Datenkontext in Knowledge Catalog

Mit dem Datenkontext in Knowledge Catalog können Sie technische Strukturen, Geschäftsregeln und reale Nutzungsmuster in einer aktiven Kontextschicht zusammenführen. Mit Knowledge Catalog können Sie und Ihre KI-Anwendungen Daten-Assets genau und sicher erkennen, bewerten und interpretieren, ohne manuelle Validierung oder Halluzinationen.

Was ist Kontext?

Kontext ist das komplexe Geflecht aus strukturellen, operativen und semantischen Details, die ein Daten-Asset beschreiben. Anstatt eine Tabelle als eigenständiges Schema von Namen und Datentypen darzustellen, liefert der Kontext die vollständige Geschichte Ihrer Daten.

Knowledge Catalog organisiert den Kontext in den folgenden Ebenen:

  • Technische Metadaten Die Strukturdetails, die direkt aus Quellsystemen aufgenommen werden, einschließlich Datenbankschemas, Feldtypen, Partitionierungsschlüsseln und Sicherheits-Tags (z. B. IAM-Richtlinien).

  • Semantische Metadaten: Die geschäftliche Bedeutung der Daten, einschließlich Unternehmensglossaren, Messwertbeziehungen, Klassifizierungen, Fachterminologie und Golden Queries (verifizierte Fragen in natürlicher Sprache, die den richtigen SQL-Codeanweisungen zugeordnet sind).

  • Betriebsmetadaten: Das Verhalten und der Zustand der Daten im Zeitverlauf, einschließlich Ausführungsprofilen, Profiling-Statistiken und Datenqualitätsergebnissen.

  • Beziehungen: Die abgeleiteten oder definierten Verknüpfungen zwischen zugrunde liegenden Speichertabellen und konzeptionellen Geschäftsindikatoren.

  • Device-Trust-Signale: Bestätigungsindikatoren wie Eigentums- und Zertifizierungsstempel, die bestätigen, ob ein Asset eine zuverlässige Quelle ist.

  • Anleitung für Kundenservicemitarbeiter: Unstrukturierte Beschreibungen (z. B. README-Dateien, Nutzungshinweise und Ausführungslogs), die autonome Tools anleiten, wie und wann eine Ressource abgefragt werden soll.

Durch die Vereinheitlichung dieser Ebenen trägt Knowledge Catalog dazu bei, dass Ihre Daten vollständig verstanden werden. So können Sie operative Engpässe und Unsicherheiten im Zusammenhang mit isolierten und undokumentierten Daten vermeiden.

Unterschied zwischen Datenkontext und Metadaten

Metadaten sind zwar die grundlegenden Bausteine, aber Metadaten und Kontext sind nicht austauschbar:

  • Metadaten Beschreibende Attribute, die die zugrunde liegende Struktur, den Speicherort und die technischen Eigenschaften eines isolierten Daten-Assets definieren (z. B. Spaltennamen, Datentypen, Partitionsschlüssel und Tabellengrößen).
  • Context ist. Der synthetisierte, mehrdimensionale Knowledge Graph, der technische Schemas, Geschäftssemantik, Datenbeziehungen, Betriebsverhalten und Vertrauenssignale kombiniert, um Daten Bedeutung zu verleihen und die Argumentation zu steuern.

Knowledge Catalog wandelt die Metadatenverwaltung von einem passiven Katalog in eine dynamische Steuerungsebene mit aktivem Kontext um. In der folgenden Tabelle werden die wichtigsten Unterschiede zwischen passiven Metadaten und aktivem Datenkontext aufgeführt:

Dimension Technische Metadaten Aktiver Datenkontext
Hauptfokus Zugrunde liegende Spezifikationen und Speicherformat. Geschäftliche Bedeutung, Betriebsverhalten und Beziehungen.
Bundesland Passiv: In Katalog-Registries gespeichert, damit Entwickler sie manuell nachschlagen können. Aktiv: Wird kontinuierlich durch KI angereichert, aus Abfrageverläufen extrahiert und dynamisch für LLM-Prompts zusammengestellt.
Primäre Nutzer Datenbank-Engines, Data Engineers und Compliance-Auditoren. KI-Agenten, Large Language Models (LLMs), Business Analysts und konversationelle Schnittstellen.
Hauptzweck Speicherverwaltung, Indexierung und Compliance-Prüfung. Fundierung der Problemlösung des KI-Agenten, Auflösen von Joins und Verhindern von Halluzinationen.

