Pola integrasi untuk agen data

Halaman ini menjelaskan pola integrasi untuk menyematkan pengalaman agen data ke dalam aplikasi Anda. Pola ini memiliki tingkat kompleksitas yang bervariasi, mulai dari komponen chat yang disematkan hingga sistem multi-agen yang diatur.

Panduan ini ditujukan bagi arsitek cloud dan data engineer yang mendesain aplikasi AI generatif. Anda harus memiliki pemahaman dasar tentang konsep Google Cloud , Identity and Access Management, dan REST API. Anda juga harus memahami arsitektur sumber data yang digunakan aplikasi Anda.

Ringkasan pola integrasi

Panduan ini dibagi menjadi jalur utama berikut berdasarkan titik awal Anda:

  • Jalur Looker: Pilih jalur ini jika Anda ingin menyediakan fungsi chat melalui penyematan Looker, Looker API, atau Conversational Analytics API.
  • BigQuery and database track: Pilih jalur ini jika Anda membangun aplikasi kustom yang menggunakan BigQuery, Data Studio, atau database operasional yang didukung.

Tabel berikut merangkum pola integrasi yang tersedia:

Pola integrasi Deskripsi Sumber data
Penyematan iframe Looker Menambahkan antarmuka chat standar ke aplikasi yang memerlukan kode minimal. Looker
Looker API dan SDK Membangun antarmuka chat kustom yang menggunakan Looker API untuk autentikasi. Looker
Conversational Analytics API (sumber Looker) Mengelola agen data Looker sebagai Google Cloud resource yang berfungsi di berbagai platform dan sistem multi-agen. Looker
Direct API (single-agent) Menggunakan integrasi API langsung untuk alur text-to-answer. BigQuery, database, Looker
Direct API (pengelola) Merutekan kueri antara API dan alat lain menggunakan panggilan fungsi. BigQuery, database, Looker
ADK (berbasis skema) dengan BigQueryToolset Menghasilkan insight cepat dari referensi tabel menggunakan alat ask_data_insights. BigQuery
ADK (yang diatur) dengan DataAgentToolset Mengirim kueri ke agen data yang telah dikonfigurasi sebelumnya yang menggunakan alat ask_data_agent untuk memastikan perilaku yang konsisten. BigQuery, database, Looker
ADK (streaming kustom) Mendukung streaming diagram dan SQL secara real-time dengan menggunakan class agen kustom. BigQuery, database, Looker
MCP dengan McpToolset atau ToolboxToolset Menghubungkan aplikasi ke alat data yang menggunakan Model Context Protocol (MCP). BigQuery Looker
A2A protocol Memungkinkan kolaborasi yang aman antara agen khusus yang beroperasi di sistem yang berbeda. Bergantung pada framework

Opsi integrasi untuk Looker

Jika menggunakan Looker, Anda dapat menyediakan Analisis Percakapan Looker kepada pengguna melalui pola berikut:

Ringkasan pola integrasi Looker

Tabel berikut merangkum pola integrasi utama untuk Looker:

Pola Paling cocok untuk Kelebihan Pertimbangan
Sematkan dengan iframe: Metode low-code untuk menambahkan pengalaman chat Looker standar dengan cepat ke aplikasi. Tim yang memerlukan pengalaman analisis percakapan siap produksi dengan pengembangan kustom minimal.
  • Memerlukan kode minimal untuk diimplementasikan.
  • Secara otomatis menerapkan model keamanan Looker yang ada.
  • Tidak memerlukan autentikasi Google Cloud terpisah.
  • Mendukung Looker Embed SDK, yang mempercepat pengembangan dengan mengelola siklus proses iframe dan penerusan peristiwa.
  • Menawarkan penyesuaian UI terbatas dan bergantung pada antarmuka pengguna chat Looker standar.
  • Instance Looker Anda harus dihosting oleh Looker.
Membangun dengan Looker API dan SDK: Pendekatan fleksibel untuk membangun antarmuka chat kustom sambil mempertahankan autentikasi dan pengelolaan agen dalam Looker. Tim yang memerlukan pengalaman pengguna chat kustom, tetapi ingin mempertahankan autentikasi pengguna dan pengelolaan agen dalam ekosistem Looker. Pola ini ideal untuk aplikasi yang sudah menggunakan penyematan Looker atau API.
  • Menyediakan satu lapisan autentikasi dan kontrol penuh atas antarmuka pengguna.
  • Menyederhanakan arsitektur untuk pelanggan Looker yang sudah ada.
  • Menggunakan lapisan semantik Looker untuk meningkatkan akurasi kueri.
  • Tidak memerlukan autentikasi Google Cloud terpisah.
  • Memerlukan keahlian pengembangan Looker API.
  • Terbatas untuk sumber data Looker.
  • Agen dikelola dalam Looker dan tidak dapat dipindahkan ke layanan Google Cloud lainnya.
Menggunakan Conversational Analytics API: Integrasi langsung dengan API untuk mengelola agen sebagai resource tingkat cloud. Pelanggan Looker yang memerlukan portabilitas lintas platform untuk agen data mereka.
  • Memastikan bahwa agen data dapat digunakan di semua Google Cloud platform.
  • Dikelola secara terpusat oleh Identity and Access Management.
  • Memungkinkan Anda mengintegrasikan agen data ke dalam alur kerja ADK atau MCP.
  • Mengharuskan Anda mengelola stack integrasi penuh, termasuk autentikasi Google Cloud dan Looker.
  • Agen data dikelola secara terpisah dari antarmuka pengguna Looker.

Menyematkan dengan iframe

Anda dapat menyematkan Analisis Percakapan sebagai iframe untuk memberikan pengalaman chat di luar UI Looker. Pola ini adalah cara langsung untuk menyediakan Analisis Percakapan yang tidak memerlukan pengembangan UI kustom, orkestrasi backend, atau pengelolaan status API. Untuk menggunakan pola ini, Anda menambahkan URL yang telah diformat sebelumnya ke aplikasi Anda.

Embed SDK Looker menyediakan alat yang mengelola tugas seperti pembuatan URL yang aman, pengelolaan siklus proses iframe, dan penerusan peristiwa JavaScript antara aplikasi host dan iframe. Anda dapat menyematkan halaman Agen, halaman Percakapan, atau percakapan tertentu dengan menambahkan URL yang telah diformat sebelumnya ke dalam aplikasi Anda.

Anda dapat menggunakan metode autentikasi berikut untuk konten sematan:

  • Penyematan pribadi: Mengautentikasi pengguna dengan kredensial Looker yang ada. Saat Anda menetapkan URL sematan sebagai sumber iframe, pengguna akan login dengan akun Looker mereka. Metode ini secara otomatis menerapkan peran, akses konten, dan izin tingkat data yang ada, seperti filter akses atau pemberian akses, tanpa memerlukan konfigurasi Pengelolaan Akses dan Identitas tambahan atau pemetaan token.
  • Penyematan bertanda tangan: Mengautentikasi pengguna melalui aplikasi Anda menggunakan single sign-on (SSO). Anda membuat URL bertanda tangan yang menyertakan jalur konten Analisis Percakapan, yang memungkinkan Anda menentukan secara dinamis izin mana yang akan diberikan.

Membangun dengan Looker API dan SDK

Untuk fleksibilitas yang lebih besar dalam pengalaman chat, Anda dapat menggunakan metode ConversationalAnalytics di Looker API atau menggunakan Looker SDK untuk membangun aplikasi kustom. Pendekatan ini memungkinkan Anda membuat frontend kustom yang berkomunikasi langsung dengan endpoint Looker.

Mengintegrasikan dengan Looker API memberikan manfaat berikut:

  • Anda hanya mengelola autentikasi dengan Looker. Anda tidak perlu melakukan autentikasi secara terpisah dengan Conversational Analytics API.
  • Untuk aplikasi yang sudah menggunakan penyematan Looker atau API, pola ini menyederhanakan arsitektur project dengan menghindari mekanisme autentikasi sekunder dan menghilangkan kebutuhan untuk mengelola agen data eksternal.
  • Anda memiliki kontrol penuh atas antarmuka chat, alur percakapan, dan cara aplikasi merender hasil (seperti diagram dan tabel).

