Wenn Sie Data Cloud-Connectors im Modus für föderierte Abfragen verbinden, verwendet Gemini Enterprise das Model Context Protocol (MCP), um Ihre Datenquellen direkt abzufragen. MCP-Tooldefinitionen geben dem Assistenten zwar die Mechanismen zur Ausführung von SQL, aber um Geschäftsfragen in natürlicher Sprache mit hoher Genauigkeit und niedriger Latenz zu beantworten, sind zwei zusätzliche Ebenen erforderlich:
- Standard-Analyse-Harness: Engine-spezifische prozedurale Fähigkeiten, die dem Gemini Enterprise-Assistenten beibringen, wie er Abfragen plant, Filterwerte auflöst, erweiterte Analysefunktionen verwendet und Fehler wie ein erfahrener Datenanalyst behandelt.
- Organisatorischer Kontext: Domainspezifische Fähigkeiten, benutzerdefinierte Anweisungen und Metadaten aus dem Knowledge Catalog, die das Geschäftsvokabular, die KPI-Definitionen und die Governance-Leitlinien Ihres Unternehmens den richtigen zugrunde liegenden Tabellen und Modellen zuordnen.
In diesem Dokument wird beschrieben, wie Data Cloud-Connectors von Google verwaltete integrierte Analysefunktionen verwenden und wie Sie Knowledge Catalog, benutzerdefinierte Skills und Assistentenanweisungen verwenden können, um organisatorischen Kontext für Ihre Daten bereitzustellen.
Standardmäßige Analyseumgebung
Standard-MCP-Tools stellen Low-Level-Vorgänge bereit (z. B. das Auflisten von Tabellen oder das Ausführen eines SQL-Strings), die für komplexe, mehrstufige Datenanalysen oft nicht ausreichen. First-Party-Data-Cloud-Connectors schließen diese Lücke, indem sie ein standardmäßiges Analyse-Framework bündeln – eine Reihe integrierter, von Google verwalteter Skills, die aus dem Framework für konversationelle Analyse-Agenten abgeleitet sind. Diese integrierten Skills übernehmen automatisch wichtige Analyseaufgaben, z. B. das Generieren von SELECT-Abfragen mit Lesezugriff, das Beheben von SQL-Compilerfehlern und das Aufrufen integrierter BigQuery-KI-, ML- und Graphfunktionen (z. B. AI.FORECAST, AI.DETECT_ANOMALIES, AI.CLASSIFY, AI.AGG, AI.GENERATE und GRAPH_TABLE), ohne dass Sie etwas konfigurieren oder tun müssen.
Da Google diese integrierten Connector-Skills steuert, können Sie die Connectors nicht direkt ändern oder ihnen Kontext hinzufügen. Stattdessen können Sie gängige Probleme bei der Abfrageausführung, Suchlatenz und Messwertgenauigkeit beheben, indem Sie die Connector-Einstellungen konfigurieren, Metadaten im Knowledge Catalog verwalten oder benutzerdefinierte Skills in Ihrer Gemini Enterprise App erstellen und verwenden.
In der folgenden Tabelle werden häufige Probleme beschrieben, die bei der Verwendung von Data Cloud-Connectors auftreten können, sowie Optionen zu ihrer Behebung:
| Problem | Lösungsmöglichkeiten |
|---|---|
| Sicherstellen, dass alle BigQuery-Abfragen in einem einzigen Projekt ausgeführt werden |
Konfigurieren Sie die Abrechnungsprojekt-ID (unter Erweiterte Optionen), wenn Sie den BigQuery-Datenspeicher erstellen. Wenn Sie ein Abrechnungsprojekt festlegen, werden alle BigQuery-Abfragejobs, die über den Connector ausgeführt werden, in diesem angegebenen Google Cloud Projekt ausgeführt und abgerechnet. |
| Suchlatenz reduzieren oder bestimmte Daten priorisieren |
Verwenden Sie eine oder beide der folgenden Optionen, um einzugrenzen, wo der Agent nach Daten sucht und diese abfragt:
|
| Der KI-Agent verwendet die falsche Definition eines Messwerts oder verknüpft falsche Schlüssel |
Verwenden Sie eine oder mehrere der folgenden Optionen, um Definitionen und Join-Logik zu standardisieren:
|
Einen Vergleich der Vorteile von Knowledge Catalog und benutzerdefinierten Skills finden Sie unter Ort für die Definition von Geschäftsmesswerten auswählen: Benutzerdefinierte Skills im Vergleich zu Knowledge Catalog. Eine detaillierte Anleitung zum Erstellen und Aktivieren von Skills in Ihrer App finden Sie unter Skills erstellen und verwalten und Skills verwalten.
Organisatorischen Kontext mit Skills und Knowledge Catalog bereitstellen
Da Data Cloud-Connectors nicht auf ein einzelnes Dataset oder eine einzelne Tabelle beschränkt sind, sondern auf alle Ressourcen in der verbundenen Datenquelle zugreifen können, für die der authentifizierte Nutzer eine Abfrageberechtigung hat, benötigt der Assistent organisatorischen Kontext, um zu wissen, welche Assets maßgeblich sind und wie Ihr Unternehmen wichtige Messwerte berechnet.
Verwenden Sie einen mehrstufigen Ansatz, der Knowledge Catalog, organisationsweite benutzerdefinierte Skills und Nutzerpersonalisierung kombiniert:
1. Datenerkennung mit Knowledge Catalog fundieren
Wenn Sie einen BigQuery- oder Datenbank-Connector im föderierten Abfragemodus verbinden, wird Knowledge Catalog automatisch auf dem Tab Assistant Ihrer Gemini Enterprise-App aktiviert. Anstatt sequenzielle explorative Aufrufe über Rohdatenbankschemas hinweg auszuführen, verwendet der Agent Knowledge Catalog-Tools, um nach Daten zu suchen, auf die der Nutzer Zugriff hat, und um umfangreiche Metadatenkontexte in einem einzigen Workflow abzurufen.
Wenn Ihre Organisation Metadaten in Katalogen von Drittanbietern (z. B. DataHub) oder internen Dokumentationswikis verwaltet, synchronisieren Sie diese Beschreibungen mit Knowledge Catalog oder erfassen Sie wichtige Geschäftsregeln in organisationsweiten benutzerdefinierten Skills, damit der KI-Agent sie finden kann.
2. Ort für die Definition von Geschäftsmesswerten auswählen: Benutzerdefinierte Skills im Vergleich zu Knowledge Catalog
Wenn Sie organisationsspezifische Analyseregeln codieren und Definitionen von Geschäftsmesswerten sowie SQL-Formeln für alle Unterhaltungen standardisieren möchten, haben Sie folgende Möglichkeiten:
- Benutzerdefinierte Skills erstellen, hochladen und teilen (und geteilte Skills verwalten) – direkt in Gemini Enterprise.
- Arbeiten Sie mit Ihren Data Stewards zusammen, um Definitionen für Unternehmensmesswerte, Unternehmensglossare und vorab geprüfte Beispielabfragen in Knowledge Catalog zu kuratieren (siehe Glossare in Knowledge Catalog verwalten und Übersicht über Datenprodukte).
Wenn Sie die genaue Berechnungslogik und Filterregeln für die KPIs des Unternehmens definieren, muss der Assistent nicht raten. Sie können beispielsweise festlegen, dass „Aktiver Kunde“ genau ein Konto in analytics_prod.crm.user_events_log mit mehr als 10 Plattformanmeldungen in den letzten 30 Tagen (event_type = 'LOGIN' und is_test_account = FALSE) bedeutet oder dass „Netto-Deckungsbeitrag“ Werbegeschenke (order_type != 'PROMO') und Inventarschwund (status != 'SHRINKAGE') ausschließen muss.
Wenn Sie entscheiden, ob Sie Messwertdefinitionen in benutzerdefinierten Skills in Gemini Enterprise oder in Knowledge Catalog implementieren möchten, sollten Sie die folgenden Vor- und Nachteile berücksichtigen:
- Knowledge Catalog:
- Vorteile:
- Erzwingt IAM-Zugriffssteuerungen (Identity and Access Management), damit Nutzer und KI-Agenten nur Metadaten und Definitionen finden, für die sie die Berechtigung zum Aufrufen haben.
- Kann in anderen Agenten-Frameworks, Tools und Plattformen außerhalb von Gemini Enterprise (z. B. BigQuery Studio und MCP-Clients) wiederverwendet werden.
- Sie werden zentral von Data-Governance-Teams verwaltet, ohne dass einzelne App-Nutzer einen Skill aktivieren müssen.
- Nachteile:
- Stellt beschreibenden Metadatenkontext und Beispielabfragen bereit, anstatt strikte Verfahrensanweisungen zu geben. Daher muss der KI-Agent möglicherweise zusätzliche Prompts für komplexe, mehrstufige Berechnungsabläufe erhalten.
- Organisationsweite benutzerdefinierte Skills in Gemini Enterprise:
- Vorteile:
- Stellt spezifische, verbindliche Verfahrensanweisungen und genaue SQL-Formeln bereit, die der Agent deterministisch in der Anwendung befolgt.
- Können von Gemini Enterprise-App-Administratoren schnell erstellt und aktualisiert werden, ohne dass Ressourcen im Unternehmenskatalog geändert werden müssen.
- Nachteile:
- Muss für Nutzer freigegeben und in Gemini Enterprise aktiviert sein. Gilt nur innerhalb von Gemini Enterprise und nicht für andere Harnesses oder Plattformen.
3. Analyse mit Nutzer-Skills und Personalisierung anpassen
Einzelne Analysten und geschäftliche Nutzer können den organisationsweiten Skills einen persönlichen Kontext hinzufügen:
- Von Nutzern erstellte Skills: Endnutzer können persönliche Skills für wiederkehrende Analyseaufgaben oder teamspezifische Standardeinstellungen erstellen. Ein Skill könnte beispielsweise festlegen, dass der Assistent bei der Frage nach der „wöchentlichen Produktleistung“ automatisch nach der Produktlinie des Nutzers filtert, QA-Traffic ausschließt und die Ergebnisse nach Geschäftswoche gruppiert.
- Gemini Enterprise-Speicher und ‑Personalisierung: Wenn die Personalisierung aktiviert ist, kann sich der Assistent nutzerspezifische Einstellungen und Erläuterungen über mehrere Sitzungen hinweg merken. Dadurch werden im Laufe der Zeit weniger Prompts zur Mehrdeutigkeitsauflösung erforderlich.
Auswählen, wo die einzelnen Kontexttypen konfiguriert werden sollen
Da Google die integrierten Skills steuert, die mit Data Cloud-Connectors verknüpft sind, können Sie einem Connector keinen benutzerdefinierten Kontext direkt hinzufügen. Verwenden Sie stattdessen die folgende Tabelle, um zu entscheiden, wo Sie Ihre Analyseregeln und den geschäftlichen Kontext konfigurieren:
| Kontextschicht | Verwaltet von | Geeignete Anwendungsfälle | Beispiel |
|---|---|---|---|
| Knowledge Catalog-Metadaten | Data Stewards und Katalogadministratoren | Dynamische Asset-Erkennung in großen Datenbeständen, Tabellen- und Spaltenbeschreibungen, Signale zur Datenqualität, Dataset-Glossare und verifizierte SQL-Abfragen. | Zertifizierte Datenprodukte und Begriffe aus dem Unternehmensglossar in analytics_prod kuratieren, damit der KI-Agent vertrauenswürdige Tabellen und Messwertdefinitionen finden kann. |
| Organisationsweite benutzerdefinierte Skills und Anweisungen für den Assistenten | Gemini Enterprise-Administratoren und Datenoperatoren | Deterministische Projekt- und Dataset-Bereiche, unternehmensweite KPI-Definitionen, Regeln zur Mehrdeutigkeitsauflösung und Antwortkonventionen. | Abfragen auf bestimmte Produktions-Datasets beschränken; die genaue SQL-Berechnung für „Gewichteter Netto-ARR“ definieren. |
| Nutzerfähigkeiten und Personalisierung | Einzelne Endnutzer und Analysten | Rollenspezifische Standardfilter, bevorzugte Messwertlayouts und wiederkehrende Team-Workflows. | Automatische Anwendung der Filter für die EMEA-Region und aktive QA, wenn ein Nutzer nach „monatlichen Pipeline-Messwerten“ fragt. |
Nächste Schritte
- Informationen zum Erstellen und Verwalten von Skills und zum Verwalten von geteilten Skills in Gemini Enterprise
- Lesen Sie die Übersicht über Data Cloud-Connectors und Sichere Data Cloud-Connectors.