Data Engineering Agent – Übersicht

Mit dem Data-Engineering-Agenten können Sie Datenpipelines in BigQuery mithilfe von Prompts in natürlicher Sprache erstellen, ändern und Fehler beheben. Der Data Engineering-Agent bietet die folgenden Funktionen, um Ihre Data Engineering-Workflows zum Erfassen von Daten in BigQuery zu optimieren:

  • Dataform-Integration: Der Agent generiert und organisiert Datenpipeline-Code direkt in Dataform-Repositories und -Arbeitsbereichen.
  • Planerstellung: Der Agent kann seine Überlegungen zusammenfassen und einen Plan erstellen, den Sie vor dem Fortfahren prüfen und bestätigen können.
  • Codevalidierung: Der Agent validiert und korrigiert automatisch Kompilierungsfehler des generierten Codes, um sicherzustellen, dass die Datenpipeline funktioniert.
  • Automatische Datenaufbereitung: Der Agent bereitet Daten auf und wandelt Rohdaten ohne manuellen Eingriff in strukturierte Tabellen um.
  • Benutzerdefinierte Anweisungen: Der Agent unterstützt benutzerdefinierte Agent-Anweisungen, mit denen Sie bestimmte Regeln und wiederverwendbare Richtlinien in natürlicher Sprache definieren können.
  • Externer Kontext: Der Agent ist zur Bereitstellung von zusätzlichem Kontext in den Knowledge Catalog eingebunden.
  • Pipeline-Steuerung: Sie können generierte Agent-Pläne prüfen und anpassen, bevor Aktionen ausgeführt werden.
  • Optimierung: Der Agent kann die Leistung in Ihrer Datenpipeline optimieren.
  • Fehlerbehebung und Reparatur: Der Agent kann Fehler in Pipelines beheben und den Code korrigieren.

Wo kann der Data Engineering Agent verwendet werden?

Sie können den Data Engineering Agent mit den folgenden Methoden verwenden:

So verwendet der Data Engineering Agent Ihre Daten

Um qualitativ hochwertigere Agent-Antworten zu generieren, kann der Data Engineering Agent zusätzliche Daten und Metadaten aus BigQuery und Knowledge Catalog abrufen, einschließlich Beispielzeilen aus BigQuery-Tabellen und Datenprofilen, die in Knowledge Catalog generiert wurden. Der Agent verwendet diese Daten nicht zum Trainieren, sondern nur als zusätzlichen Kontext während der Unterhaltungen, um seine Antworten zu optimieren.

Wo der Data Engineering Agent Ihre Daten verarbeitet

Weitere Informationen zu den Standorten, an denen der Data Engineering Agent Ihre Daten verarbeitet, finden Sie unter Wo Gemini in BigQuery Ihre Daten verarbeitet.

Beschränkungen

Für den Data Engineering Agent gelten die folgenden Einschränkungen:

  • Der Data Engineering Agent unterstützt keine Befehle in natürlicher Sprache für die folgenden Dateitypen:
    • Notebooks
    • Datenvorbereitung
  • Der Data Engineering-Agent kann keine Pipelines ausführen. Sie müssen Pipelines überprüfen und ausführen oder planen.
  • Der Data Engineering Agent kann keine Weblinks oder URLs durchsuchen, die über Anweisungen oder direkte Prompts bereitgestellt werden.
  • Beim Importieren von Dateien in einer Datei mit Agent-Anweisungen werden mit der Importsyntax @ nur Pfade unterstützt, die mit ./, / oder einem Buchstaben beginnen.
  • Die Datenvorschau wird nur für Tabellen, Deklarationen oder Abfragen unterstützt, bei denen das Flag hasOutput auf true gesetzt ist.
  • Der Data Engineering Agent unterliegt den allgemeinen Einschränkungen der KI-Technologie.

Agent-Funktionen und -Anpassungen

In den folgenden Abschnitten werden zusätzliche Agent-Funktionen und andere Methoden zum Anpassen des Data Engineering Agent beschrieben.

Anweisungen für KI-Agenten

Agent-Anweisungen sind Anweisungen in natürlicher Sprache für den Data Engineering-Agent, mit denen Sie dauerhafte Anweisungen speichern können, damit der Agent eine Reihe von benutzerdefinierten, vordefinierten Regeln befolgt. Verwenden Sie Agent-Anweisungen, wenn die Ergebnisse des Agents in Ihrer gesamten Organisation einheitlich sein sollen, z. B. in Bezug auf Namenskonventionen oder um einen Styleguide durchzusetzen.

Wenn Sie Agent-Anweisungen für den Data Engineering Agent erstellen möchten, erstellen Sie eine GEMINI.MD-Kontextdatei als Agent-Anweisungsdatei.

Best Practices für Agent-Anweisungsdateien

Wenn Sie Agent-Anweisungen verwenden, empfehlen wir Folgendes:

  • Alle Dateipfade in Dataform sind relativ zum Stammverzeichnis des Repositorys. Verwenden Sie relative Pfade für die @file.md-Syntax, um Anweisungen korrekt in GEMINI.md zu importieren.
  • In GEMINI.md importierte Dateien können selbst Importe enthalten, wodurch eine verschachtelte Struktur entsteht. Um eine unendliche Rekursion zu verhindern, hat GEMINI.md eine maximale Importtiefe von fünf Ebenen.
  • Wenn Sie Anweisungen für mehrere Datenpipelines freigeben möchten, speichern Sie sie in einem zentralen Dataform-Repository und verknüpfen Sie sie mit dem Dataform-Arbeitsrepository. Mit lokalen Anweisungen können Sie zentrale Regeln für pipelinespezifisches Verhalten überschreiben.
  • Um die Konsistenz in Ihrem Projekt zu gewährleisten, können Sie auf Dateien mit Namenskonventionen oder Styleguides verweisen und den Agent anweisen, diese Richtlinien bei der Arbeit mit Ihren Datenpipelines zu befolgen.
  • Sie können in der Anleitungsdatei Daten-Layers vorschlagen, um verschiedene Datentypen zu gruppieren.
  • Durch die Verwendung von Überschriften und Listen in der Agent-Anweisungsdatei lassen sich Anweisungen für den Data-Engineering-Agenten besser organisieren und verdeutlichen.
  • Geben Sie aussagekräftige Dateinamen an und fassen Sie ähnliche Anweisungen in einer Datei zusammen. Regeln mit Markdown-Überschriften logisch nach Kategorie, Funktion oder Funktionalität organisieren.
  • Um widersprüchliche Anweisungen zu vermeiden, müssen Sie die spezifischen Bedingungen, unter denen jede Anweisung gilt, klar definieren.
  • Iterieren und optimieren Sie Ihre Prompts und Ihren Workflow. Das Verhalten von Agents ändert sich im Laufe der Zeit mit der Einführung von Agents und Modell-Upgrades. Wir empfehlen daher, Ihre Regeln mit verschiedenen Prompts zu testen, um Bereiche zu identifizieren, die möglicherweise verbessert werden müssen. Halten Sie die Regelfile mit allen Änderungen an Ihrer Datenpipeline synchron.

Das folgende Beispiel zeigt eine Agent-Anweisungsdatei mit dem Namen GEMINI.md, in der unsere Best Practices für die effektive Verwendung des Data Engineering Agent angewendet werden:

  ### Naming Conventions

  * Datasets: [business_domain]_[use_case] (e.g., ecommerce_sales)

  * Tables:
      - Raw/External: raw_[source_name]
      - Staging: stg_[business_entity]
      - Dimension: dim_[dimension_name]
      - Fact: fct_[fact_name]

  * Dataform Folders:
      - sources
      - staging
      - marts
      - dataProducts

  * Views: vw_[view_name]

  * Columns: snake_case (e.g., order_id, customer_name)

  ## Cloud Storage data load
  * When ingesting data from Cloud Storage, create external tables.

  ## Null handling
  * Filter out null id values

  ## String normalization
  * Standardize string columns by converting to lower case

  ## Data Cleaning Guidelines
  @./generic_cleaning.md

Zusätzliche lokale Dateien als Agent-Anweisungen importieren

Sie können auch andere Anweisungsdateien für den Data Engineering Agent mit der @file.md-Syntax in die GEMINI.md-Datei importieren. Weitere Informationen finden Sie unter Memory Import Processor.

Automatisches Data Wrangling

Mit dem Data-Engineering-Agenten können Sie rohe, unverarbeitete Daten in strukturierte Tabellen umwandeln, die sich für die Datenanalyse eignen. Auf Anfrage werden vom Agent zuerst bis zu 1.000.000 Datensätze aus jeder Standard- oder externen Tabelle abgerufen. Der Agent führt dann eine detaillierte Datenanalyse durch, indem er Profilierungsabfragen für diese Stichprobe ausführt. Nachdem der Agent Datentransformationen generiert hat, wiederholt er diesen Sampling- und Profilerstellungsprozess, um die Qualität der Transformationen zu bewerten. Diese Transformationen können das Beheben von Dateninkonsistenzen, Ausreißern oder Typkonflikten umfassen. Der Data Engineering Agent erstellt dann einen Plan mit den vorgeschlagenen Schritten zur Datenaufbereitung, den Sie prüfen und optimieren können, bevor eine Aktion ausgeführt wird.

Der Data Engineering-Agent initiiert die Datenbereinigungsanalyse auch immer dann, wenn Sie eine Rohdatentabelle hinzufügen, z. B. eine CSV-basierte externe Tabelle. Sie können den Plan zur Datenaufbereitung überprüfen und mit Konversationsbefehlen anpassen.

Für die Datenstichprobenerhebung und ‑profilerstellung werden BigQuery-Ressourcen verwendet. Es gelten die BigQuery-Preise.

Der Data Engineering Agent unterstützt die folgenden Transformationen für die Datenaufbereitung:

  • Datenbereinigung Der Agent kann Rohdaten analysieren und Möglichkeiten zur Bereinigung vorschlagen, z. B. Ausreißer entfernen, fehlende oder inkonsistente Werte ergänzen (Datenimputation), doppelte Daten korrigieren oder Datenformate standardisieren, z. B. Telefonnummern oder Adressen.
  • Strukturelle Transformationen. Wenn ein Zielschema angegeben wird, kann der Agent Werte aus den Typen JSON, ARRAY oder STRUCT entnesten oder extrahieren, mehrere Spalten in einer zusammenführen oder eine Spalte in mehrere Spalten aufteilen.
  • Erkennung und Konvertierung von Datentypen. Der Agent kann die Daten analysieren, um die entsprechenden Feldtypen zu ermitteln. Der Agent kann dann sicheres Typecasting durchführen, um Formatierungsabweichungen in den Feldern „Datum“, „Uhrzeit“, „Datum/Uhrzeit“ oder „Zeitstempel“ zu beheben.
  • Umrechnung von Maßeinheiten Der Agent kann verschiedene Einheiten in einem Feld automatisch in eine einheitliche Einheit konvertieren, um Ihre Daten zu standardisieren.

Um die Genauigkeit zu gewährleisten, verwendet der Agent repräsentative Stichproben Ihrer Daten, um Probleme zu erkennen und die Transformationslogik zu validieren.

Agent-Pläne erstellen und prüfen

Der Data Engineering Agent kann Agent-Pläne erstellen, die eine Zusammenfassung und einen Überblick über die Ziele und Schritte enthalten, die zur Erfüllung einer Anfrage erforderlich sind. Wenn Sie dem Agent komplexe Anfragen mit vielen erforderlichen Änderungen senden, empfehlen wir, den Agent zu bitten, Ihnen einen Agent-Plan zu erstellen, damit Sie die Absichten des Agents überprüfen können, bevor er Aktionen ausführt. Ein Data Engineering Agent-Plan besteht in der Regel aus Folgendem:

  • Das Ziel des Agenten für eine bestimmte Anfrage
  • Allgemeiner Überblick über die Schritte, die der Agent ausführen möchte
  • Alle Annahmen, die der KI-Agent trifft
  • Dateien, die der Agent ändern möchte
  • Alle Optimierungs- oder Bereinigungsschritte, die geplant sind
  • Einen stufenweisen Ausführungsplan

In Ihrem Prompt können Sie angeben, dass der Plan überprüft und genehmigt werden muss, damit der Agent keine Maßnahmen ohne Ihre ausdrückliche Genehmigung ergreift. Beispiel:

Create a plan for a pipeline that finds the
top N pick up and drop off locations in NYC. I want to review the plan and
approve it before you create the pipeline.

Der Agent kann auch automatisch einen Agent-Plan erstellen und Sie um Genehmigung bitten. Dieses Ergebnis kann auftreten, wenn ein Prompt zu ungenau ist oder der Agent mehr Klarheit benötigt, um Ihre Anfrage zu erfüllen.

Best Practices für die Verwendung von Agent-Plänen finden Sie unter Best Practices.

Kontext aus Knowledge Catalog hinzufügen

Der Data Engineering Agent verwendet Knowledge Catalog, indem er Glossarbegriffe an BigQuery-Tabellen und ‑Spalten anhängt und Datenprofilscans generiert. Mit Glossarbegriffen können Spalten getaggt werden, für die zusätzlicher Kontext erforderlich ist, z. B. Spalten mit personenidentifizierbaren Informationen, für die spezielle Anweisungen zur Verarbeitung erforderlich sind, oder um übereinstimmende Spalten mit unterschiedlichen Namen in verschiedenen Tabellen zu identifizieren.

Im Knowledge Catalog wird auch Datenprofiling verwendet. Dadurch erhält der Agent ein besseres Verständnis der Datenverteilung in Tabellenspalten und kann spezifischere Assertions zur Datenqualität erstellen.

Einer vorhandenen Tabelle Prüfungen zur Datenqualität hinzufügen

Wenn Sie den Agent auffordern, Qualitätsprüfungen hinzuzufügen, leitet er auf Grundlage des Schemas und der Stichproben angemessene Prüfungen für die Tabelle ab. Sie können dem Prompt auch subjektive Behauptungen hinzufügen. Beispiel:

  Add data quality checks for bigquery-public-data.thelook_ecommerce.users.

Datenpipelines optimieren

Sie können den KI-Agenten auffordern, Ihre Datenpipelines zu optimieren. Beim Generieren von DDL für neue Tabellen empfiehlt der Data Engineering Agent die Partitionierung und das Clustering basierend auf den analysierten Datennutzungsmustern. Außerdem kann der Agent automatisch andere Pipeline-Optimierungen anwenden. Beispiele für mögliche Optimierungen:

  • Spalten werden entfernt, um die Menge der aus dem Speicher gelesenen Daten zu reduzieren. Das ist der wichtigste Kosten- und Leistungsfaktor.
  • Predicate Pushdowns zum Filtern von Daten frühzeitig im Ausführungsplan, um das von nachfolgenden Vorgängen verarbeitete Volumen erheblich zu reduzieren.
  • Eliminierung gemeinsamer Teilausdrücke zur Verbesserung der Effizienz durch einmaliges Identifizieren und Berechnen der gemeinsamen Transformationslogik. Dadurch werden ineffiziente Praktiken wie das mehrmalige Scannen und Verknüpfen großer Tabellen vermieden.
  • Inkrementelle Modelle, mit denen nur neue oder geänderte Daten seit dem letzten Lauf verarbeitet werden, anstatt bei jedem Lauf ganze Tabellen neu zu erstellen.

Best Practices

Um die Ergebnisse bei der Arbeit mit dem Data Engineering Agent und Dataform zu verbessern, empfehlen wir Folgendes:

Agent-Anweisungen für häufige Anfragen verwenden: Wenn Sie häufig bestimmte Techniken anwenden oder immer wieder dieselben Korrekturen am Agent vornehmen, können Sie Agent-Anweisungen als zentralen Speicherort für allgemeine Anweisungen und Anfragen verwenden.

Agent-Pläne verwenden: Agent-Pläne können hilfreich sein, um komplexe Pipeline-Aufgaben aufzuschlüsseln. Agent-Pläne können auch Annahmen und Absichten des Agents enthalten. Wir empfehlen daher, diese Pläne zu überprüfen, um sicherzustellen, dass der Agent den richtigen Kontext erhält.

Nachdem Sie einen Plan überprüft haben, können Sie ihn bearbeiten, indem Sie dem Data Engineering Agent Feedback und Änderungen mitteilen. Beispiel:

In the plan, ensure that all of the intermediate tables are views.

In einigen Fällen kann es hilfreich sein, den Agenten zu bitten, einen Plan zu erstellen, der nicht Ihre ausdrückliche Genehmigung erfordert. Wenn der Agent einen Plan erstellen muss, zwingt das den Data Engineering Agent dazu, seine Aktionen aufzuschlüsseln, was oft zu besseren Ergebnissen führt. Sie können den Agenten zwingen, einen Plan zu erstellen und ihn automatisch auszuführen. Beispiel:

Create a plan for a pipeline that finds the
top N pick up and drop off locations in NYC. You have my explicit pre-approval
to go ahead and execute this plan.

Klar schreiben Formulieren Sie Ihre Anfrage klar und vermeiden Sie vage Formulierungen. Geben Sie nach Möglichkeit Quell- und Zieldatenquellen an, wenn Sie einen Prompt eingeben, wie im folgenden Beispiel gezeigt:

  Extract data from the sales.customers table in the us_west_1 region, and load
  it into the reporting.dim_customers table in BigQuery. Match the schema of the
  destination table.

Direkte und eingegrenzte Anfragen stellen: Stellen Sie jeweils nur eine Frage und halten Sie die Prompts kurz. Bei Prompts mit mehr als einer Frage sollten Sie die einzelnen Teile der Frage zur besseren Übersichtlichkeit nummerieren, wie im folgenden Beispiel:

  1. Create a new table named staging.events_cleaned. Use raw.events as the
     source. This new table should filter out any records where the user_agent
     matches the pattern '%bot%'. All original columns should be included.

  2. Next, create a table named analytics.user_sessions. Use
     staging.events_cleaned as the source. This table should calculate the
     duration for each session by grouping by session_id and finding the
     difference between the MAX(event_timestamp) and MIN(event_timestamp).

Geben Sie explizite Anweisungen und heben Sie wichtige Begriffe hervor. Sie können wichtige Begriffe oder Konzepte in Ihren Prompts hervorheben und bestimmte Anforderungen als wichtig kennzeichnen, wie im folgenden Beispiel gezeigt:

  When creating the staging.customers table, it is *VERY IMPORTANT* that you
  transform the email column from the source table bronze.raw_customers.
  Coalesce any NULL values in the email column to an empty string ''.

Operatorrangfolge angeben: Bei geordneten Aufgaben sollten Sie Ihren Prompt in Listen strukturieren, in denen die aufgeführten Elemente in kleine, fokussierte Schritte unterteilt sind, wie im folgenden Beispiel gezeigt:

  Create a pipeline with the following steps:
  1. Extract data from the ecomm.orders table.
  2. Join the extracted data with the marts.customers table on customer_id.
  3. Load the final result into the reporting.customer_orders table.

Optimieren und iterieren: Probieren Sie verschiedene Formulierungen und Ansätze aus, um herauszufinden, was die besten Ergebnisse liefert. Wenn der Agent ungültigen SQL-Code oder andere Fehler generiert, geben Sie ihm Beispiele oder verweisen Sie auf öffentliche Dokumentation.

  The previous query was incorrect because it removed the timestamp. Please
  correct the SQL. Use the TIMESTAMP_TRUNC function to truncate the
  event_timestamp to the nearest hour, instead of casting it as a DATE. For
  example: TIMESTAMP_TRUNC(event_timestamp, HOUR).