Untuk implementasi referensi, lihat panduan API Looker Analytics Percakapan di GitHub.

Menggunakan Conversational Analytics API dengan data Looker

Anda dapat berintegrasi langsung dengan Conversational Analytics API di geminidataanalytics.googleapis.com jika perlu melakukan salah satu tugas berikut:

  • Membagikan agen data yang sama di beberapa Google Cloud platform, seperti aplikasi web kustom, Google Chat, dan Gemini Enterprise
  • Menggabungkan sumber data Looker dengan sumber BigQuery atau database operasional dalam satu sistem multi-agen
  • Mengelola agen data Anda sebagai resource tingkat cloud yang diatur oleh Identity and Access Management, bukan model izin Looker

Untuk mengetahui informasi selengkapnya tentang pola arsitektur umum untuk Conversational Analytics API, lihat Opsi integrasi untuk BigQuery dan database.

Opsi integrasi untuk BigQuery dan database

Bagian ini menjelaskan pola arsitektur untuk aplikasi yang menggunakan BigQuery, Data Studio, atau database operasional Google Cloud yang didukung untuk membangun pengalaman kustom dengan Conversational Analytics API.

Jika Anda menggunakan Conversational Analytics API dengan sumber data Looker, pola yang dijelaskan di bagian ini juga berlaku untuk integrasi Anda.

Conversational Analytics API menyediakan metode utama berikut untuk berinteraksi dengan data:

  • Metode chat: Mendukung BigQuery, Looker, Data Studio, dan database operasional.
  • Metode queryData: Mendukung database operasional seperti AlloyDB, GoogleSQL untuk Spanner, Cloud SQL untuk MySQL, dan Cloud SQL untuk PostgreSQL.

Saat membuat aplikasi kustom, Anda dapat menggunakan satu atau beberapa pola integrasi berikut:

  • Integrasi API langsung: Pendekatan kustom yang memberikan fleksibilitas paling besar, tetapi mengharuskan Anda membangun infrastruktur untuk autentikasi, pengelolaan percakapan, dan parsing respons.
  • Orkestrasi berbasis framework (ADK): Pendekatan yang menggunakan Agent Development Kit (ADK) untuk perutean multi-agen, eksekusi alat, dan pengelolaan status.
  • Integrasi vertikal (MCP): Pendekatan yang menggunakan Model Context Protocol (MCP) untuk menyediakan cara yang seragam dalam menghubungkan aplikasi AI ke alat dan sumber data di berbagai lingkungan.
  • Orkestrasi horizontal (A2A): Pendekatan yang menggunakan protokol Agent-to-Agent (A2A) untuk memungkinkan agen khusus pada sistem yang berbeda berkolaborasi secara aman tanpa memerlukan kode integrasi kustom.

Ringkasan pola integrasi BigQuery dan database

Tabel berikut merangkum pola penerapan khusus untuk BigQuery dan database operasional:

Pola Paling cocok untuk Kelebihan Pertimbangan
Integrasi agen tunggal (API langsung): Pola saat aplikasi Anda memanggil API secara langsung untuk menampilkan insight dari sumber data Anda. Aplikasi, prototipe, atau microservice agen tunggal yang memerlukan kontrol langsung atas setiap panggilan API.
  • Menyediakan kontrol terperinci tanpa dependensi framework.
  • Menyediakan arsitektur paling sederhana untuk kasus penggunaan satu agen.
  • Mendukung mode stateful dan stateless.
  • Memerlukan Anda untuk membangun semua infrastruktur untuk autentikasi, pengelolaan status, parsing respons, penanganan error, streaming, dan deployment.
  • Tidak dapat diskalakan dengan baik untuk skenario multi-agen.
Pengelola kustom (API langsung): Pola yang menggunakan agen root dan panggilan fungsi untuk merutekan kueri antara Conversational Analytics API dan alat atau layanan lainnya. Aplikasi yang menggabungkan kueri data dengan tugas lain, seperti email atau dokumen, dalam satu alur percakapan.
  • Memberikan kontrol orkestrasi maksimum tanpa dependensi framework.
  • Memungkinkan Anda menentukan secara persis cara model merutekan antar-alat.
  • Berfungsi dengan model Gemini apa pun.
  • Memerlukan pengelolaan definisi alat, loop percakapan, status multi-giliran, penanganan error, dan deployment secara manual.
  • Overhead pengembangan mungkin menjadi membebani dibandingkan dengan menggunakan framework seperti ADK.
Integrasi berbasis skema dengan BigQueryToolset (ADK): Pola yang menggunakan referensi tabel untuk menampilkan insight data dengan cepat. Prototip cepat, alat internal yang tata kelola datanya kurang penting, atau skenario saat insight data adalah salah satu dari beberapa kemampuan di agen ADK.
  • Menyediakan jalur integrasi tercepat dalam framework ADK.
  • Tidak memerlukan pra-konfigurasi agen data.
  • Bekerja langsung dengan nama tabel database.
  • Tidak memiliki tata kelola semantik dan hanya menghasilkan SQL dari inferensi skema.
  • Beroperasi dalam mode stateless di tingkat API.
  • Memberikan jawaban berupa teks saja dan tidak mendukung diagram.
Integrasi yang diatur dengan DataAgentToolset (ADK): Pola yang mengkueri agen data yang telah dikonfigurasi sebelumnya dengan mereferensikan ID agen. Aplikasi produksi yang memerlukan akses data yang konsisten atau sistem multi-agen di mana agen data adalah komponen tepercaya yang dapat digunakan kembali.
  • Menyediakan tata kelola semantik dan perilaku yang konsisten di semua konsumen.
  • Meningkatkan akurasi dengan menggunakan kueri terverifikasi dan glosarium bisnis.
  • Memastikan bahwa agen data dapat digunakan kembali di seluruh integrasi ADK, MCP, dan API langsung.
  • Memerlukan konfigurasi awal resource agen data.
  • Beroperasi dalam mode stateless di tingkat API.
  • Menampilkan jawaban berupa teks saja dan tidak mendukung diagram.
Sub-agen kustom (ADK): Pola yang menggunakan class agen kustom untuk terhubung langsung ke API dan mengalirkan kembali potongan data kepada pengguna. Aplikasi yang ditampilkan kepada pengguna yang memprioritaskan latensi respons rendah atau pipeline multi-agen yang pengambilan datanya digunakan oleh agen hilir.
  • Memberikan masukan streaming secara real-time.
  • Mengakses semua jenis respons, seperti diagram, tabel, dan SQL.
  • Dapat dikomposisikan dengan agen ADK lain melalui status sesi.
  • Memerlukan lebih banyak upaya pengembangan untuk membangun class agen ADK kustom.
  • Mewajibkan Anda mengelola koneksi streaming dan penguraian respons secara langsung.
Model Context Protocol (MCP): Pola yang menggunakan standar terbuka untuk menghubungkan aplikasi AI ke sumber data dan alat di berbagai lingkungan. Organisasi yang memerlukan interoperabilitas alat di beberapa klien AI dan IDE, atau tim yang memerlukan alat data yang sama agar dapat diakses dari framework ADK, IDE, dan aplikasi kustom.
  • Menggunakan standar alat universal yang berfungsi dengan klien yang kompatibel dengan MCP.
  • Memisahkan penerapan alat dari aplikasi konsumen.
  • Menawarkan opsi server terkelola, seperti server MCP Google Cloud .
  • Memerlukan lapisan infrastruktur tambahan untuk server toolbox.
  • Menyediakan integrasi yang tidak seketat set alat Agent Development Kit (ADK).
  • Bergantung pada ekosistem MCP Toolbox yang terus berkembang.
  • Beroperasi dalam mode stateless yang mengharuskan Anda mengelola status multi-turn secara eksternal.
Agent-to-Agent (A2A): Pola yang menggunakan protokol A2A, standar terbuka yang memungkinkan agen khusus di berbagai sistem berkolaborasi secara aman tanpa memerlukan kode integrasi kustom. Lingkungan perusahaan yang sangat terdistribusi di mana agen perutean pusat harus mendelegasikan tugas ke agen data yang beroperasi di sistem atau jaringan yang berbeda.
  • Mengurangi kebutuhan akan kode integrasi kustom antara framework yang berbeda.
  • Memastikan interoperabilitas lintas platform yang lancar.
  • Menyediakan penemuan kemampuan yang aman dan terstandarisasi.
  • Memperkenalkan latensi jaringan kecil dibandingkan dengan sub-agen internal.
  • Mengharuskan Anda mengonfigurasi setelan server A2A.

Integrasi API langsung

Integrasi API langsung memberikan kontrol terperinci atas logika dan arsitektur aplikasi Anda, tetapi mengharuskan Anda membangun infrastruktur pendukung. Dengan pendekatan ini, Anda bertanggung jawab atas tugas-tugas seperti autentikasi, pengelolaan percakapan, penguraian respons, dan deployment.

Bagian ini membahas topik berikut:

  • Integrasi satu agen: Pola saat aplikasi Anda memanggil Conversational Analytics API secara langsung untuk menampilkan insight dari sumber data Anda.
  • Integrasi pengelola kustom: Pola lanjutan yang menggunakan agen root dan panggilan fungsi untuk merutekan kueri di antara Conversational Analytics API.

Integrasi agen tunggal

Dengan integrasi satu agen, backend Anda langsung memanggil Conversational Analytics API menggunakan REST atau library klien dan meneruskan kueri dan konteks pengguna. Pola ini cocok untuk aplikasi dengan kompleksitas rendah, seperti aplikasi web, alat chat internal, atau microservice, yang menggunakan alur text-to-answer yang sederhana. Anda juga dapat menggunakan pendekatan ini untuk membuat prototipe dan mengerjakan bukti konsep.

Pola ini mendukung chat stateful, tempat Google mengelola histori percakapan, dan chat stateless, tempat aplikasi Anda mengelola histori.

Untuk mengetahui implementasi referensi, lihat panduan memulai Conversational Analytics API atau demo emas Conversational Analytics API di GitHub.

Integrasi orkestrator kustom

Dengan pendekatan ini, Anda membangun agen root yang bertindak sebagai titik entri dan koordinator utama untuk aplikasi Anda. Agen root menggunakan model Gemini standar yang dilengkapi dengan alat melalui panggilan fungsi. Saat pengguna mengajukan pertanyaan terkait data, agen root akan memancarkan panggilan alat ke Conversational Analytics API, menerima hasilnya, dan kemudian dapat melanjutkan penalaran atau memanggil alat lain di hilir.

Panggilan fungsi mencakup tahap berikut:

  1. Deklarasikan: Tentukan skema alat sebagai objek FunctionDeclaration yang menyertakan definisi parameter.
  2. Panggil: Model menampilkan pesan functionCall terstruktur yang berisi nama dan argumen fungsi.
  3. Execute: Aplikasi Anda melakukan panggilan API dan menampilkan hasilnya dalam pesan FunctionResponse.
  4. Mensintesis: Model Gemini menggunakan hasil untuk menghasilkan jawaban akhir atau menentukan tindakan berikutnya.

Pendekatan ini cocok untuk aplikasi yang memungkinkan pengguna meminta insight data bersama dengan tugas lainnya. Misalnya, pengguna dapat meminta agen untuk "Tunjukkan penjualan, lalu buat draf email untuk tim penjualan". Agen root dapat mengarahkan pertanyaan data ke Conversational Analytics API dan menggunakan alat lain untuk tugas non-data.

Untuk mengetahui implementasi referensi, lihat halaman orchestrate atau multimodal di demo emas Conversational Analytics API di GitHub.

Orkestrasi berbasis framework (ADK)

Agent Development Kit (ADK) adalah framework berbasis kode untuk membangun agen AI yang mengelola kompleksitas perutean multi-agen, eksekusi alat, dan pengelolaan status. Framework ADK adalah framework yang sama dengan yang mendukung Gemini Enterprise.

Dengan menggunakan ADK, Anda dapat menggabungkan Conversational Analytics API dengan alat dan agen lain untuk melakukan tindakan yang kompleks.

Bagian ini membahas topik berikut:

Integrasi berbasis skema dengan BigQueryToolset

Kumpulan alat BigQueryToolset dalam framework ADK mencakup alat ask_data_insights bawaan. Untuk menggunakan alat ini, Anda meneruskan nama tabel dan pertanyaan pengguna ke alat, yang kemudian memanggil Conversational Analytics API dengan menggunakan konteks inline.

Saat Anda memanggil alat ini, alat ini akan mengirimkan permintaan tanpa status yang menyertakan referensi tabel BigQuery yang ditentukan ke Conversational Analytics API. API menyimpulkan skema database, membuat dan mengeksekusi kueri SQL, serta menampilkan jawaban teks. Hasilnya kemudian dikirim kembali ke agen ADK sebagai respons alat.

Pola ini adalah cara efektif untuk menambahkan analisis percakapan ke agen dengan cepat. Namun, karena panggilan ke API bersifat stateless dan tidak memiliki tata kelola, API menghasilkan SQL hanya berdasarkan skema tabel tanpa batasan semantik. Hal ini membuat pola lebih cepat di-deploy, tetapi lebih berisiko untuk logika bisnis produksi yang menerapkan konvensi penamaan, logika bisnis, atau kontrol akses.

Integrasi yang diatur dengan DataAgentToolset

Kumpulan alat DataAgentToolset dalam framework ADK menyediakan integrasi bawaan yang mereferensikan agen data yang telah dikonfigurasi sebelumnya berdasarkan ID-nya. Agen ADK meneruskan pertanyaan pengguna ke alat ask_data_agent, yang memanggil Conversational Analytics API dengan konteks agen data yang ditentukan.

Anda dapat membuat agen data secara terprogram menggunakan Conversational Analytics API atau melalui Agent Catalog di konsol Google Cloud . Agen data dilengkapi dengan komponen berikut:

  • Sumber pengetahuan: Tabel, tampilan, atau fungsi yang ditentukan pengguna (UDF) yang dapat dikueri oleh agen
  • Konteks terstruktur: Deskripsi untuk tabel dan kolom yang membantu agen memahami data pokok
  • Petunjuk: Panduan tambahan bagi agen untuk menafsirkan dan membuat kueri sumber data
  • Kueri terverifikasi: Kueri SQL yang telah divalidasi sebelumnya dan berfungsi sebagai contoh untuk pertanyaan umum
  • Glosarium: Definisi istilah bisnis yang membantu agen memahami bahasa khusus domain

Untuk panduan mendalam tentang cara membuat agen melalui Katalog Agen, lihat codelab analisis percakapan di BigQuery.

Karena ditentukan sebagai unit yang diatur, agen menggunakan logika, konteks, dan pembatasan tepercaya yang sama, terlepas dari aplikasi atau sub-agen mana yang memanggilnya.

Integrasi UX tingkat lanjut dengan sub-agen kustom

Kumpulan alat BigQueryToolset dan DataAgentToolset tidak menampilkan hasil kepada pengguna hingga permintaan API selesai diproses. Karena framework ADK memperlakukan API sebagai alat yang memblokir respons hingga selesai, kueri yang berjalan lebih lama dapat membuat pengguna tidak mendapatkan respons.

Sebagai alternatif untuk aplikasi yang memprioritaskan latensi respons rendah atau tempat pengambilan data mengalirkan agen hilir, Anda dapat membuat class agen ADK kustom yang terhubung langsung ke Conversational Analytics API dan melakukan streaming data dalam potongan kembali ke pengguna secara asinkron. Pola ini mendukung jenis respons berikut saat dihasilkan:

  • Pesan pemikiran: Proses penalaran agen data saat menafsirkan pertanyaan.
  • Pesan progres: Update status selama pengambilan data untuk sumber data.
  • Pembuatan kueri: Kueri SQL atau Looker yang dihasilkan, yang di-streaming saat dibuat.
  • Data: Hasil data dalam format JSON.
  • Visualisasi: Spesifikasi diagram Vega-Lite.
  • Ringkasan: Jawaban akhir berbasis teks.

Untuk mengetahui daftar lengkap jenis data yang ditampilkan, lihat jenis SystemMessage dalam dokumentasi referensi API.

Pendekatan asinkron ini memastikan bahwa pengguna tidak perlu menunggu hingga proses pengambilan data yang kompleks selesai sepenuhnya. Saat agen data mengalir melalui proses kueri, agen tersebut terus membagikan pembaruan inkremental—seperti ringkasan teks, data mentah, atau konfigurasi diagram—ke ruang kerja bersama sementara. Data ini kemudian dapat dirender untuk pengguna secara real time dan dibagikan kepada sub-agen khusus untuk melakukan tugas tambahan.

Untuk implementasi referensi yang mencakup agen root, sub-agen data, dan agen visualisasi, lihat demo streaming ADK di GitHub.

Integrasi vertikal (MCP)

Model Context Protocol (MCP) adalah standar terbuka yang menyediakan cara seragam bagi aplikasi AI untuk terhubung ke alat dan sumber data eksternal. MCP menstandardisasi antarmuka antara model AI dan alat yang digunakannya.

Bagian ini membahas topik berikut:

MCP Toolbox for Databases

Meskipun tidak ada server MCP khusus Conversational Analytics API, Anda dapat mengakses API melalui server MCP Toolbox for Databases. Server open source ini menyediakan alat bawaan yang kompatibel dengan MCP yang mengekspos metode chat di Conversational Analytics API:

MCP adalah lapisan interoperabilitas yang mengekspos kemampuan analisis sebagai alat untuk klien yang kompatibel dengan MCP, bukan model eksekusi terpisah dari Conversational Analytics API.

Pola penerapan MCP untuk arsitektur ADK dan mandiri

Anda dapat menerapkan MCP melalui pola berikut:

Pola Detail
MCP mandiri (tanpa ADK)

Gunakan server MCP Toolbox for Databases sebagai server mandiri untuk terhubung ke klien yang kompatibel dengan MCP. Pola ini biasanya digunakan untuk tugas berikut:

  • Integrasi IDE: Hubungkan IDE—seperti Antigravity, Cursor, atau VS Code—ke server untuk membuat kueri data secara percakapan dari editor.
  • Klien MCP kustom: Bangun aplikasi yang menggunakan server untuk menyediakan antarmuka alat yang seragam di beberapa penyedia AI.
  • Gemini CLI: Gunakan CLI sebagai klien MCP untuk percakapan data berbasis terminal.
MCP dalam ADK

Framework ADK menyediakan mekanisme berikut untuk mengintegrasikan server MCP ke dalam alur kerja agen:

  • ToolboxToolset: Varian khusus untuk server MCP Toolbox for Databases yang mendukung beberapa metode autentikasi.
  • McpToolset: Menghubungkan agen ADK ke server MCP mana pun dengan menggunakan koneksi server MCP lokal atau jarak jauh. Secara otomatis menemukan alat server dan menampilkannya ke agen.

Anda juga dapat membangun server MCP dengan menggunakan framework FastMCP untuk mengekspos alat yang dibangun dengan framework ADK ke klien yang kompatibel dengan MCP. Pendekatan ini membuat agen ADK Anda tersedia sebagai alat di ekosistem lain.

Pilih pola integrasi berdasarkan persyaratan arsitektur spesifik aplikasi Anda:

  • Menggunakan set alat Agent Development Kit (ADK) bawaan, seperti BigQueryToolset atau DataAgentToolset, memberikan integrasi yang lebih erat tanpa dependensi server eksternal. Pendekatan ini ideal untuk sistem yang sepenuhnya ada dalam framework ADK.
  • Penggunaan alat di MCP Toolbox memberikan interoperabilitas di seluruh klien yang kompatibel dengan MCP. Pendekatan ini ideal untuk alat data yang harus melayani beberapa aplikasi konsumen atau IDE pihak ketiga.

Orkestrasi horizontal (A2A)

Protokol Agent-to-Agent (A2A) adalah standar terbuka yang memungkinkan agen khusus pada sistem yang berbeda untuk berkomunikasi dan berkolaborasi secara aman tanpa memerlukan kode integrasi kustom.

Seiring dengan penskalaan sistem, organisasi sering men-deploy beberapa agen khusus yang dibangun di framework atau infrastruktur cloud yang berbeda. A2A menetapkan tingkat pesan universal untuk agen otonom ini. Setiap agen memublikasikan kartu agen, bukan menggunakan API kustom. Kartu agen adalah profil yang dapat ditemukan dan menjelaskan kemampuan agen, format data yang didukung, dan persyaratan keamanan.

Saat orkestrator pusat atau agen peer memerlukan data analitik, orkestrator atau agen peer tersebut akan mendelegasikan tugas secara aman ke agen data melalui pesan A2A terstruktur. Agen data memproses permintaan secara otonom dan menampilkan temuan, yang memisahkan logika eksekusi dari pemohon.

Memilih pola integrasi

Gunakan tabel berikut untuk membandingkan kompleksitas, tata kelola, dan kemampuan setiap pola integrasi.

Tingkat kompleksitas didefinisikan sebagai berikut:

  • Rendah: Pola yang memerlukan kode kustom minimal dan mengandalkan antarmuka atau alat pengguna bawaan.
  • Sedang: Pola yang memerlukan pengembangan frontend kustom dan integrasi API atau SDK, tetapi menghindari infrastruktur orkestrasi backend yang kompleks.
  • Tinggi: Pola yang memerlukan pengembangan aplikasi full-stack, pengelolaan status percakapan, beberapa lapisan autentikasi, atau infrastruktur orkestrator menengah.
  • Bervariasi: Pola yang kompleksitasnya bergantung pada metode integrasi pokok yang Anda pilih.
Pola integrasi Kompleksitas Penyesuaian Tata kelola agen Kontrol akses Multi-agen Streaming Portabilitas
Penyematan iframe Looker Rendah Rendah Dikelola melalui Looker Looker Tidak Bawaan Khusus Looker
Looker API dan SDK Sedang Tinggi Dikelola melalui Looker Looker Tidak Bawaan Khusus Looker
Conversational Analytics API dengan sumber Looker Bervariasi Tinggi Dikelola melalui API Looker dan IAM Ya Ya Permukaan Google Cloud apa pun
Agen tunggal (API langsung) Sedang Tinggi Dikelola melalui API IAM Tidak Ya (didukung) Platform Google Cloud apa pun
Pengelola kustom Tinggi Sangat tinggi Dikelola melalui API IAM Manual Manual Permukaan Google Cloud apa pun
Didorong oleh skema dengan BigQueryToolset (ADK) Rendah Sedang Tidak ada (inferensi skema) IAM Ya (ADK) Tidak (memblokir) Ekosistem ADK
Diatur dengan DataAgentToolset (ADK) Rendah Sedang Dikelola melalui API IAM Ya (ADK) Tidak (memblokir) Ekosistem ADK
Sub-agen streaming kustom (ADK) Tinggi Sangat tinggi Dikelola melalui API IAM Ya (ADK) Ya (kustom) Ekosistem ADK
MCP Mandiri Sedang Sedang Tidak ada (inferensi skema) IAM Tidak Tidak Klien MCP apa pun
MCP dalam ADK Sedang Tinggi Tidak ada (inferensi skema) IAM Ya (ADK) Tidak Klien ADK dan MCP
A2A Protocol Tinggi Tinggi Bergantung pada framework IAM Ya Ya Lintas platform

Langkah berikutnya