Autenticar y conectar con una fuente de datos mediante la API Conversational Analytics

Los desarrolladores pueden usar la API Conversational Analytics, a la que se accede a través de geminidataanalytics.googleapis.com, para crear una interfaz de chat o un agente de datos basado en inteligencia artificial (IA) que responda a preguntas sobre datos estructurados en BigQuery, Looker y Looker Studio usando el lenguaje natural. También se pueden consultar datos de bases de datos de Cloud (AlloyDB, GoogleSQL para Spanner, Cloud SQL y Cloud SQL para PostgreSQL).

En esta página se describe cómo autenticarse en la API Conversational Analytics. También se explica cómo configurar las conexiones a tus datos en Looker, BigQuery, Looker Studio y bases de datos en la nube (AlloyDB, GoogleSQL para Spanner, Cloud SQL y Cloud SQL para PostgreSQL) mediante solicitudes HTTP directas o el SDK. La API Conversational Analytics usa Google Cloud métodos de autenticación estándar.

Antes de empezar

Antes de autenticarte en la API Conversational Analytics y configurar las conexiones a tus datos, debes cumplir los requisitos previos y habilitar las APIs necesarias para tu proyecto, tal como se describe en el artículo Habilitar la API Conversational Analytics. Google Cloud

Autenticar en la API Conversational Analytics

En esta sección se describe cómo autenticarse en la API Conversational Analytics (a través de geminidataanalytics.googleapis.com) mediante métodos HTTP y Python para obtener los tokens de autorización necesarios.

HTTP curl

El siguiente comando curl de ejemplo envía una solicitud a la API Conversational Analytics. El comando gcloud auth print-identity-token proporciona un token de acceso que se usa para la autorización. En el código de ejemplo, sustituya por la ruta de recurso de la API adecuada.

curl  -H "Authorization: Bearer $(gcloud auth print-identity-token)" \
https://geminidataanalytics.googleapis.com/

HTTP con Python

En el siguiente código de ejemplo de Python se muestra cómo obtener un token de acceso para la autenticación HTTP mediante la CLI de Google Cloud y Python.

  billing_project = 'YOUR_BILLING_PROJECT'
  access_token = !gcloud auth application-default print-access-token
  url = f"https://geminidataanalytics.googleapis.com/v1beta/projects/{billing_project}:method"
  headers = {"Authorization": f'Bearer {access_token[0]}'}

Sustituye los valores de ejemplo de la siguiente manera:

  • YOUR_BILLING_PROJECT: el ID de tu proyecto de facturación que tiene las APIs necesarias habilitadas.
  • method: ruta de recurso del endpoint de destino. Por ejemplo:
    • Para crear un agente de datos, usa el método POST y la ruta de recurso /v1beta/projects/{billing_project}/locations/global/dataAgents.
    • Para ver una lista de los agentes de datos que ya tenga, use el método GET y la ruta del recurso /v1beta/projects/{billing_project}/locations/global/dataAgents.

SDK de Python

El siguiente código de ejemplo de Python muestra cómo autenticar tu cuenta de Google para acceder a la API Conversational Analytics en Colaboratory:

from google.colab import auth
auth.authenticate_user()

Conectarse a Looker con la API Conversational Analytics

Para conectarse a Looker con la API Conversational Analytics, debe proporcionar la siguiente información:

Además, el usuario que se autentica o la cuenta de servicio deben tener los permisos de Looker necesarios.

Elegir el método de autenticación adecuado

A continuación, puedes elegir autenticarte con claves de API de Looker (ID de cliente y secreto de cliente) o con un token de acceso. Los clientes que usen Looker (Google Cloud core) solo con conexiones privadas deben autenticarse con un token de acceso.

Usa la siguiente tabla para elegir el método de autenticación adecuado.

Tipo de usuario Método de autenticación Para Looker (original) Looker (servicio principal de Google Cloud) Para Looker (Google Cloud Core) que solo usa conexiones privadas Descripción
Insertar usuarios Token de acceso login_user login_user login_user Respeta los permisos de nivel de fila y columna de LookML (por ejemplo, access_filters, access_grants y sql_always_where) del access_token del usuario de destino.
Usuarios estándar Token de acceso

login_user

O

Cliente de OAuth

 Cliente de OAuth Cliente de OAuth Respeta los permisos de nivel de fila y columna de LookML (por ejemplo, access_filters, access_grants y sql_always_where) del access_token del usuario de destino.
Cuenta de servicio solo para la API de Looker Clave de API ID y secreto de cliente ID y secreto de cliente N/A Todos los usuarios comparten el mismo nivel de acceso a Looker.

Las claves de API usan los permisos y los niveles de acceso del usuario. Las claves de API pueden ser útiles si estás creando una aplicación en la que todos los usuarios comparten el mismo nivel de acceso.

Un token de acceso te permite usar los permisos a nivel de fila y columna de LookML (por ejemplo, access_filters, access_grants y sql_always_where) del access_token del usuario objetivo. Un token de acceso es útil para una aplicación multiempresa.

Permisos de Looker necesarios

El usuario o la cuenta de servicio cuyas credenciales se usen para la autenticación deben tener un rol de Looker que incluya los siguientes permisos para los modelos que quieras consultar:

Puede configurar estos permisos en la sección Administrar > Roles de su instancia de Looker.

Autenticarse con claves de API de Looker

En esta sección se describe cómo generar las claves de API y configurar la API Conversational Analytics para conectarse a Looker mediante solicitudes HTTP directas o el SDK.

Para establecer una conexión con una instancia de Looker, necesitas claves de API de Looker válidas, que crea Looker y que constan de un ID de cliente y un secreto de cliente. Looker usa estas claves para autorizar solicitudes a la API de Looker.

Para obtener más información sobre cómo generar nuevas claves de API de Looker, consulta Configuración de administrador - Usuarios. Para obtener más información sobre los métodos de autenticación y la gestión de claves de API de Looker, consulta el artículo Autenticación de la API de Looker.

HTTP con Python

Una vez que hayas generado las claves de API (ID de cliente y secreto), podrás configurar la API Conversational Analytics para que se conecte a Looker haciendo solicitudes HTTP directas. En el siguiente código de ejemplo se muestra cómo especificar los detalles de la fuente de datos de Looker y las claves de API en el cuerpo de la solicitud HTTP.


looker_credentials = {
  "oauth": {
      "secret": {
        "client_id": "your_looker_client_id",
        "client_secret": "your_looker_client_secret",
      }
  }
}

looker_data_source = {
  "looker": {
    "explore_references": {
        "looker_instance_uri": "https://your_company.looker.com",
        "lookml_model": "your_model",
        "explore": "your_explore",
    }
  }
}

Sustituye los valores de ejemplo de la siguiente manera:

  • your_looker_client_id: el ID de cliente de la clave de API de Looker que has generado.
  • your_looker_client_secret: el secreto de cliente de la clave de API de Looker que has generado.
  • https://your_company.looker.com: URL completa de tu instancia de Looker
  • your_model: nombre del modelo de LookML que quieras usar
  • your_explore: el nombre del Exploración del modelo especificado que quieras usar.

SDK de Python

Una vez que hayas generado las claves de API (ID de cliente y secreto), podrás configurar la API Conversational Analytics para que se conecte a Looker mediante Python. En el siguiente código de ejemplo de Python se muestra cómo especificar los detalles de tu fuente de datos de Looker y tus claves de API en la API Conversational Analytics.

looker_client_id = "YOUR-LOOKER-CLIENT-ID" # @param {type:"string"}
looker_client_secret = "YOUR-LOOKER-CLIENT-SECRET" # @param {type:"string"}
looker_instance_uri = "YOUR-LOOKER-INSTANCE-URI" # @param {type:"string"}
lookml_model = "YOUR-LOOKER-MODEL" # @param {type:"string"}
explore = "YOUR-LOOKER-EXPLORE" # @param {type:"string"}

# Looker data source
looker_explore_reference = geminidataanalytics.LookerExploreReference()
looker_explore_reference.looker_instance_uri = looker_instance_uri
looker_explore_reference.lookml_model = lookml_model
looker_explore_reference.explore = explore

credentials = geminidataanalytics.Credentials()
credentials.oauth.secret.client_id = looker_client_id
credentials.oauth.secret.client_secret = looker_client_secret

# Connect to your data source
datasource_references = geminidataanalytics.DatasourceReferences()
datasource_references.looker.explore_references = [looker_explore_reference]

Sustituye los valores de ejemplo de la siguiente manera:

  • YOUR-LOOKER-CLIENT-ID: el ID de cliente de la clave de API de Looker que has generado.
  • YOUR-LOOKER-CLIENT-SECRET: el secreto de cliente de la clave de API de Looker que has generado.
  • YOUR-LOOKER-INSTANCE-URI: URL completa de tu instancia de Looker
  • YOUR-LOOKER-MODEL: el nombre del modelo de Looker que quieras usar.
  • YOUR-LOOKER-EXPLORE: nombre de la Exploración de Looker que quieras usar

Autenticarse con un token de acceso

En esta sección se describe cómo configurar la API Conversational Analytics para conectarse a Looker mediante un token de acceso.

Para establecer una conexión con una instancia de Looker, necesitas un valor de OAuth2 access_token válido, que se crea mediante una solicitud correcta al endpoint de la API de Looker login.

Para obtener más información sobre cómo generar un token de acceso, consulta Autenticación de la API de Looker y cómo presentar credenciales de cliente para obtener un token de autorización.

HTTP con Python

El siguiente ejemplo de código muestra cómo especificar los detalles de la fuente de datos de Looker y el token de acceso en el cuerpo de la solicitud HTTP.

Te recomendamos que almacenes el token de acceso de Looker (access_token) como una variable de entorno para mejorar la seguridad.

looker_credentials = {
  "oauth": {
    "token": {
      "access_token": "YOUR-TOKEN",
    }
  }
}

looker_data_source = {
  "looker": {
    "explore_references": {
        "looker_instance_uri": "https://your_company.looker.com",
        "lookml_model": "your_model",
        "explore": "your_explore",
    }
  }
}

Sustituye los valores de ejemplo de la siguiente manera:

  • YOUR-TOKEN: el valor access_token que generas para autenticarte en Looker.
  • https://your_company.looker.com: URL completa de tu instancia de Looker
  • your_model: nombre del modelo de LookML que quieras usar
  • your_explore: el nombre del Exploración del modelo especificado que quieras usar.

SDK de Python

El siguiente código de Python de ejemplo muestra cómo definir los detalles de tu fuente de datos de Looker y tu token de acceso para autenticarte con el SDK de Python.

Te recomendamos que almacenes el token de acceso de Looker (access_token) como una variable de entorno para mejorar la seguridad.

looker_access_token = "YOUR-TOKEN"
looker_instance_uri = "YOUR-LOOKER-INSTANCE-URI"
lookml_model = "YOUR-LOOKER-MODEL"
explore = "YOUR-LOOKER-EXPLORE"

# Looker data source
looker_explore_reference = geminidataanalytics.LookerExploreReference()
looker_explore_reference.looker_instance_uri = looker_instance_uri
looker_explore_reference.lookml_model = lookml_model
looker_explore_reference.explore = explore

credentials = geminidataanalytics.Credentials()
credentials.oauth.token.access_token = looker_access_token

# Connect to your data source
datasource_references = geminidataanalytics.DatasourceReferences()
datasource_references.looker.explore_references = [looker_explore_reference]

Sustituye los valores de ejemplo de la siguiente manera:

  • YOUR-TOKEN: el valor de access_token que usas para autenticarte en Looker.
  • YOUR-LOOKER-INSTANCE-URI: URL completa de tu instancia de Looker
  • YOUR-LOOKER-MODEL: el nombre del modelo de Looker que quieras usar.
  • YOUR-LOOKER-EXPLORE: nombre de la Exploración de Looker que quieras usar

HTTP mediante JavaScript

En el siguiente ejemplo de código se muestra cómo especificar los detalles de la fuente de datos de Looker y el token de acceso en el cuerpo de la solicitud HTTP.

Te recomendamos que almacenes el token de acceso de Looker (access_token) como una variable de entorno para mejorar la seguridad.

const requestBody = {
  project: GCP_PROJECT,
  messages: [
    {
      user_message: {
        text: inputWithPreviousMessages,
      },
    },
  ],
  context: {
    system_instruction: agentConfig.system_instructions,
    datasource_references: {
      looker: {
        explore_references: [
          {
            looker_instance_uri: YOUR-LOOKER-INSTANCE-URI,
            lookml_model: YOUR-LOOKER-MODEL,
            explore: YOUR-LOOKER-EXPLORE,
          },
        ],
        credentials: {
          oauth: {
            token: {
              access_token: YOUR-TOKEN,
            },
          },
        },
      },
    },
  },
}

Sustituye los valores de ejemplo de la siguiente manera:

  • YOUR-LOOKER-INSTANCE-URI: URL completa de tu instancia de Looker
  • YOUR-LOOKER-MODEL: nombre del modelo de LookML que quieras usar
  • YOUR-LOOKER-EXPLORE: el nombre del Exploración del modelo especificado que quieras usar.
  • YOUR-TOKEN: el valor access_token que generas para autenticarte en Looker.