Beispiel: Metadaten im Vergleich zum Kontext

Um zu verstehen, wie der Kontext technische Metadaten erweitert, sehen Sie sich an, wie Knowledge Catalog eine Transaktionsspalte darstellt:

Technische Metadaten allein

Technische Metadaten enthalten strukturelle Informationen, aber keine Geschäftslogik und keine Betriebsrichtlinien:

  • Tabelle: fact_orders
  • Spalte: disc_val
  • Datentyp: NUMERIC
  • Speicherattribute: Partitioniert nach order_date

Ein KI-Agent, der nur diese technischen Metadaten verwendet, könnte vermuten, dass disc_val die Gesamtrabatte für Kunden darstellt. Er kann jedoch nicht feststellen, ob dieser Wert Steuern, Herstellerrabatte oder Gutscheine enthält.

Angereicherter Datenkontext

Knowledge Catalog reichert die technischen Metadaten mit semantischen, relationalen und operativen Ebenen zu einer einheitlichen Kontextnutzlast an:

  • Technisches Schema: fact_orders.disc_val (NUMERIC).
  • Semantische Definition: Dem Begriff „Promotional Discount“ (Werberabatt) im Unternehmensglossar zugeordnet, der als Kundenrabatte definiert ist, die an der Kasse angewendet werden, ausgenommen Herstellerrabatte und Versandkostenpauschalen.
  • Erkannte Beziehungen: fact_orders.customer_id wird automatisch mit dim_customers.id und fact_orders.promo_id mit dim_promotions.id verknüpft.
  • Betriebliche Nutzung: Der Abfrageverlauf zeigt, dass 90% der geschäftlichen Abfragen diese Tabelle nach status = 'COMPLETED' filtern und mit dim_promotions verknüpfen.
  • Vertrauen und Qualität: Durch automatisierte Datenqualitätsprüfungen wurde eine Gültigkeit von 99, 8% ermittelt.Die Datenaktualität wurde innerhalb der letzten 2 Stunden überprüft.
  • Golden Query: Enthält eine verifizierte SQL-Vorlage, die zeigt, wie der Netto-Umsatz mit disc_val berechnet wird.

Mit diesem vollständigen Kontext kann ein KI-Agent oder Datenanalyst Abfragen genau generieren und Daten ohne manuelle Validierung oder Halluzinationen interpretieren.

Herausforderungen bei der Verwendung von Daten ohne Kontext

In einem verteilten Datenbestand reichen Rohdaten ohne Kontext selten aus, um ein Geschäftsproblem zu lösen. Wenn strukturierte Datenbanken, unstrukturierte Logs und analytische Messwerte keine geschäftliche Bedeutung haben, stoßen Nutzer und autonome Systeme an eine Kontextgrenze, die es schwierig macht, Daten zu finden, ihnen zu vertrauen oder sie für KI zu operationalisieren. Menschliche Analysten müssen Datenquellen manuell validieren, während KI-Agenten oft ungenaue Antworten (Halluzinationen) generieren oder Aktionen nicht ausführen.

Ohne strukturierten Kontext stehen Unternehmen vor mehreren operativen Engpässen:

  • Mühsame Zusammenarbeit: Fehlende klare Geschäftsdefinitionen zwingen Analyse- und KI-Teams zu kontinuierlichen, manuellen Abstimmungszyklen mit Fachexperten, um ein grundlegendes Verständnis von Tabellen zu entwickeln.

  • Kontextabweichung. Standarddokumentation bleibt statisch und veraltet mit der Zeit. Ohne kontinuierliches Monitoring führen veraltete Metadaten zu falschen Annahmen und fehlerhaften KI-Agenten-Workflows.

  • Fehler beim logischen Denken. KI-Agenten und Large Language Models können syntaktisch korrekte SQL-Abfragen generieren, aber die zugrunde liegende Unternehmenslogik nicht berücksichtigen. Das führt zu Berechnungen, die aus geschäftlicher Sicht falsch sind.

  • Isolierte Informationen: Internes Wissen darüber, wie Datasets richtig gefiltert oder zusammengeführt werden, ist in undokumentierten Skripts oder Dashboard-Einrichtungen enthalten, anstatt in einem zentralen Inventar registriert zu werden.

Um diese operativen Engpässe zu überwinden und Daten nutzbar zu machen, benötigen Unternehmen eine zuverlässige Kontext-Engine für ihren gesamten Datenbestand.

Grundpfeiler der Kontextverwaltung

Damit diese zuverlässige Kontext-Engine für Ihren gesamten Datenbestand funktioniert, basiert Knowledge Catalog auf drei Säulen:

Aggregation

Knowledge Catalog erfasst automatisch Metadaten aus Ihren integrierten Datenbanken, Iceberg REST-Katalogen und Drittanbieterplattformen. Diese fragmentierten Eingaben werden in einer einzigen, einheitlichen Governance-Zone zusammengefasst, damit Sicherheitsrichtlinien und Klassifizierungsdefinitionen einheitlich übernommen werden.

Anreichern

Über die Knowledge Studio-Oberflächen können Data Stewards und Kontext-Engineering-Teams bestimmte Kontextsets im gesamten Kontextgraphen kontinuierlich aktualisieren und kuratieren. Knowledge Catalog wertet automatisch Transaktionslogs, Datenbankschemas und Business-Intelligence-Modelle aus, um Spaltenbeschreibungen und Tabellenbeziehungen zu ermitteln. Über die Knowledge Studio-Oberfläche können menschliche Prüfer ihr institutionelles Wissen erfassen und dynamisch auf Ihre Assets anwenden.

Suchen und abrufen

Knowledge Catalog bietet eine hochpräzise semantische Suche, mit der Sie Ihren Datenbestand in natürlicher Sprache abfragen können. Da Knowledge Catalog Berechtigungsgruppen (ACLs) und Geschäftsterminologie versteht, können sowohl Nutzer als auch autonome Agents relevante Datenkontexte mit geringer Latenz finden.

Wie Metadaten und Kontext in Knowledge Catalog eingespeist werden

Um eine zuverlässige kontextbezogene Suchmaschine zu erstellen, werden in Knowledge Catalog Informationen über automatisierte Plattform-Connectors, kontinuierliche KI-Anreicherung und erweiterbare benutzerdefinierte Schnittstellen aufgenommen und kuratiert.

Quellen für selbst erhobene Daten und automatisierte Erfassung

Knowledge Catalog erfasst automatisch strukturelle und operative Metadaten aus zentralen Google Cloud -Diensten, ohne dass eine manuelle Konfiguration erforderlich ist:

  • Datenbanken und analytische Warehouses: Dienste wie BigQuery, Spanner, Cloud SQL und AlloyDB for PostgreSQL synchronisieren kontinuierlich technische Metadaten, einschließlich Tabellenschemas, Felddatentypen, Partitionierungsschlüsseln, Clustering-Spezifikationen und Dataset-Grenzen.

  • Vordefinierte semantische BI-Synchronisierung: In Looker (Google Cloud Core) synchronisiert Knowledge Catalog automatisch Business-Intelligence-Assets:

    • Semantische LookML-Definitionen Modelle, Explores, Ansichten, Dimensionen und Measures.
    • BI-Dashboard-Assets. Dashboards, Dashboard-Elemente und Looks.

  • Datenintegration und -transformationen. Dienste wie Datastream erfassen Metadaten aus CDC-Streams (Change Data Capture), Dataform überträgt Tabellendefinitionen und SQL-Transformationen und Cortex Framework veröffentlicht registrierte Datenprodukte.

Kontinuierliche KI-gestützte Kontextkuratierung

Zusätzlich zu statischen technischen Schemas aktualisiert der Knowledge Catalog seinen Kontextgraphen dynamisch mithilfe integrierter KI-Engines:

  • Datenerkenntnisse: Die Datenanalyse basiert auf Gemini in BigQuery und wertet historische Abfrageprotokolle, Nutzertransaktionen und Schemamuster aus, um Spaltenbeschreibungen in natürlicher Sprache zu generieren, Tabellenbeziehungen (z. B. Join-Schlüssel) zu erkennen und verifizierte Beispielabfragen („Golden Queries“) vorzuschlagen, die die Unternehmenslogik erfassen. Weitere Informationen finden Sie unter Dateneinblicke für strukturierte Daten.
  • Automatisierte Datenprofilerstellung und Datenqualität. Bei Scans werden statistische Verteilungen (z. B. eindeutige Zählungen, Nullverhältnisse und Stichprobenwerte) berechnet und Daten anhand regelbasierter Datenqualitätsprüfungen ausgewertet. Dabei werden Live-Integritätswerte an Katalogeinträge angehängt. Weitere Informationen finden Sie unter Automatische Datenqualität.

Human-in-the-Loop-Kuration mit Knowledge Studio

Nutzer arbeiten im Knowledge Studio, um den aktiven Kontextgraphen zu verwalten und zu orchestrieren. Diese Oberfläche ist die zentrale Anlaufstelle für Folgendes:

  • Kontextsets: Zusammengehörige Tabellen, unstrukturierte Dokumente und Glossare werden in einheitlichen Bundles gruppiert, die von KI-Agenten verwendet werden können.
  • Anreicherungsworkflows. KI-vorgeschlagene Spaltenbeschreibungen prüfen, Zuordnungen im Unternehmensglossar anwenden und Assets manuell als maßgeblich zertifizieren. Weitere Informationen finden Sie unter Anreicherungsausführungen verwalten.
  • Umgebungsorganisation: Sicherstellen, dass verschiedene Domain-Teams (z. B. Finanzen oder Engineering) eigene isolierte Bereiche zum Verwalten semantischer Regeln haben.

Weitere Informationen finden Sie unter Kontext mit Knowledge Studio anreichern.

Aufnahme benutzerdefinierter Metadaten und Drittanbietersysteme

Für Organisationen mit maßgeschneiderten Wissensdatenbanken, Governance-Tools von Drittanbietern oder lokalen Systemen bietet Knowledge Catalog flexible Aufnahmemechanismen:

  • Knowledge Catalog APIs (CRUD-Vorgänge). Verwenden Sie die API-Methoden CreateEntry, UpdateEntry und CreateAspectType, um externe Assets programmatisch zu registrieren und benutzerdefinierte Metadatenaspekte (z. B. Compliance-Bewertungen oder Systemdokumentation) anzuhängen.
  • Benutzerdefinierte Anreicherungs-Agents. Verwenden Sie Agenten-Frameworks wie das Agent Development Kit (ADK) oder LangChain, um benutzerdefinierte Anreicherungs-Agenten zu erstellen. Ein ADK-Agent kann beispielsweise technische Dokumentation aus internen Wikis oder Git-Repositories aufnehmen, ein LLM verwenden, um sie in standardisierte Begriffe des Unternehmensglossars zu parsen, und sie an Katalogeinträge anhängen. Weitere Informationen finden Sie unter KI-Agenten zum Anreichern von Metadaten erstellen.
  • Export- und Importvorgänge Verwenden Sie dateibasierte (JSON oder CSV) Bulk-Export- und Import-Workflows, um KI-generierte Geschäftsdefinitionen zu prüfen, mit Data Stewards zusammenzuarbeiten und Metadaten im Batch zu aktualisieren. Weitere Informationen finden Sie unter Metadaten exportieren.

Wie der Kontext in Erstanbieter- und Drittanbieterdiensten verwendet wird

Dienste und Anwendungen interagieren mit dem Knowledge Catalog in zwei verschiedenen Rollen:

  • Metadatenanbieter: Dienste, die technische Metadaten, Schemas und LookML-Definitionen an Knowledge Catalog senden (z. B. Looker, Cloud SQL und Spanner). Metadatenanbieter übertragen Metadaten in den Katalog, übernehmen aber nicht unbedingt Definitionen aus dem Unternehmensglossar in ihre eigenen Benutzeroberflächen.
  • Kontextnutzer. Dienste, Entwicklertools und KI-Agenten, die Geschäftsdefinitionen, Betriebsprofile und Governance-Regeln aus dem Knowledge Catalog abrufen, um ihre Argumentation und Ausführung zu fundieren.

Bevor Anwendungen und KI-Agenten Kontext nutzen können, müssen Sie grundlegende Geschäftsbegriffe und Qualitätsregeln festlegen. Weitere Informationen finden Sie unter Grundlegenden Datenkontext einrichten und Policy-as-Code-Workflow für die Datenqualität erstellen.

KI-Anwendungen und -Dienste nutzen Kontext aus dem Knowledge Catalog über die folgenden Mechanismen:

Integrierte Erstanbieter-Integrationen

Mehrere Google Cloud -Dienste fragen Knowledge Catalog nativ ab, um kontextbezogene KI-Funktionen bereitzustellen:

  • Gemini in BigQuery (Konversations-Agent): Wenn Sie Prompts in natürlicher Sprache in BigQuery Studio eingeben, fragt Gemini im Hintergrund automatisch Definitionen aus dem Knowledge Catalog-Unternehmensglossar, Spaltenbeschreibungen und historische Abfragebeziehungen ab. Dadurch wird Gemini in der Unternehmensterminologie verankert, sodass die generierten SQL-Abfragen die richtigen Tabellenverknüpfungen und Messwertdefinitionen verwenden.
  • Data-Engineering-Agent in BigQuery Erkennt und fragt Apache Iceberg- und BigQuery-Tabellen ab, ruft automatisch semantische Katalogsuchen auf, um Asset-Abhängigkeiten aufzulösen, und generiert Katalogmetadaten während der Pipelineausführung.
  • Gemini und Agent Builder. Benutzerdefinierte GenAI-Agenten und Suchanwendungen, die auf Gemini basieren, verwenden Katalogmetadaten und Geschäftsregeln, um die Modellargumentation auf verifizierten Unternehmensfakten zu basieren.
  • Google Cloud -Konsole und Business-UI. Endnutzer und Data Stewards können Assets mithilfe der semantischen Suche in natürlicher Sprache erkunden, interaktive Diagramme zu Datenbeziehungen ansehen und Unternehmensglossare verwalten.

Drittanbieter-Anwendungen und KI-Agenten-Ökosysteme

Dienste und autonome Systeme ohne integrierte Integrationen nutzen Kontext über offene Protokolle und dedizierte Abruf-APIs:

Model Context Protocol (MCP)

Das Model Context Protocol (MCP) ist ein offener Standard, mit dem KI-Agenten, Entwicklertools und IDEs direkt mit Knowledge Catalog-Tools verbunden werden können. MCP bietet eine standardisierte Schnittstelle, um Tabellenschemas zu prüfen, Glossardefinitionen nachzuschlagen und Datenqualitätswerte zu überprüfen.

Knowledge Catalog unterstützt zwei MCP-Bereitstellungsoptionen:

Vorformatierte Kontexte mit der LookupContext API abrufen

Für benutzerdefinierte KI-Pipelines und LLM-Anwendungen bietet Knowledge Catalog die API-Methode LookupContext.

Anstatt dass ein Agent mehrere sequenzielle Aufrufe ausführen muss, um Schemas zu prüfen, Glossarbegriffe nachzuschlagen, Datenqualitätswerte abzurufen und Abfragelogs zu prüfen, ruft die Methode LookupContext ein einheitliches, vorformatiertes Bundle mit umfangreichen Metadaten in einer einzigen Anfrage ab.

Zu den wichtigsten Funktionen der Methode LookupContext gehören:

  • LLM-fähige Formate. Gibt den Kontext im Format yaml (Standard), json oder xml zurück, der für das direkte Einfügen in LLM-System-Prompts vorgesehen ist.
  • Token-Budgetierung (context_budget): Ermöglicht die Angabe eines Zielzeichenbudgets. Dies ist ein weiches Budget. Das bedeutet, dass die API Metadaten intelligent kürzt und priorisiert, um sie in das Kontextfenster Ihres Modells einzupassen. Es wird jedoch nicht garantiert, dass das Limit strikt eingehalten wird.
  • Konfigurierbare Kontextansichten
    • BASIC. Gibt grundlegende Metadaten, Schemas, Spaltenbeschreibungen, Übersichtstext und Agent-Richtlinien für den Eintrag zurück.
    • STANDARD. Zusätzlich zu den grundlegenden Metadaten wird der Kontextgraph durchlaufen, um Join-Beziehungen über mehrere Tabellen, angehängte Begriffe und Synonyme aus dem Unternehmensglossar sowie verifizierte Beispielabfragen einzubeziehen.
  • Erkannte Joins und Golden Queries: Enthält abgeleitete Tabellen-Join-Bedingungen (z. B. orders.customer_id = customers.id) und verifizierte SQL-Beispielabfragen.

Weitere Informationen finden Sie unter Kontext für Daten-Assets abrufen und in der lookupContext-REST-Referenz.

Wie Kontext Endnutzern und KI-Agenten hilft

Knowledge Catalog bietet universellen Kontext in seiner agentischen Daten-Cloud, indem technische Schemas, Geschäftssemantik und Qualitätsmesswerte in einer aktiven Kontextebene zusammengeführt werden. Durch die Bereitstellung dieser Metadaten über offene Schnittstellen wie das Model Context Protocol (MCP), Kontextabruf-APIs und die semantische Suche unterstützt Knowledge Catalog sowohl Nutzer als auch autonome Systeme.

Keine manuelle Vertrauensarbeit für Nutzer

Ohne eine zentrale semantische Ebene müssen Sie die zugrunde liegenden Datenbanken und Abfrageverläufe untersuchen, um grundlegende Geschäftsfragen zu beantworten. Standardkataloge fungieren als passive Inventare von Schemas, bei denen Sie Messwertdefinitionen manuell nachschlagen oder die Sauberkeit von Tabellen überprüfen müssen.

Knowledge Catalog wandelt diese passive Governance in aktive Intelligenz um. Durch die Darstellung von Qualitätswerten, semantischen Beschreibungen und Nutzungswarnungen direkt neben Daten-Assets können Sie Daten vertrauen und sie verwenden, ohne auf technische Prüfungen warten zu müssen.

Autonome Agenten fundieren und dynamische Governance ermöglichen

KI-Agenten und Large Language Models (LLMs) benötigen strenge, deterministische Regeln, um mit Datenbanken zu interagieren. Ohne expliziten semantischen Kontext treffen Agenten falsche Annahmen über Spaltennamen oder generieren fehlerhafte SQL-Abfragen.

Darüber hinaus wird durch den aktiven Kontext die Metadatenverwaltung von einer passiven Registry in eine aktive Governance-Ebene überführt. Durch die Definition verifizierter Geschäftsregeln, Messwerte und Agentenanweisungen direkt im Knowledge Catalog können Unternehmen steuern, wie Agenten Unternehmensdaten abrufen, bewerten und darauf reagieren.

Knowledge Catalog schließt diese Lücke. Sie exportiert einheitliche aktive Kontextprofile über Standardschnittstellen wie das Model Context Protocol (MCP) oder die LookupContext API in Ihre KI-Anwendungen. Wenn Sie Ihre Modelle mit diesen Metadaten fundieren, werden Halluzinationen minimiert, Governance-Regeln durchgesetzt und autonome Aktionen auf der Grundlage verifizierter Unternehmensdaten ausgeführt.

Wie KI-Anwendungen Kontextsets nutzen

Gemini Enterprise und andere KI-Anwendungen nutzen Kontext-Sets über zwei primäre Muster:

  • Dynamische Kontexterkennung mithilfe der semantischen Suche: In konversationellen oder Self-Service-Analyseumgebungen stellen Nutzer Ad-hoc-Fragen in natürlicher Sprache (z. B. Wie hoch war unsere vierteljährliche Nettobindungsrate bei Unternehmenskonten?). Wenn ein Nutzer einen Prompt sendet, führt der Agent eine semantische Suchanfrage im Knowledge Catalog aus, um den relevantesten Kontextsatz zu finden, der zum Bereich der Frage passt. Der Agent fügt den abgerufenen Kontext in den aktiven Prompt ein, sodass er genaue SQL-Abfragen für das zugrunde liegende Data Warehouse generieren kann.

  • Vorkonfigurierte Kontextsets für dedizierte Anwendungen: Sie können einen Agenten mit einem expliziten Kontextset vorkonfigurieren, indem Sie bei der Einrichtung den Ressourcen-URI angeben. Durch das Binden eines dedizierten Kontextsets wird eine deterministische Fundierung ermöglicht. So wird sichergestellt, dass bei allen zukünftigen Interaktionen konsistent zertifizierte Geschäftsdefinitionen verwendet werden, ohne dass Suchaufwand zur Laufzeit entsteht. Da wiederkehrende Anreicherungsaufgaben den Kontext im Laufe der Zeit verfeinern, übernimmt die nachgelagerte Anwendung diese Qualitätsverbesserungen automatisch, ohne dass manuelle Nachfragen oder erneute Bereitstellungen der Anwendung erforderlich sind.

Knowledge Catalog minimiert Halluzinationen und setzt Governance-Regeln durch, indem einheitliche aktive Kontextprofile über Standardschnittstellen wie das Model Context Protocol (MCP) oder die LookupContext API in Ihre KI-Anwendungen exportiert werden.

Multi-Agenten-Workflows mit gemeinsamem Kontext koordinieren

In einem Multi-Agenten-Framework (oder Swarm) arbeiten separate spezialisierte Agenten zusammen, um komplexe Workflows auszuführen. Wenn diese Agenten in isolierten Umgebungen ohne gemeinsame Kontextebene arbeiten, stoßen sie an eine Kontextgrenze. Sie verwenden möglicherweise widersprüchliche Geschäftsregeln, finden relevante Abhängigkeiten nicht oder rufen Daten doppelt ab.

Wenn Sie Knowledge Catalog als zentrale Kontext-Registry verwenden, können Sie Multi-Agenten-Swarms koordinieren und skalieren. Die Fundierung Ihres Schwarms im Knowledge Catalog bietet folgende Vorteile:

  • Gemeinsame Geschäftssemantik: Alle Agenten beziehen sich auf dieselben geschäftlichen Bedeutungen und Definitionen. Wenn beispielsweise ein KI-Datenanalyse-Agent und ein KI-Berichts-Agent beide eine Tabelle mit Verkaufszahlen abrufen, verwenden sie dieselbe Glossardefinition eines Messwerts wie Gross Merchandise Value (GMV), um die Konsistenz zu gewährleisten.

  • Dynamische Abhängigkeitsauflösung: KI-Agenten können Kontextbeziehungen verwenden, um vorgelagerte und nachgelagerte Ressourcen programmatisch zu ermitteln. So kann ein Agent zur Fehlerbehebung in der Pipeline einen Datenfehler bis zur Quelltabelle zurückverfolgen und die Aufgabe an einen Reparatur-Agenten übergeben, ohne dass Abhängigkeitsregeln hartcodiert werden müssen.

  • Einheitliche Verbindungsoberfläche: Durch die Verwendung des Model Context Protocol (MCP) stellen Sie dem gesamten Swarm einen einzigen semantischen Endpunkt zur Verfügung. Dadurch müssen Sie nicht mehr für jeden einzelnen Agenten benutzerdefinierte API-Integrationen konfigurieren.

  • Sicherheits-Governance auf Perimeterebene. Knowledge Catalog gleicht Agent-Anfragen mit vorkonfigurierten IAM-Rollen ab. So wird sichergestellt, dass Agenten nur den Ressourcenkontext abrufen, für den sie explizit autorisiert sind, und eine versehentliche Offenlegung von Daten im gesamten Swarm wird verhindert.

Anwendungsfälle für die Verwendung von Datenkontext

Um zu verstehen, wie der Datenkontext komplexe Anfragen löst, sehen wir uns an, wie Knowledge Catalog technische, semantische und operative Ebenen in der Praxis anwendet:

E-Commerce: Suchempfehlungen personalisieren

Um saisonale Marketingkampagnen mit Produktbeständen abzugleichen, müssen Such-Agents verstehen, wie unstrukturierte Werbe-E-Mails mit strukturierten Produktkatalogen und Nutzertransaktionstabellen zusammenhängen. Knowledge Catalog bildet diese Entitäten ab, sodass Empfehlungsmodelle relevante Produkte in Echtzeit vorschlagen können.

Fertigung: Wartung von Maschinen optimieren

Modelle für die vorausschauende Instandhaltung erfordern die Integration strukturierter Teileprotokolle mit unstrukturierten Reparaturanleitungen für Techniker und Live-Sensordatenfeeds. Durch die Zuordnung von Beziehungen zwischen Teilenummern und Kapiteln in Handbüchern ermöglicht Knowledge Catalog es Analysesystemen, die Ermüdung von Geräten vorherzusagen und Reparaturen zu planen, bevor es zu Ausfällen kommt.

Gesundheitswesen: Daten aus klinischen Studien validieren

Klinische Forschungszentren müssen prüfen, ob die Patientenstatistiken den strengen Studienregeln entsprechen und ob die Einwilligungsdaten der Patienten direkt den Datensätzen der Studienergebnisse zugeordnet sind. Knowledge Catalog bildet Kontextbeziehungen ab, um Pipelines für die Einwilligung zu prüfen, und weist Forscher auf Anomalien in Datenprofilen hin, um die Integrität von Studien zu wahren.

Finanzdienstleistungen: Kreditrisiko bewerten

Modelle für die Kreditvergabe verwenden Kreditscores, Transaktionsverläufe und aktive Schuldenstände von Kunden aus separaten Quellsystemen. Knowledge Catalog bietet ein einheitliches Diagramm mit Kreditmesswerten, mit dem Underwriting-Tools bestätigen können, dass für Risikobewertungen zertifizierte, konforme Assets verwendet werden.

Telekommunikation: Netzwerkbetrieb diagnostizieren

Autonome Netzwerkverwaltungssysteme und -Agents analysieren das Signalverhalten in Echtzeit, erkennen Leistungseinbußen und wenden selbstheilende Korrekturmaßnahmen an. Durch die Fundierung dieser KI-Agenten im Knowledge Catalog-Kontext können die Systeme Beziehungen zwischen technischen Logs und Geschäftsdienstbereichen sicher abbilden.

Nächste Schritte

Konzept

Hier erfahren Sie, wie Sie umfangreichen Datenkontext orchestrieren, Kontextsets erstellen und KI-Agenten mithilfe von Knowledge Studio-Schnittstellen fundieren.

Konzept

Hier erfahren Sie mehr über die verpackten Kontextcontainer von Knowledge Studio, mit denen Sie Ihre nachgelagerten KI-Agenten sicher fundieren können.

Konzept

Hier erfahren Sie, wie Sie KI-gestützte Workflows zur Metadatenextraktion konfigurieren, um automatisch Datenkontext zu erstellen.

Anleitung

Unternehmensglossar erstellen, benutzerdefinierte Aspekttypen definieren und Assets in BigQuery anreichern.

KI-Integration

Hier erfahren Sie, wie das Model Context Protocol Agenten mit Knowledge Catalog-Tools und ‑Ressourcen verbindet.

Api

Extrahieren Sie vorformatierten, tokenbudgetierten YAML- oder JSON-Kontext für die direkte LLM-Prompt-Injektion.