrer Daten-Agents und ihrer Unterhaltungen überwachen. Wenn Sie die Beobachtbarkeit von KI-Agenten aktivieren, können Sie Messwerte wie die folgenden aufrufen:

• Die Anzahl der in Unterhaltungen verwendeten Agenten
• Anzahl der Nutzer, die Fragen gestellt haben
• Anzahl der erstellten Unterhaltungen
• Die Agenten, die die meisten Fragen beantwortet haben
• Die am häufigsten verwendeten Wissensquellen
• Nutzer-Engagement
• Voraussichtliche Tokennutzung
• Antwortlatenz pro Stunde

Hinweis

Aktivieren Sie die APIs Cloud Trace, Cloud Monitoring und Cloud Logging, falls sie noch nicht aktiviert sind.

Erforderliche Rollen zum Aktivieren von APIs

Zum Aktivieren von APIs benötigen Sie die Berechtigung serviceusage.services.enable. Wenn Sie das Projekt erstellt haben, haben Sie diese Berechtigung wahrscheinlich bereits über die Inhaberrolle (roles/owner). Andernfalls können Sie diese Berechtigung über die Rolle „Service Usage-Administrator“ (roles/serviceusage.serviceUsageAdmin) erhalten. Informationen zum Zuweisen von Rollen

APIs aktivieren

Erforderliche Rollen und Berechtigungen

Zum Aktivieren der Beobachtbarkeit von KI-Agenten benötigen Sie die folgenden Berechtigungen für Ihr Projekt:

• cloudaicompanion.gibqObservabilitySettings.create
• cloudaicompanion.gibqObservabilitySettings.list
• cloudaicompanion.gibqObservabilitySettings.update
• cloudaicompanion.settingBindings.gibqObservabilitySettingsCreate
• cloudaicompanion.settingBindings.gibqObservabilitySettingsList
• cloudaicompanion.settingBindings.gibqObservabilitySettingsUse
• geminidataanalytics.dataAgents.create
• geminidataanalytics.operations.get
• observability.traceScopes.create
• resourcemanager.projects.update
• serviceusage.services.enable
• serviceusage.values.test

Bitten Sie Ihren Administrator, Ihnen die folgenden IAM-Rollen für Ihr Projekt zuzuweisen, um die Berechtigungen zu erhalten, die Sie zum Überwachen Ihrer Agenten mithilfe von Messwerten, Traces und Logs benötigen:

• Monitoringdaten und -konfigurationen ansehen: Monitoring Viewer (roles/monitoring.viewer)
• Traces ansehen: Cloud Trace User (roles/cloudtrace.user)
• Logs ansehen: Loganzeige (roles/logging.viewer)
• Datasets und deren Inhalte ansehen: BigQuery-Datenbetrachter (roles/bigquery.dataViewer)
• Administratoreinstellungen aufrufen: Gemini for Google Cloud User (roles/cloudaicompanion.user)

Weitere Informationen zum Zuweisen von Rollen finden Sie unter Zugriff auf Projekte, Ordner und Organisationen verwalten.

Sie können die erforderlichen Berechtigungen auch über benutzerdefinierte Rollen oder andere vordefinierte Rollen erhalten.

Beobachtbarkeit aktivieren

Die Beobachtbarkeit von KI-Agenten ist standardmäßig deaktiviert. Ein Administrator kann es für Ihr Projekt oder Ihre Organisation aktivieren. Wählen Sie eine der folgenden Optionen aus, um die Beobachtbarkeit für Ihre Agenten zu aktivieren:

Console

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

   Zu „Agenten“

2. Wählen Sie den Tab Monitoring aus.

3. Wenn die Beobachtbarkeit deaktiviert ist, folgen Sie den Aufforderungen, um sie zu aktivieren.

Google Cloud CLI

1. Erstellen Sie eine Einstellung für die Beobachtbarkeit:

   gcloud gemini gibq-observability-settings create SETTING_NAME \
     --conversational-analytics-setting-metrics-enabled \
     --conversational-analytics-setting-traces-enabled \
     --project=PROJECT_ID \
     --location=global

   Ersetzen Sie Folgendes:

   • SETTING_NAME: Ein Name für die Beobachtbarkeitseinstellung.
   • PROJECT_ID: Ihre Projekt-ID.

2. Binden Sie die Einstellung für die Beobachtbarkeit an Ihr Projekt:

   gcloud gemini gibq-observability-settings setting-bindings create BINDING_NAME \
     --gibq-observability-setting=SETTING_NAME \
     --target=projects/PROJECT_ID \
     --location=global \
     --project=PROJECT_ID

   Ersetzen Sie BINDING_NAME durch einen Namen für die Bindung der Einstellung. Wir empfehlen, binding-PROJECT_ID als Bindungsnamen zu verwenden.

API

1. Erstellen Sie eine Einstellung für die Beobachtbarkeit:

   curl -X POST \
       -H "Authorization: Bearer $(gcloud auth print-access-token)" \
       -H "Content-Type: application/json; charset=utf-8" \
       -d '{
             "conversational_analytics_setting": {
               "metrics_enabled": true
             }
           }' \
       "https://cloudaicompanion.googleapis.com/v1/projects/PROJECT_ID/locations/global/gibqObservabilitySettings?gibq_observability_setting_id=SETTING_NAME"

   Ersetzen Sie Folgendes:

   • SETTING_NAME: Ein Name für die Beobachtbarkeitseinstellung.
   • PROJECT_ID: Ihre Projekt-ID.

2. Binden Sie die Einstellung für die Beobachtbarkeit an Ihr Projekt:

   curl -X POST \
       -H "Authorization: Bearer $(gcloud auth print-access-token)" \
       -H "Content-Type: application/json; charset=utf-8" \
       -d '{
             "target": "projects/PROJECT_ID",
             "product": "GEMINI_IN_BIGQUERY"
           }' \
       "https://cloudaicompanion.googleapis.com/v1/projects/PROJECT_ID/locations/global/gibqObservabilitySettings/SETTING_NAME/settingBindings?setting_binding_id=BINDING_NAME"

   Ersetzen Sie BINDING_NAME durch einen Namen für die Bindung der Einstellung. Wir empfehlen, binding-PROJECT_ID als Bindungsnamen zu verwenden.

Messwerte aufrufen

Messwerte werden erfasst, nachdem Sie die Beobachtbarkeit aktiviert haben. Daten werden nicht per Backfill übertragen. Wählen Sie eine der folgenden Optionen aus, um Agent-Messwerte aufzurufen:

BigQuery

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

   Zu „Agenten“

2. Wählen Sie den Tab Monitoring aus.

Cloud Monitoring

1. Rufen Sie in der Google Cloud Console die Seite Dashboards von Cloud Monitoring auf.

   Dashboards aufrufen

2. Suchen Sie im Bereich Meine Dashboards nach dem Dashboard mit dem Namen BigQuery Conversational Analytics.

3. Klicken Sie auf den Namen des Dashboards, um es zu öffnen.

4. Optional: Erstellen Sie ein benutzerdefiniertes Dashboard.

5. Optional: Wenn Sie sich Messwerte einzeln ansehen möchten, rufen Sie die Seite Metrics Explorer auf.

   Zu Metrics Explorer

   Zu den Agent-Messwerten gehören Agent-Nutzung, Modellaufrufe, Toolnutzung, Zustand, Latenz und Tokennutzung.

Modellaufrufe debuggen

Sie können die Abfolge der Vorgänge innerhalb einer Unterhaltungsrunde visualisieren, z. B. Modellaufrufe und Toolaufrufe, um Fehler und Latenz zu beheben.

1. Rufen Sie in der Google Cloud Console die Cloud Monitoring-Seite Trace Explorer auf.

   Zum Trace Explorer

2. Klicken Sie auf einen Span, um ihn zu untersuchen.

3. Sehen Sie sich die Informationen im Bereich Details an.

4. Optional: Erstellen Sie ein benutzerdefiniertes Trace-Dashboard.

Traces beibehalten

Ihre Cloud Trace-Daten werden 30 Tage lang in einem Beobachtbarkeits-Dataset gespeichert. Wenn Sie Ihre Trace-Daten länger speichern möchten, verschieben Sie sie in ein BigQuery-Dataset.

Erforderliche Rollen

Bitten Sie Ihren Administrator, Ihnen die folgenden IAM-Rollen für Ihr Projekt zuzuweisen, um die Berechtigungen zu erhalten, die Sie zum Offenlegen von Live-Traces für BigQuery durch Erstellen eines verknüpften Datasets benötigen:

• Cloud Trace-Administrator (roles/cloudtrace.admin)
• Observability Editor (roles/observability.editor)
• BigQuery User (roles/bigquery.user)

Weitere Informationen zum Zuweisen von Rollen finden Sie unter Zugriff auf Projekte, Ordner und Organisationen verwalten.

Sie können die erforderlichen Berechtigungen auch über benutzerdefinierte Rollen oder andere vordefinierte Rollen erhalten.

Trace-Daten nach BigQuery verschieben

So bewahren Sie Ihre Trace-Daten auf:

1. Öffnen Sie Cloud Shell.

2. Suchen Sie den Standort Ihres _Trace-Buckets:

   gcloud beta observability buckets list --location=-

   Notieren Sie sich den Speicherort des Buckets _Trace für den nächsten Schritt.

3. Erstellen Sie in Ihrem BigQuery-Projekt ein verknüpftes Dataset, das auf Ihren _Trace-Bucket verweist:

   gcloud beta observability buckets datasets links create \
       projects/PROJECT_ID/locations/LOCATION/buckets/_Trace/datasets/Spans/links/LINK_NAME \
       --dataset=Spans \
       --bucket=_Trace \
       --location=LOCATION \
       --project=PROJECT_ID

   Ersetzen Sie Folgendes:

   • PROJECT_ID: Ihre Projekt-ID.
   • LOCATION: der Speicherort Ihres _Trace-Buckets aus dem vorherigen Schritt
   • LINK_NAME: ein Name für das verknüpfte Dataset

4. Erstellen Sie ein Standard-Dataset, in dem Sie Ihre historischen Traces speichern können. Mit dem folgenden Befehl wird der Standardablauf für Partitionen auf 90 Tage (7.776.000 Sekunden) festgelegt:

   bq --location=LOCATION mk \
       --dataset \
       --default_partition_expiration=7776000 \
       --description="Archive storage for historical traces" \
       PROJECT_ID:STORAGE_DATASET

   Ersetzen Sie STORAGE_DATASET durch einen Namen für das Dataset.

5. Erstellen Sie in Ihrem Speicher-Dataset eine leere partitionierte Tabelle mit demselben Schema wie das verknüpfte Dataset. Durch die Partitionierung nach Datum können Sie die Datenaufbewahrung und die Abfragekosten verwalten. Führen Sie die folgende Abfrage im SQL-Editor aus, um die Tabelle zu erstellen:

   CREATE TABLE `PROJECT_ID.STORAGE_DATASET.TABLE_NAME`
   PARTITION BY DATE(start_time)
   AS
   SELECT *
   FROM `PROJECT_ID.LINK_NAME._AllSpans`
   WHERE FALSE;

   Ersetzen Sie TABLE_NAME durch einen Namen für die Tabelle.

6. Erstellen Sie eine geplante Abfrage, um täglich Trace-Daten aus dem verknüpften Dataset in Ihre Archivtabelle zu kopieren. Mit der folgenden Abfrage werden Daten vom Vortag kopiert:

   INSERT INTO `PROJECT_ID.STORAGE_DATASET.TABLE_NAME`
   SELECT *
   FROM `PROJECT_ID.LINK_NAME._AllSpans`
   WHERE start_time >=
     TIMESTAMP_SUB(TIMESTAMP_TRUNC(CURRENT_TIMESTAMP(), DAY), INTERVAL 1 DAY)
     AND start_time < TIMESTAMP_TRUNC(CURRENT_TIMESTAMP(), DAY);

Weitere Informationen finden Sie unter Traces finden und ansehen.

Beobachtbarkeit deaktivieren

Wenn Sie die Beobachtbarkeit für Ihre Daten-Agents deaktivieren möchten, aktualisieren Sie die Einstellung für die Beobachtbarkeit:

gcloud gemini gibq-observability-settings update SETTING_NAME \
    --no-conversational-analytics-setting-metrics-enabled \
    --no-conversational-analytics-setting-traces-enabled \
    --project=PROJECT_ID \
    --location=global

Ersetzen Sie Folgendes:

• SETTING_NAME: Der Name der Beobachtbarkeitseinstellung, die Sie erstellt haben, um die Beobachtbarkeit zu aktivieren. Wenn Sie die Beobachtbarkeit über die Google Cloud Console aktiviert haben, lautet der Name der Einstellung default.
• PROJECT_ID: Ihre Projekt-ID.

Unterhaltungsprotokolle in BigQuery analysieren

Zusätzlich zu den Beobachtbarkeitsmesswerten auf Projektebene in Cloud Monitoring und den Spans in Cloud Trace können Sie in BigQuery Studio das Unterhaltungs-Logging pro Agent aktivieren, um jede Unterhaltungsrunde – einschließlich der Frage des Nutzers, der Antwort des KI-Agenten, der Latenz und der Nutzung von Modell-Tokens – in eine BigQuery-Tabelle im Projekt Ihres KI-Agenten zu schreiben. Anschließend können Sie die protokollierten Ereignisse mit GoogleSQL, interaktiven Colab-Notebooks oder dem Python SDK für BigQuery Agent Analytics abfragen und auswerten. Weitere Informationen finden Sie unter Übersicht über das Unterhaltungs-Logging.

Nächste Schritte

• Weitere Informationen zu konversationellen Analysen in BigQuery
• Weitere Informationen zur Conversational Analytics API
• Daten mithilfe von Unterhaltungen analysieren
• Weitere Informationen dazu, wie die Rolle Gemini Data Analytics Data Agent Viewer (roles/geminidataanalytics.dataAgentViewer) die Berechtigung zum Aufrufen des Daten-Agents gewährt.