Conectarse a BigQuery con la API Conversational Analytics

Para conectarse a una o varias tablas de BigQuery con la API Conversational Analytics, debe autenticarse en el proyecto de BigQuery correspondiente a cada tabla. En cada tabla, proporcione la siguiente información:

  • El ID del proyecto de BigQuery
  • ID del conjunto de datos de BigQuery
  • ID de la tabla de BigQuery

Con la API Conversational Analytics, no hay límites estrictos en el número de tablas de BigQuery a las que puede conectarse. Sin embargo, conectarse a un gran número de tablas puede reducir la precisión o hacer que superes el límite de tokens de entrada de Gemini. Las consultas que requieren combinaciones complejas en varias tablas también pueden dar lugar a respuestas menos precisas.

En esta sección se describe cómo configurar la API Conversational Analytics para conectarse a BigQuery mediante solicitudes HTTP directas o un SDK.

HTTP con Python

El siguiente código de ejemplo define una conexión a varias tablas de BigQuery.

bigquery_data_sources = {
    "bq": {
      "tableReferences": [
        {
          "projectId": "my_project_id",
          "datasetId": "my_dataset_id",
          "tableId": "my_table_id"
        },
        {
          "projectId": "my_project_id_2",
          "datasetId": "my_dataset_id_2",
          "tableId": "my_table_id_2"
        },
        {
          "projectId": "my_project_id_3",
          "datasetId": "my_dataset_id_3",
          "tableId": "my_table_id_3"
        },
      ]
    }
}

Sustituye los valores de ejemplo de la siguiente manera:

  • my_project_id: ID del Google Cloud proyecto que contiene el conjunto de datos y la tabla de BigQuery a los que quiere conectarse. Para conectarte a un conjunto de datos público, especifica bigquery-public-data.
  • my_dataset_id: ID del conjunto de datos de BigQuery.
  • my_table_id: el ID de la tabla de BigQuery.

SDK de Python

Puedes usar el auth SDK de Colaboratory para autenticarte en BigQuery con las credenciales de tu usuario autenticado en Colaboratory.

El siguiente código de Python de ejemplo define una conexión a varias tablas de BigQuery y muestra cómo autenticar tu cuenta de Google en BigQuery dentro de Colaboratory.

from google.colab import auth
auth.authenticate_user()

# BigQuery data source
bigquery_table_reference = geminidataanalytics.BigQueryTableReference()
bigquery_table_reference.project_id = "my_project_id"
bigquery_table_reference.dataset_id = "my_dataset_id"
bigquery_table_reference.table_id = "my_table_id"

bigquery_table_reference_2 = geminidataanalytics.BigQueryTableReference()
bigquery_table_reference_2.project_id = "my_project_id_2"
bigquery_table_reference_2.dataset_id = "my_dataset_id_2"
bigquery_table_reference_2.table_id = "my_table_id_2"

bigquery_table_reference_3 = geminidataanalytics.BigQueryTableReference()
bigquery_table_reference_3.project_id = "my_project_id_3"
bigquery_table_reference_3.dataset_id = "my_dataset_id_3"
bigquery_table_reference_3.table_id = "my_table_id_3"

# Connect to your data source
datasource_references = geminidataanalytics.DatasourceReferences()
datasource_references.bq.table_references = [bigquery_table_reference, bigquery_table_reference_2, bigquery_table_reference_3]

Sustituye los valores de ejemplo de la siguiente manera:

  • my_project_id: ID del Google Cloud proyecto que contiene el conjunto de datos y la tabla de BigQuery a los que quiere conectarse. Para conectarte a un conjunto de datos público, especifica bigquery-public-data.
  • my_dataset_id: ID del conjunto de datos de BigQuery. Por ejemplo, san_francisco.
  • my_table_id: el ID de la tabla de BigQuery. Por ejemplo, street_trees.

