Mengautentikasi dan terhubung ke sumber data dengan Conversational Analytics API

Developer dapat menggunakan Conversational Analytics API, yang diakses melalui geminidataanalytics.googleapis.com, untuk membuat antarmuka chat yang didukung kecerdasan buatan (AI), atau agen data, yang menjawab pertanyaan tentang data terstruktur di BigQuery, Looker, dan Looker Studio menggunakan bahasa alami, serta mendukung kueri data dari Cloud Databases (AlloyDB, GoogleSQL untuk Spanner, Cloud SQL, dan Cloud SQL untuk PostgreSQL).

Halaman ini menjelaskan cara mengautentikasi ke Conversational Analytics API. Dokumen ini juga menjelaskan cara mengonfigurasi koneksi ke data Anda di Looker, BigQuery, Looker Studio, dan Cloud Databases (AlloyDB, GoogleSQL untuk Spanner, Cloud SQL, dan Cloud SQL untuk PostgreSQL) dengan menggunakan permintaan HTTP langsung atau SDK. Conversational Analytics API menggunakan metode autentikasiGoogle Cloud standar.

Sebelum memulai

Sebelum dapat melakukan autentikasi ke Conversational Analytics API dan mengonfigurasi koneksi ke data, Anda harus menyelesaikan prasyarat dan mengaktifkan API yang diperlukan untuk Google Cloud project, seperti yang dijelaskan dalam Mengaktifkan Conversational Analytics API.

Melakukan autentikasi ke Conversational Analytics API

Bagian ini menjelaskan cara melakukan autentikasi ke Conversational Analytics API (melalui geminidataanalytics.googleapis.com) menggunakan metode HTTP dan Python untuk mendapatkan token otorisasi yang diperlukan.

HTTP curl

Perintah curl contoh berikut mengirim permintaan ke Conversational Analytics API. Perintah gcloud auth print-identity-token memberikan token akses yang digunakan untuk otorisasi. Dalam contoh kode, ganti dengan jalur resource API yang sesuai.

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

HTTP menggunakan Python

Contoh kode Python berikut menunjukkan cara mendapatkan token akses untuk autentikasi HTTP menggunakan Google Cloud CLI dan 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]}'}

Ganti nilai sampel sebagai berikut:

  • YOUR_BILLING_PROJECT: ID project penagihan Anda yang telah mengaktifkan API yang diperlukan.
  • method: Jalur resource untuk endpoint target. Misalnya:
    • Untuk membuat agen data, gunakan metode POST dan jalur resource /v1beta/projects/{billing_project}/locations/global/dataAgents.
    • Untuk mencantumkan agen data yang ada, gunakan metode GET dan jalur resource /v1beta/projects/{billing_project}/locations/global/dataAgents.

Python SDK

Contoh kode Python berikut menunjukkan cara mengautentikasi Akun Google Anda untuk mengakses Conversational Analytics API dalam Colaboratory:

from google.colab import auth
auth.authenticate_user()

Terhubung ke Looker dengan Conversational Analytics API

Untuk terhubung ke Looker dengan Conversational Analytics API, Anda harus memberikan informasi berikut:

Selain itu, pengguna atau akun layanan yang melakukan autentikasi harus memiliki izin Looker yang diperlukan.

Pilih metode autentikasi yang sesuai

Kemudian, Anda dapat memilih untuk melakukan autentikasi menggunakan kunci API Looker (client ID dan secret klien) atau token akses. Pelanggan yang menggunakan Looker (Google Cloud core) dengan hanya koneksi pribadi harus melakukan autentikasi dengan token akses.

Gunakan tabel berikut untuk memilih metode autentikasi yang sesuai.

Jenis pengguna Metode autentikasi Untuk Looker (asli) Untuk Looker (Google Cloud core) Untuk Looker (Google Cloud core) yang hanya menggunakan koneksi pribadi Deskripsi
Menyematkan pengguna Token akses login_user login_user login_user Mematuhi izin tingkat baris dan kolom LookML (misalnya, access_filters, access_grants, sql_always_where) access_token pengguna target.
Pengguna standar Token akses

login_user

Atau

Klien OAuth

 Klien OAuth Klien OAuth Mematuhi izin tingkat baris dan kolom LookML (misalnya, access_filters, access_grants, sql_always_where) access_token pengguna target.
Akun layanan khusus API Looker Kunci API ID dan rahasia klien ID dan rahasia klien T/A Semua pengguna memiliki tingkat akses yang sama ke Looker.

Kunci API menggunakan izin dan tingkat akses pengguna. Kunci API dapat berguna jika Anda membangun aplikasi yang memungkinkan semua orang berbagi tingkat akses yang sama.

Token akses memungkinkan Anda menggunakan izin tingkat baris dan kolom LookML (misalnya,access_filters, access_grants, sql_always_where) dari access_token pengguna target. Token akses berguna untuk aplikasi multi-tenant.

Izin Looker yang diperlukan

Akun layanan atau pengguna yang kredensialnya digunakan untuk autentikasi harus diberi peran Looker yang mencakup izin berikut untuk model yang ingin Anda kueri:

Anda dapat mengonfigurasi izin ini di bagian Admin > Peran di instance Looker Anda.

Melakukan autentikasi dengan kunci API Looker

Bagian ini menjelaskan cara membuat kunci API dan mengonfigurasi Conversational Analytics API untuk terhubung ke Looker menggunakan permintaan HTTP langsung atau SDK.

Untuk membuat koneksi dengan instance Looker, Anda memerlukan kunci API Looker yang valid, yang dibuat oleh Looker dan terdiri dari ID klien dan rahasia klien. Looker menggunakan kunci ini untuk mengizinkan permintaan ke Looker API.

Untuk mempelajari lebih lanjut cara membuat kunci API Looker baru, lihat Setelan admin - Pengguna. Untuk mempelajari lebih lanjut metode autentikasi dan pengelolaan kunci API Looker, lihat Autentikasi Looker API.

HTTP menggunakan Python

Setelah membuat kunci API (ID dan rahasia klien), Anda dapat mengonfigurasi Conversational Analytics API untuk terhubung ke Looker dengan membuat permintaan HTTP langsung. Contoh kode berikut menunjukkan cara menentukan detail sumber data Looker dan kunci API dalam isi permintaan HTTP Anda.


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",
    }
  }
}

Ganti nilai sampel sebagai berikut:

  • your_looker_client_id: ID klien kunci API Looker yang Anda buat
  • your_looker_client_secret: Rahasia klien kunci API Looker yang Anda buat
  • https://your_company.looker.com: URL lengkap instance Looker Anda
  • your_model: Nama model LookML yang ingin Anda gunakan
  • your_explore: Nama Eksplorasi dalam model tertentu yang ingin Anda gunakan

Python SDK

Setelah membuat kunci API (ID dan rahasia klien), Anda dapat mengonfigurasi Conversational Analytics API untuk terhubung ke Looker menggunakan Python. Contoh kode Python berikut menunjukkan cara menentukan detail sumber data Looker dan kunci API Anda ke Conversational Analytics API.

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]

Ganti nilai sampel sebagai berikut:

  • YOUR-LOOKER-CLIENT-ID: ID klien kunci API Looker yang Anda buat
  • YOUR-LOOKER-CLIENT-SECRET: Rahasia klien kunci API Looker yang Anda buat
  • YOUR-LOOKER-INSTANCE-URI: URL lengkap instance Looker Anda
  • YOUR-LOOKER-MODEL: Nama model Looker yang ingin Anda gunakan
  • YOUR-LOOKER-EXPLORE: Nama Eksplorasi Looker yang ingin Anda gunakan

Mengautentikasi dengan token akses

Bagian ini menjelaskan cara mengonfigurasi Conversational Analytics API untuk terhubung ke Looker menggunakan token akses.

Untuk membuat koneksi dengan instance Looker, Anda memerlukan nilai access_token OAuth2 yang valid, yang dibuat oleh permintaan yang berhasil ke endpoint Looker API login.

Untuk mempelajari lebih lanjut cara membuat token akses, lihat Autentikasi Looker API dan cara menyajikan kredensial klien untuk mendapatkan token otorisasi.

HTTP menggunakan Python

Contoh kode berikut menunjukkan cara menentukan detail sumber data Looker dan token akses dalam isi permintaan HTTP Anda.

Sebaiknya simpan token akses Looker (access_token) sebagai variabel lingkungan untuk meningkatkan keamanan.

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",
    }
  }
}

Ganti nilai sampel sebagai berikut:

  • YOUR-TOKEN: Nilai access_token yang Anda buat untuk mengautentikasi ke Looker.
  • https://your_company.looker.com: URL lengkap instance Looker Anda
  • your_model: Nama model LookML yang ingin Anda gunakan
  • your_explore: Nama Eksplorasi dalam model tertentu yang ingin Anda gunakan

Python SDK

Contoh kode Python berikut menunjukkan cara menentukan detail sumber data Looker dan token akses Anda untuk melakukan autentikasi menggunakan Python SDK.

Sebaiknya simpan token akses Looker (access_token) sebagai variabel lingkungan untuk meningkatkan keamanan.

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]

Ganti nilai sampel sebagai berikut:

  • YOUR-TOKEN: Nilai access_token yang Anda gunakan untuk mengautentikasi ke Looker
  • YOUR-LOOKER-INSTANCE-URI: URL lengkap instance Looker Anda
  • YOUR-LOOKER-MODEL: Nama model Looker yang ingin Anda gunakan
  • YOUR-LOOKER-EXPLORE: Nama Eksplorasi Looker yang ingin Anda gunakan

HTTP menggunakan JavaScript

Contoh kode berikut menunjukkan cara menentukan detail sumber data Looker dan token akses dalam isi permintaan HTTP Anda.

Sebaiknya simpan token akses Looker (access_token) sebagai variabel lingkungan untuk meningkatkan keamanan.

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,
            },
          },
        },
      },
    },
  },
}

Ganti nilai sampel sebagai berikut:

  • YOUR-LOOKER-INSTANCE-URI: URL lengkap instance Looker Anda
  • YOUR-LOOKER-MODEL: Nama model LookML yang ingin Anda gunakan
  • YOUR-LOOKER-EXPLORE: Nama Eksplorasi dalam model tertentu yang ingin Anda gunakan
  • YOUR-TOKEN: Nilai access_token yang Anda buat untuk mengautentikasi ke Looker.

Menghubungkan ke BigQuery dengan Conversational Analytics API

Untuk terhubung ke satu atau beberapa tabel BigQuery dengan Conversational Analytics API, Anda harus melakukan autentikasi ke project BigQuery yang relevan untuk setiap tabel. Untuk setiap tabel, berikan informasi berikut:

  • ID project BigQuery
  • ID set data BigQuery
  • ID tabel BigQuery

Dengan Conversational Analytics API, tidak ada batasan ketat pada jumlah tabel BigQuery yang dapat Anda hubungkan. Namun, menghubungkan ke sejumlah besar tabel dapat mengurangi akurasi atau menyebabkan Anda melampaui batas token input Gemini. Kueri yang memerlukan gabungan kompleks di beberapa tabel juga dapat menghasilkan respons yang kurang akurat.

Bagian ini menjelaskan cara mengonfigurasi Conversational Analytics API untuk terhubung ke BigQuery menggunakan permintaan HTTP langsung atau SDK.

HTTP menggunakan Python

Contoh kode berikut menentukan koneksi ke beberapa tabel 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"
        },
      ]
    }
}

Ganti nilai sampel sebagai berikut:

  • my_project_id: ID project Google Cloud yang berisi set data dan tabel BigQuery yang ingin Anda hubungkan. Untuk terhubung ke set data publik, tentukan bigquery-public-data.
  • my_dataset_id: ID set data BigQuery.
  • my_table_id: ID tabel BigQuery.

Python SDK

Anda dapat menggunakan SDK auth dari Colaboratory untuk melakukan autentikasi ke BigQuery dengan menggunakan kredensial pengguna Anda yang diautentikasi ke Colaboratory.

Contoh kode Python berikut menentukan koneksi ke beberapa tabel BigQuery dan menunjukkan cara mengautentikasi Akun Google Anda ke BigQuery dalam 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]

Ganti nilai sampel sebagai berikut:

  • my_project_id: ID project Google Cloud yang berisi set data dan tabel BigQuery yang ingin Anda hubungkan. Untuk terhubung ke set data publik, tentukan bigquery-public-data.
  • my_dataset_id: ID set data BigQuery. Contoh, san_francisco.
  • my_table_id: ID tabel BigQuery. Contoh, street_trees.

Menghubungkan ke Looker Studio dengan Conversational Analytics API

Untuk terhubung ke Looker Studio dengan Conversational Analytics API, Anda harus mengaktifkan Looker Studio API terlebih dahulu. Bagian ini menjelaskan cara mengonfigurasi Conversational Analytics API untuk terhubung ke Looker Studio menggunakan permintaan HTTP langsung atau SDK.

Mengaktifkan Looker Studio API

Untuk mengaktifkan Looker Studio API, ikuti petunjuk di Mengaktifkan API.

Mengautentikasi ke Looker Studio

Untuk terhubung ke Looker Studio dengan Conversational Analytics API, Anda harus melakukan autentikasi ke Looker Studio dan memberikan ID sumber data Looker Studio.

HTTP menggunakan Python

Setelah mengaktifkan Looker Studio API, Anda dapat melakukan autentikasi ke Looker Studio dengan membuat permintaan curl HTTP dengan Python. Contoh kode berikut menunjukkan cara menentukan detail sumber data Looker dalam isi permintaan HTTP Anda.

Anda dapat melakukan autentikasi ke Looker Studio dengan membuat permintaan HTTP langsung. Contoh panggilan HTTP ditampilkan dalam blok kode berikut.

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

Ganti your_studio_datasource_id dengan ID sumber data Looker Studio yang sebenarnya yang ingin Anda gunakan.

Python SDK

Setelah mengaktifkan Looker Studio API, Anda dapat melakukan autentikasi ke Looker Studio menggunakan SDK. Contoh kode Python berikut menunjukkan cara menentukan detail sumber data Looker dan melakukan autentikasi ke 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]

Ganti STUDIO-DATASOURCE-ID dengan ID sumber data Looker Studio yang sebenarnya yang ingin Anda gunakan.

Menghubungkan ke database dengan Conversational Analytics API

Untuk terhubung ke database dengan Conversational Analytics API, Anda harus memiliki izin IAM yang diperlukan untuk instance database Anda.

Menghubungkan ke AlloyDB untuk PostgreSQL

Pengguna atau akun layanan harus memiliki peran alloydb.databaseUser. Untuk mengetahui informasi selengkapnya, lihat AlloyDB, autentikasi database IAM.

HTTP menggunakan Python

Contoh kode berikut menunjukkan cara menentukan AlloyDB dan detail sumber data dalam isi permintaan HTTP Anda ke endpoint queryData.

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

Ganti nilai sampel sebagai berikut:

  • your_table_id: Daftar ID tabel yang dipisahkan koma. Jika tidak disetel, semua tabel dalam database akan dipertimbangkan.
  • your_context_set_id: ID lengkap set konteks yang akan diambil. Untuk mengetahui informasi selengkapnya tentang cara menemukan ID set konteks, lihat Menemukan ID konteks agen di AlloyDB.

Python SDK

Contoh kode Python berikut menunjukkan cara menentukan detail sumber data AlloyDB menggunakan Python SDK.

# 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

Ganti nilai sampel sebagai berikut:

  • your_table_id_1: ID tabel pertama di instance AlloyDB Anda.
  • your_table_id_2: ID tabel kedua di instance AlloyDB Anda.
  • your_context_set_id: ID lengkap set konteks yang akan diambil. Untuk mengetahui informasi selengkapnya tentang cara menemukan ID set konteks, lihat Menemukan ID konteks agen di AlloyDB.

Menghubungkan ke GoogleSQL untuk Spanner

Pengguna atau akun layanan harus memiliki peran spanner.databaseReader. Untuk mengetahui informasi selengkapnya, lihat Menerapkan peran IAM.

HTTP menggunakan Python

Contoh kode berikut menunjukkan cara menentukan detail sumber data GoogleSQL for Spanner dalam isi permintaan HTTP Anda ke endpoint queryData.

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

Ganti nilai sampel sebagai berikut:

  • your_table_id_1: ID tabel pertama di instance GoogleSQL for Spanner Anda.
  • your_table_id_2: ID tabel kedua di instance GoogleSQL for Spanner Anda.
  • your_context_set_id: ID lengkap set konteks yang akan diambil. Untuk mengetahui informasi selengkapnya tentang cara menemukan ID set konteks, lihat Menemukan ID konteks agen di GoogleSQL untuk Spanner.

Python SDK

Contoh kode Python berikut menunjukkan cara menentukan detail sumber data GoogleSQL untuk Spanner menggunakan Python SDK.

# 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

Ganti nilai sampel sebagai berikut:

  • your_table_id_1: ID tabel pertama di instance GoogleSQL for Spanner Anda.
  • your_table_id_2: ID tabel kedua di instance GoogleSQL for Spanner Anda.
  • your_context_set_id: ID lengkap set konteks yang akan diambil. Untuk mengetahui informasi selengkapnya tentang cara menemukan ID set konteks, lihat Menemukan ID konteks agen di GoogleSQL untuk Spanner.

Menghubungkan ke Cloud SQL dan Cloud SQL untuk PostgreSQL

Bagian berikut memberikan petunjuk untuk terhubung ke Cloud SQL dan Cloud SQL untuk PostgreSQL. Pengguna atau akun layanan harus memiliki peran cloudsql.studioUser dan cloudsql.instanceUser. Untuk mengetahui informasi selengkapnya, lihat Mengelola pengguna dengan autentikasi database IAM untuk Cloud SQL dan Mengelola pengguna dengan autentikasi database IAM untuk Cloud SQL for PostgreSQL.

HTTP menggunakan Python

Contoh kode berikut menunjukkan cara menentukan detail sumber data Cloud SQL dan Cloud SQL untuk PostgreSQL dalam isi permintaan HTTP Anda ke endpoint queryData.

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

Ganti nilai sampel sebagai berikut:

Python SDK

Contoh kode Python berikut menunjukkan cara menentukan detail sumber data Cloud SQL dan Cloud SQL untuk PostgreSQL menggunakan Python SDK.

# 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

Ganti nilai sampel sebagai berikut: