Datenprodukte mit Agenten-Skills erstellen

Übersicht

In diesem Leitfaden wird beschrieben, wie Sie spezielle Cortex Framework-Agenten-Skills verwenden, die direkt von Cortex Framework im GitHub-Repository bereitgestellt werden, um mit einem KI-Programmierassistenten (z. B. Gemini in Kombination mit dem Antigravity-Framework für die agentische Entwicklung) benutzerdefinierte Datenprodukte zu erstellen, die den Best Practices von Cortex Framework entsprechen.

Cortex Framework bietet spezielle Agenten-Skills, um seine Funktionen zu erweitern. So kann Ihr KI-Assistent Sie durch den Prozess der Erstellung von Datenprodukten führen, die den Best Practices von Cortex Framework entsprechen. Mit diesen Funktionen können Sie in natürlicher Sprache ein neues Datenprodukt basierend auf bestimmten Geschäftsanforderungen anfordern. Sie können beispielsweise ein Datenprodukt für die Kreditorenbuchhaltung anfordern, um Einblicke in die Gesamtfälligkeit, überfällige Beträge und den Umsatz zu erhalten. Das Ergebnis ist ein vollständig integriertes Cortex Framework-Datenprodukt, das auf Grundlage Ihrer kundenspezifischen Anforderungen und Daten erstellt wurde und zur Ausführung bereit ist.

Agenten-Skills

Agenten-Skills sind ein leichtgewichtiges, offenes Format, um die Funktionen von KI-Agenten mit spezialisiertem Wissen und Workflows zu erweitern. Im Grunde ist ein Skill ein Ordner mit einer SKILL.md-Datei (die Metadaten und Anweisungen enthält) sowie optionalen Skripts, Referenzen und Assets, die einen Agenten anweisen, wie er eine bestimmte Aufgabe ausführen soll. Skills packen prozedurales Wissen und Kontext in portable Ordner, die von Agenten bei Bedarf geladen werden, und bieten so Fachwissen und wiederholbare Workflows. Cortex Framework-Skills werden im .agent Verzeichnis gespeichert.

Cortex Framework-Agenten-Skills

Der agentische Datenprodukt-Builder automatisiert den gesamten Entwicklungszyklus von Datenprodukten in Cortex Framework. Wenn Sie Ihren KI-Assistenten anweisen, strukturierte Entwicklungsworkflows auszuführen, müssen Sie keine Dateistrukturen mehr manuell erstellen, durch komplexe SAP-Schemas navigieren, Foundation-Ebenen konfigurieren, benutzerdefinierte Namespaces verwalten und Boilerplate-Dataform-SQLX-Code schreiben.

Der KI-Assistent verwaltet die folgenden Kernaufgaben:

  • Planung und Anforderungszuordnung: Übersetzt konkrete Geschäftsanforderungen in einen umsetzbaren Plan für die Datenmodellierung und -entwicklung.
  • Live-Schema-Suche: Führt Skripts aus, die replizierte SAP-Datenwörterbuchtabellen (DDIC) abfragen, um kundenspezifische Kontextinformationen wie benutzerdefinierte Z-Felder bereitzustellen.
  • Boilerplate-Scaffolding: Generiert automatisch alle erforderlichen Konfigurationsdateien, Metadaten und SQLX- oder JavaScript-Code-Artefakte.
  • Datenqualitätsgates: Validiert Datenprodukte durch Ausführen lokaler Builds, Kompilieren von SQL-Code, Ausführen von Unit- und Integrationstests und Überprüfen der Einhaltung von Namensstandards.
  • Dokumentationserstellung: Erstellt automatisch Dokumentations-Assets, einschließlich der Visualisierung der Entity-Relationship-Diagramme (ER) und Primärschlüssel Ihres Datenproduktmoduls.

Die Entwicklung von Datenprodukten mit diesen agentischen Skills ist ein iterativer Prozess. Sie können mit Ihren ursprünglichen Zielen beginnen, den vom Agenten vorgeschlagenen Implementierungsplan einschließlich ER-Diagrammen und Schemas überprüfen und den KI-Assistenten bitten, die Logik im Laufe der Zeit zu verfeinern. Während der Agent die Entwicklung beschleunigt, behalten Sie die volle Kontrolle, um den gesamten generierten Code zu überprüfen und zu genehmigen, bevor Sie ihn in Ihr Repository übernehmen. Da diese agentischen Skripts lokal mit Ihren authentifizierten Anmeldedaten ausgeführt werden, werden Ihre bestehenden Google Cloud- und BigQuery-Zugriffslimits berücksichtigt.

Vorbereitung

Bevor Sie die agentischen Skills verwenden, prüfen Sie, ob Ihre Entwicklungsumgebung die folgenden Anforderungen erfüllt, um Live-Schema-Abfragen, Datenkompilierung und automatisierte Validierung zu ermöglichen:

  1. Google Cloud SDK (gcloud): Installieren und authentifizieren Sie die (gcloud) CLI mit Ihrem Nutzerkonto. Weitere Informationen finden Sie in der Bereitstellungsdokumentation.

  2. Standardanmeldedaten für Anwendungen (Application Default Credentials, ADC): Konfigurieren Sie Ihre lokalen ADC- und Projektziele, damit lokale Kompilierungstools und Pytest-Suites mit BigQuery kommunizieren können. Weitere Informationen finden Sie unter Standard Google Cloud projekt vorbereiten.

  3. Replizierte SAP-Datenwörterbuchtabellen (DDIC): Damit der Agent nicht zwischen Groß- und Kleinschreibung unterscheidet und Feldlängen genau überprüfen kann, replizieren Sie die folgenden SAP-Metadatentabellen in Ihrem BigQuery-Rohdatenziel-Dataset:

    • DD03L (Tabellenfelder)
    • DD04T (Texte zu Datenelementen)
    • DD08L (Tabellenbeziehungen)
    • DD01L (Domains)
    • DD07L (Domainwerte – optional)
    • DD07T (Texte zu Domainwerten – optional)

  4. Lokale Python-Umgebung: Installieren Sie lokale Abhängigkeiten und führen Sie das Synchronisierungstool mit uv aus, um sicherzustellen, dass Validierungsbibliotheken und Unit-Tests ordnungsgemäß funktionieren. Weitere Informationen finden Sie in der Dokumentation.

Einrichtung und IDE-Konfiguration

Bevor Sie beginnen, lesen Sie die Dokumentation Ihres bevorzugten KI-Programmierassistenten für Installations- und Einrichtungsanweisungen (z. B. Antigravity).

  1. Erfassen Sie die erforderlichen Installationsartefakte und klonen Sie das Repository. Weitere Informationen finden Sie unter Installationsartefakte.

  2. Öffnen Sie den geklonten Google Cloud Cortex Framework-Quellcode in Ihrem ausgewählten KI-Programmierassistenten.

Google Cloud Cortex Framework stellt seine agentischen Funktionen über eine Reihe spezieller Skills bereit, die sich im Verzeichnis .agents/skills/ des Repositorys befinden. Sie können diese Skills in mehreren Entwicklungsumgebungen verwenden:

  • Antigravity-Framework: Antigravity erkennt, indexiert und aktiviert beim Start automatisch alle Arbeitsbereichs-Skills. Hierfür ist keine zusätzliche Konfiguration erforderlich. Fragen Sie den Assistenten, um dies zu überprüfen:

    Welche Skills sind verfügbar?

  • VSCode mit Gemini Code Assist:

    1. Installieren Sie die Gemini Code Assist-Erweiterung aus dem VS Code Marketplace.
    2. Öffnen Sie den Ordner cortex-framework-core als Arbeitsbereich. Der Assistent scannt und lädt die Skills automatisch aus dem Verzeichnis .agents/skills/.

  • Andere KI-CLI-Tools: Verweisen Sie in Ihren Anweisungsprompts nativ auf das Skills-Verzeichnis. Beispiel:

    Lesen Sie den Skill „create-data-product“ im Verzeichnis „.agents/skills/“ und erstellen Sie ein Scaffold...

Benutzerdefiniertes Datenprodukt erstellen

In den folgenden Schritten wird der strukturierte Entwicklerworkflow für die Verwendung von agentischen Skills zum Erstellen eines benutzerdefinierten Datenprodukts beschrieben.

Schritt 1: Anforderungen und Kontext angeben

Geben Sie über die Chat-Oberfläche Ihres KI-Programmierassistenten einen Prompt ein, in dem Sie Ihre spezifischen Datenanforderungen beschreiben. Beispiel:

Erstellen Sie ein Cortex Framework-Datenprodukt für Einblicke in die Kreditorenbuchhaltung, das auf SAP S/4HANA und ECC ausgerichtet ist. Verwenden Sie den Namespace: custom_finance. Die wichtigste Geschäftsanforderung ist, die Gesamtfälligkeit und überfällige Beträge für alle unsere Lieferanten zu verfolgen und die Umsatzrate der Kreditorenbuchhaltung nach Buchungseinheit zu berechnen.

Sie können in Ihrem Prompt auch direkt auf vorhandene Anforderungen oder Spezifikationsdokumente verweisen. Diese Dokumente (die im Markdown-Format oder in anderen strukturierten Formaten vorliegen können) liefern dem Agenten wichtige Kontextinformationen, z. B.:

  • Geschäftskontext und ‑domain: Detaillierte Ziele, User-Storys und Zielgruppen.
  • Spezifikationen für Eingabedaten: Liste der Quelltabellen (z.B. LFA1, BSIK, BSEG, Z...), Versionsdetails (ECC im Vergleich zu S/4HANA), Ausschlussregeln, benutzerdefinierte Felder und mehr.
  • Transformationslogik und Geschäftsregeln: Wichtige Zuordnungsbeschränkungen, Clientfilterung (mandt), Soft Deletes (loekz), Verarbeitung von Zuordnungen für die Zahlungsblockierungsanzeige (zlspr) und Abstimmungsregeln (z. B. Ausschluss von Lieferantentransaktionen zwischen Unternehmen, um verzerrte Umsatzraten zu vermeiden).
  • Datenintegrität und Testassertions: Überprüfungsszenarien (z. B. Überprüfen der Eindeutigkeit der Granularität und Sicherstellen, dass die Summe der offenen Rechnungsbeträge in der endgültigen Ausgabe genau mit den Rohquelltabellen übereinstimmt).

Schritt 2: Implementierungsplan überprüfen

Nachdem Sie die Anforderungen beschrieben haben, verwendet der Agent mehrere Skills, z. B. den Skill query-sap-ddic, um Ihre BigQuery-Rohdaten-DDIC-Metadatentabellen abzufragen. So kann der Agent die erforderlichen Quelltabellen identifizieren und validieren und sicherstellen, dass Feldtypen und Beziehungen korrekt sind. Der Agent kann auch andere Skills aufrufen, um sicherzustellen, dass Ihre Anforderungen perfekt mit den Best Practices von Cortex Framework übereinstimmen.

Vor Beginn der Implementierung stellt der Agent einen kurzen Implementierungsplan zur Überprüfung bereit. Dieser Plan enthält die identifizierten Quelltabellen, Zuordnungen und die vorgeschlagene Architektur des Datenprodukts. Überprüfen Sie diesen Plan und fordern Sie gegebenenfalls Anpassungen an, bevor Sie ihn bestätigen.

Schritt 3: Datenprodukt generieren

Nachdem Sie den Implementierungsplan bestätigt haben, verwendet der Agent den Skill create-data-product, um die Verzeichnisstruktur zu erstellen. So werden Ihre neuen benutzerdefinierten Entwicklungen unter Ihrem ausgewählten benutzerdefinierten Namespace von den Updates der Kernplattform isoliert:

src/data_modules/<custom_namespace>/products/<dataproductname>/
├── manifest.yaml
├── table_settings.default.yaml
├── README.md
├── definitions/
│   └── [ecc|s4]/
│       └── <product_name>.js
└── annotations/
    └── [ecc|s4]/
        └── <product_name>.yaml

Weitere Informationen zur Ordnerstruktur und zu den einzelnen Dateien finden Sie in der Dokumentation zum Erweiterbarkeitsleitfaden.

In dieser Phase können Sie den Agenten auch bitten, die Beziehungen automatisch mit dem Skill „generate-er-diagram“ zu visualisieren oder mit dem Skill „create-python-tests“ Assertions zu erstellen.

Schritt 4: Qualitätsgates ausführen und Daten überprüfen

Je nach den gewährten Berechtigungen führt der Agent die folgenden obligatorischen Validierungs-Gates automatisch aus oder fordert Sie auf, sie auszuführen. Während dieses Prozesses generiert der Agent detaillierte Statusberichte, damit Sie die Ergebnisse überprüfen können:

  1. Build-Validierung: Führt uv run cortex-build --config config/config.yaml aus, um sicherzustellen, dass alle generierten SQL-Modelle erfolgreich kompiliert werden, und erstellt eine Build-Zusammenfassung.
  2. Pytest-Ausführung: Führt die gesamte Suite von Python-Unit-Tests aus und gibt einen Testausführungsbericht aus, in dem Ihre Kern-Geschäftslogik und Assertions überprüft werden.
  3. Linter und Audits: Nutzt den Skill validate-data-product, um strenge Feldparitätsprüfungen durchzuführen und die Einhaltung der Namenskonventionen zu überprüfen. Abschließend wird ein detaillierter Bereitschaftsbericht erstellt.

Schritt 5: Bereitstellen und ausführen

Nachdem Sie die Validierungsberichte überprüft und den generierten Code genehmigt haben, können Sie Ihre Datenprodukt-Assets bereitstellen.

  • Assets bereitstellen: Übertragen Sie die kompilierten Datenproduktdefinitionen in Ihren konfigurierten Dataform-Arbeitsbereich, indem Sie das Bereitstellungsskript lokal ausführen (z. B. „uv run cortex-deploy --config config/config.yaml“).
  • Daten materialisieren: Führen Sie den letzten Workflow nach der Bereitstellung aus, um die generierten Dataform-Pipelines auszuführen und Ihre neuen Tabellen und Ansichten direkt in BigQuery zu materialisieren.
  • Einblicke liefern: Nach der Materialisierung ist Ihr benutzerdefiniertes Datenprodukt vollständig bereit, mit nachgelagerten Analyseanwendungen wie Gemini Enterprise verbunden zu werden, um intelligente, umsetzbare Antworten auf Ihre ursprünglichen geschäftlichen Fragen zu liefern.

Vorhandenes Datenprodukt aktualisieren

Sobald Ihr benutzerdefiniertes Datenprodukt erstellt wurde, müssen Sie nicht von Grund auf neu beginnen, um Änderungen vorzunehmen. Sie können den Skill update-data-product verwenden, um iterativ neue Felder hinzuzufügen, die Geschäftslogik anzupassen oder völlig neue Quelltabellen zu integrieren. Beispiel:

Aktualisieren Sie mein benutzerdefiniertes AP-Datenprodukt „custom_finance“. Fügen Sie das Feld „Zahlungsbedingungen“ (ZTERM) aus der Quelltabelle „LFA1“ hinzu und stellen Sie sicher, dass es der endgültigen Ausgabesicht korrekt zugeordnet ist. Führen Sie nach Abschluss die Build-Validierung aus.

Der Agent sucht die Konfiguration, fragt die BigQuery-DDIC nach den genauen Feldanforderungen ab, aktualisiert Ihren Dataform-Code und führt die erforderlichen Build-Prüfungen aus, um die Änderung zu überprüfen.

Best Practices und Einschränkungen

  • Fehler bei der Schemaabfrage: Wenn der Agent keine SAP-Metadaten-Schemas abrufen kann, prüfen Sie, ob Ihre lokalen Standardanmeldedaten für Anwendungen (Application Default Credentials, ADC) aktiv sind und die IAM-Rolle „BigQuery-Datenbetrachter“ für das Ziel-Rohdatenset haben.
  • Kontextlimits: Wenn Sie ein außergewöhnlich großes Datenprodukt mit Dutzenden von Tabellen erstellen, kann der Agent den Kontext verlieren. Erhöhen Sie die Erfolgsrate, indem Sie kleinere, atomare Anweisungen geben. Weisen Sie den Agenten beispielsweise an, zuerst die Dimensionen auf Headerebene zu erstellen und dann in einem separaten Folgeprompt Fakten auf Artikelebene hinzuzufügen.