Antwort eines KI-Agenten als Visualisierung rendern

Die Conversational Analytics API kann interaktive Visualisierungen auf Grundlage von Nutzerfragen erstellen. Die API gibt Diagramme entweder als Vega-Lite-JSON-Konfigurationen oder als SVG-Bilder zurück (für Looker-Datenquellen und nur in den API-Versionen v1alpha und v1beta). Sie können einen Agenten auch anweisen, Diagramme mit bestimmten Anforderungen zu erstellen. Die Visualisierungen werden anhand der Daten erstellt, die als Antwort auf die Frage des Nutzers zurückgegeben werden.

Ein Balkendiagramm zeigt den Gesamtverkaufspreis und die Anzahl der Bestellungen von Hosen für die Altersgruppen 20–30 Jahre und 40–50 Jahre im Bundesstaat Kalifornien.

Ein Flächendiagramm zeigt die monatliche Gesamtleistung des Verkaufspreises für die letzten 12 Monate mit einem Höchstwert von 3.395,12 $ und einem Durchschnitt von 2.517,68 $.

v1alpha

Unterstützte Visualisierungen

Die API verwendet Vega-Lite zum Erstellen von Visualisierungen und unterstützt alle Standardfunktionen von Vega-Lite. Die folgenden Diagrammtypen werden unterstützt:

  • Gebiet
  • Balkendiagramm
  • Geoshape
  • Heatmap
  • Liniendiagramm (Zeitreihe)
  • Kreisdiagramm
  • Streudiagramm

Diagramme erstellen

Der Agent ermittelt das relevante Datenergebnis und übergibt es an einen Unteragenten. Dieser Unteragent führt Python-Code aus, um eine Vega-Lite-JSON-Konfiguration für das Diagramm zu erstellen. Die API verwendet den Unterhaltungskontext, um die Absicht des Nutzers beim Erstellen von Diagrammen besser zu verstehen. Durch die Verwendung von Python kann die API komplexere Diagramme erstellen.

Der Agent führt möglicherweise kleinere Datentransformationen wie Aggregationen oder das Anwenden von Filtern durch, um das Diagramm relevanter und lesbarer zu machen.

Ausgabeformate

Das Diagramm wird in einer chart-Ergebnismeldung zurückgegeben und kann in den folgenden Formaten bereitgestellt werden:

Sie können Bilder über das ChartOptions Feld im Kontext anfordern. Wenn ein Bild angefordert wird, gibt die API sowohl das Bild als auch die Vega-Lite-JSON-Ausgabe zurück.

Antwort eines KI-Agenten als Visualisierung rendern

In diesem Abschnitt wird gezeigt, wie Sie mit dem Python SDK eine Visualisierung aus den Diagrammspezifikationen rendern, die in einer Antwort der Conversational Analytics API enthalten sind. Im Beispielcode wird die Diagrammspezifikation (im Vega-Lite-Format) aus dem Feld chart der Antwort extrahiert und die Altair-Bibliothek (die auf Vega-Lite basiert) verwendet, um das Diagramm zu rendern, als Bild zu speichern und anzuzeigen.

Weitere Informationen zum Rendern von Diagrammen mit Vega-Lite und dem Vega-Lite-Ökosystem finden Sie unter Tools for Authoring Vega-Lite Visualizations.

Beispiel: Diagramm aus Vega-Lite-Ausgabe rendern

In diesem Beispiel wird gezeigt, wie ein Balkendiagramm aus einer Agent-Antwort der Conversational Analytics API gerendert wird. Im Beispiel wird eine Anfrage mit dem folgenden Prompt gesendet:

"Create a bar graph that shows the top five states by the total number of airports."

Im Beispielcode werden die folgenden Hilfsfunktionen definiert:

  • render_chart_response: Extrahiert die Vega-Lite-Konfiguration aus der chart-Nachricht, konvertiert sie in ein Format, das von der Altair-Bibliothek verwendet werden kann, rendert das Diagramm, speichert es in chart.png und zeigt es an.
  • chat: Sendet eine Anfrage an die Conversational Analytics API mit der Variablen inline_context und der aktuellen Liste messages, verarbeitet die Streaming-Antwort und ruft render_chart_response auf, um das Diagramm anzuzeigen, falls eines zurückgegeben wird.

Wenn Sie den folgenden Beispielcode verwenden möchten, ersetzen Sie Folgendes:

  • sqlgen-testing: Die ID Ihres Abrechnungsprojekts, in dem die erforderlichen APIs aktiviert sind.
  • Create a bar graph that shows the top five states by the total number of airports: Der Prompt, den Sie an die Conversational Analytics API senden möchten.
from google.cloud import geminidataanalytics
from google.protobuf.json_format import MessageToDict
import altair as alt
import proto

# Helper function for rendering chart response
def render_chart_response(resp):
  def _convert(v):
    if isinstance(v, proto.marshal.collections.maps.MapComposite):
      return {k: _convert(val) for k, val in v.items()}
    elif isinstance(v, proto.marshal.collections.RepeatedComposite):
      return [_convert(el) for el in v]
    elif isinstance(v, (int, float, str, bool, type(None))):
      return v
    else:
      return MessageToDict(v)

  try:
    vega_config = _convert(resp.result.vega_config)
    chart = alt.Chart.from_dict(vega_config)
    chart.save('chart.png')
    chart.display()
    print("Chart rendered and saved as chart.png")
  except Exception as e:
    print(f"Error rendering chart: {e}")

# Helper function for calling the API
def chat(q: str, inline_context, messages):
  billing_project = "sqlgen-testing"

  input_message = geminidataanalytics.Message(
      user_message=geminidataanalytics.UserMessage(text=q)
  )
  messages.append(input_message)

  client = geminidataanalytics.DataChatServiceClient()
  request = geminidataanalytics.ChatRequest(
      inline_context=inline_context,
      parent=f"projects/{billing_project}/locations/global",
      messages=messages,
  )

  # Make the request
  try:
    stream = client.chat(request=request)

    for reply in stream:
      if reply.system_message and hasattr(reply.system_message, 'chart'):
        # ChartMessage includes `query` for generating a chart and `result` with the generated chart.
        if hasattr(reply.system_message.chart, 'result'):
          print("Chart result found in response.")
          render_chart_response(reply.system_message.chart)
        else:
          print("Chart message found, but no result yet.")
      # Append system messages to maintain context for follow-up turns
      if reply.system_message:
          messages.append(geminidataanalytics.Message(system_message=reply.system_message))

  except Exception as e:
    print(f"Error calling API: {e}")

# Example Usage:
# Assuming 'inline_context' and 'messages' are initialized as per "Build a data agent using the Python SDK"
# Example initialization (replace with your actual context and message history):
# inline_context = geminidataanalytics.InlineContext(...)
# messages = []

# Send the prompt to make a bar graph
chat("Create a bar graph that shows the top five states by the total number of airports")