Conectarse a Looker Studio con la API Conversational Analytics

Para conectarte a Looker Studio con la API Conversational Analytics, primero debes habilitar la API Looker Studio. En esta sección se describe cómo configurar la API Conversational Analytics para conectarla a Looker Studio mediante solicitudes HTTP directas o un SDK.

Habilitar la API de Looker Studio

Para habilitar la API Looker Studio, sigue las instrucciones que se indican en Habilitar la API.

Autenticar en Looker Studio

Para conectarte a Looker Studio con la API Conversational Analytics, debes autenticarte en Looker Studio y proporcionar el ID de la fuente de datos de Looker Studio.

HTTP con Python

Una vez que hayas habilitado la API de Looker Studio, podrás autenticarte en Looker Studio haciendo solicitudes HTTP curl con Python. En el siguiente código de ejemplo se muestra cómo especificar los detalles de la fuente de datos de Looker en el cuerpo de la solicitud HTTP.

Puedes autenticarte en Looker Studio haciendo solicitudes HTTP directas. En el siguiente bloque de código se muestra una llamada HTTP de ejemplo.

looker_studio_data_source = {
    "studio":{
        "studio_references":
        [
            {
              "datasource_id": "your_studio_datasource_id"
            }
        ]
    }
}

Sustituye your_studio_datasource_id por el ID de la fuente de datos de Looker Studio que quieras usar.

SDK de Python

Una vez que hayas habilitado la API de Looker Studio, podrás autenticarte en Looker Studio mediante un SDK. En el siguiente ejemplo de código de Python se muestra cómo especificar los detalles de la fuente de datos de Looker y autenticarse en Looker Studio.


datasource_id = "STUDIO-DATASOURCE-ID"

# Looker Studio
studio_references = geminidataanalytics.StudioDatasourceReference()
studio_references.datasource_id = studio_datasource_id

# Connect to your data source
datasource_references = geminidataanalytics.DatasourceReferences()
datasource_references.studio.studio_references = [studio_references]

Sustituye STUDIO-DATASOURCE-ID por el ID de la fuente de datos de Looker Studio que quieras usar.

Conectarse a bases de datos con la API Conversational Analytics

Para conectarte a bases de datos con la API Conversational Analytics, debes tener los permisos de gestión de identidades y accesos necesarios para tu instancia de base de datos.

Conectarse a AlloyDB para PostgreSQL

El usuario o la cuenta de servicio deben tener el rol alloydb.databaseUser. Para obtener más información, consulta AlloyDB y la autenticación de bases de datos de gestión de identidades y accesos.

HTTP con Python

En el siguiente código de ejemplo se muestra cómo especificar los detalles de AlloyDB y de la fuente de datos en el cuerpo de la solicitud HTTP al endpoint queryData.

alloydb_data_source = {
    "alloydbReference": {
        "databaseReference": {
            "tableId": [
                "your_table_id_1",
                "your_table_id_2"
            ]
        },
        "agentContextReference": {
            "context_set_id": "your_context_set_id"
        }
    }
}

Sustituye los valores de ejemplo de la siguiente manera:

  • your_table_id: lista de IDs de tabla separados por comas. Si no se define, se tienen en cuenta todas las tablas de la base de datos.
  • your_context_set_id: ID completo del conjunto de contexto que se va a recuperar. Para obtener más información sobre cómo encontrar el ID del conjunto de contexto, consulta Buscar el ID del contexto del agente en AlloyDB.

SDK de Python

El siguiente código de Python de ejemplo muestra cómo definir los detalles de AlloyDB y de la fuente de datos mediante el SDK de Python.

# AlloyDB data source
alloydb_table_ids = ["your_table_id_1", "your_table_id_2"]
alloydb_context_set_id = "your_context_set_id"

alloydb_reference = geminidataanalytics.AlloyDbReference()
alloydb_reference.database_reference.table_id = alloydb_table_ids
alloydb_reference.agent_context_reference.context_set_id = alloydb_context_set_id

# Connect to your data source
datasource_references = geminidataanalytics.DatasourceReferences()
datasource_references.alloydb.alloydb_reference = alloydb_reference

Sustituye los valores de ejemplo de la siguiente manera:

  • your_table_id_1: el ID de la primera tabla de tu instancia de AlloyDB.
  • your_table_id_2: el ID de la segunda tabla de tu instancia de AlloyDB.
  • your_context_set_id: ID completo del conjunto de contexto que se va a recuperar. Para obtener más información sobre cómo encontrar el ID del conjunto de contexto, consulta Buscar el ID de contexto del agente en AlloyDB.

Conectarse a GoogleSQL para Spanner

El usuario o la cuenta de servicio deben tener el rol spanner.databaseReader. Para obtener más información, consulta Aplicar roles de gestión de identidades y accesos.

HTTP con Python

En el siguiente código de ejemplo se muestra cómo especificar los detalles de la fuente de datos de GoogleSQL para Spanner en el cuerpo de la solicitud HTTP al endpoint queryData.

spanner_data_source = {
    "spannerReference": {
        "databaseReference": {
            "tableId": [
                "your_table_id_1",
                "your_table_id_2"
            ]
        },
        "agentContextReference": {
            "context_set_id": "your_context_set_id"
        }
    }
}

Sustituye los valores de ejemplo de la siguiente manera:

  • your_table_id_1: el ID de la primera tabla de tu instancia de GoogleSQL para Spanner.
  • your_table_id_2: el ID de la segunda tabla de tu instancia de GoogleSQL para Spanner.
  • your_context_set_id: ID completo del conjunto de contexto que se va a recuperar. Para obtener más información sobre cómo encontrar el ID del conjunto de contexto, consulta Buscar el ID de contexto del agente en GoogleSQL para Spanner.

SDK de Python

El siguiente código de Python de ejemplo muestra cómo definir los detalles de la fuente de datos de GoogleSQL para Spanner mediante el SDK de Python.

# Spanner data source
spanner_table_ids = ["your_table_id_1", "your_table_id_2"]
spanner_context_set_id = "your_context_set_id"

spanner_reference = geminidataanalytics.SpannerReference()
spanner_reference.database_reference.table_id = spanner_table_ids
spanner_reference.agent_context_reference.context_set_id = spanner_context_set_id

# Connect to your data source
datasource_references = geminidataanalytics.DatasourceReferences()
datasource_references.spanner.spanner_reference = spanner_reference

Sustituye los valores de ejemplo de la siguiente manera:

  • your_table_id_1: el ID de la primera tabla de tu instancia de GoogleSQL para Spanner.
  • your_table_id_2: el ID de la segunda tabla de tu instancia de GoogleSQL para Spanner.
  • your_context_set_id: ID completo del conjunto de contexto que se va a recuperar. Para obtener más información sobre cómo encontrar el ID del conjunto de contexto, consulta Buscar el ID de contexto del agente en GoogleSQL para Spanner.

Conectarse a Cloud SQL y Cloud SQL para PostgreSQL

En las siguientes secciones se proporcionan instrucciones para conectarse a Cloud SQL y a Cloud SQL para PostgreSQL. El usuario o la cuenta de servicio deben tener los roles cloudsql.studioUser y cloudsql.instanceUser. Para obtener más información, consulta Gestionar usuarios con la autenticación de bases de datos de gestión de identidades y accesos de Cloud SQL y Gestionar usuarios con la autenticación de bases de datos de gestión de identidades y accesos de Cloud SQL para PostgreSQL.

HTTP con Python

El siguiente código de ejemplo muestra cómo especificar los detalles de la fuente de datos de Cloud SQL y Cloud SQL para PostgreSQL en el cuerpo de la solicitud HTTP al endpoint queryData.

cloudsql_data_source = {
    "cloudSqlReference": {
        "databaseReference": {
            "tableId": [
                "your_table_id_1",
                "your_table_id_2"
            ]
        },
        "agentContextReference": {
            "context_set_id": "your_context_set_id"
        }
    }
}

Sustituye los valores de ejemplo de la siguiente manera:

SDK de Python

El siguiente código de ejemplo de Python muestra cómo definir los detalles de tu fuente de datos de Cloud SQL y Cloud SQL para PostgreSQL con el SDK de Python.

# Cloud SQL data source
cloudsql_table_ids = ["your_table_id_1", "your_table_id_2"]
cloudsql_context_set_id = "your_context_set_id"

cloudsql_reference = geminidataanalytics.CloudSqlReference()
cloudsql_reference.database_reference.table_id = cloudsql_table_ids
cloudsql_reference.agent_context_reference.context_set_id = cloudsql_context_set_id

# Connect to your data source
datasource_references = geminidataanalytics.DatasourceReferences()
datasource_references.cloudsql.cloudsql_reference = cloudsql_reference

Sustituye los valores de ejemplo de la siguiente manera: