2026년 4월 10일부터 Dataplex Universal Catalog가 Knowledge Catalog로 변경되었습니다. API, 클라이언트 라이브러리, CLI, IAM 이름은 변경되지 않습니다. 자세한 내용은 Google Cloud Knowledge Catalog 소개를 참조하세요.

Google은 AI 기술을 사용하여 콘텐츠를 사용자의 기본 언어로 번역합니다. AI 번역에는 오류가 있을 수 있습니다.

컨텍스트 세트 개요

Knowledge Catalog 컨텍스트 세트를 사용하면 데이터 스키마, 시맨틱 정의, 검증된 쿼리 패턴을 도메인별로 제한된 지식 컨테이너로 패키징할 수 있습니다. 이러한 타겟팅된 도메인 지식은 Gemini Enterprise 및 커스텀 에이전트와 같은 자율 AI 애플리케이션을 안정적으로 그라운딩하여 높은 정밀도로 작동할 수 있도록 합니다.

이 문서는 AI 에이전트를 위해 컨텍스트 세트가 도메인 지식을 구조화하는 방법을 이해하려는 데이터 설계자, 거버넌스 리드, AI 엔지니어를 대상으로 합니다.

컨텍스트 세트란 무엇인가요?

컨텍스트 세트는 특정 분석 도메인 및 AI 에이전트에 대한 시맨틱 정보 및 데이터 애셋 참조의 독립적인 컬렉션을 패키징하는 특수한 Knowledge Catalog 항목 그룹 (메타데이터 레코드의 논리적 컨테이너)입니다.

이 컨테이너 내에서 지식은 개별 비즈니스 개념, 문서 또는 데이터 애셋을 나타내는 항목으로 구성됩니다. 이러한 항목은 비즈니스 용어, SQL 템플릿, 마크다운 문서와 같은 특정 세부정보를 저장하는 모듈식 메타데이터 속성인 관점으로 보강됩니다.

에이전트가 전체 엔터프라이즈 카탈로그를 검색하도록 강제하면 지연 시간이 발생하고 프롬프트 토큰이 낭비되며 할루시네이션 답변이 발생할 위험이 있습니다. 컨텍스트 세트는 에이전트가 높은 정밀도로 참조할 수 있는 밀폐된 도메인 범위 지식 컨테이너를 설정합니다.

컨텍스트 세트는 관리 컨테이너 역할을 하므로 프로젝트 소유권별로 메타데이터를 구성하고 권한을 개별적으로 구성하지 않고도 번들로 묶인 모든 항목에 Identity and Access Management (IAM) 액세스 제어 정책을 한 번에 적용할 수 있습니다. 항목 그룹, 항목, 관점에 대한 자세한 내용은 메타데이터 관리 정보를 참조하세요.

AI 에이전트 그라운딩 요구사항

조직에서 자율 AI 에이전트 (예: Gemini Enterprise, Antigravity, 커스텀 에이전트 개발 키트 에이전트)를 배포하여 데이터 워크플로를 조정하고 분석을 생성할 때 에이전트에는 신뢰할 수 있는 그라운딩이 필요합니다.

시맨틱 정의: 비즈니스 용어로 특정 열 또는 측정항목의 의미는 무엇인가요?
검증된 쿼리 패턴: 도메인 전문가가 이러한 테이블을 어떻게 성공적으로 쿼리하고 조인했나요?
운영 규칙: 이 데이터를 제어하는 비즈니스 정책, 예외 기준, 표준 운영 절차 (SOP)는 무엇인가요?

권장 컨텍스트 세트 이름 지정 패턴

다음 아키텍처 다이어그램은 4가지 핵심 논리적 이름 지정 규칙이 항목 그룹 경계 내에서 함께 작동하여 다운스트림 AI 애플리케이션을 그라운딩하는 방법을 보여줍니다.

AI 에이전트 검색을 제한하는 컨텍스트 세트 경계 내의 네 가지 이름 지정 규칙 — **그림 1.** 컨텍스트 집합 항목 그룹 경계 내에서 선별된 네 가지 이름 지정 규칙

컨텍스트 집합이 작동하기 위해 모든 유형의 항목이 엄격하게 필요하지는 않지만 다음 논리적 이름 지정 규칙을 사용하여 항목을 구성하는 것이 좋습니다. 이러한 명명 규칙을 사용하면 인간과 자율 에이전트가 지식을 일관되게 발견하고 해석할 수 있습니다.

이름 지정 패턴	항목 유형	설명 및 목적	연결된 관점
비즈니스 개념 `concepts_<id>`	`generic`	비즈니스 용어집 용어, 측정항목 정의, 약어, 계산 수식	`glossary-term-aspect`, `contacts`.
문서 `documents_<path>`개	`document`	설명 컨텍스트, 표준 운영 절차 (SOP), 온보딩 위키, 외부 문서 포인터	`Document`, `overview` (서식 있는 텍스트 마크다운 및 링크)
쿼리 템플릿 `query-templates_<path>`	`query-template`	사전 검증된 매개변수화된 SQL 쿼리 템플릿, 고주파 조인 로직, 실행 패턴입니다.	`query-template` (소스, 의도, nlQuery, 매개변수, 쿼리와 같은 필드 포함)
시맨틱 모델 `semantic-models_<id>`	`semantic-model`, `semantic-entity`, `semantic-metric`	정식 관계형 모델, 항목 정의, 측정기준 계층 구조, 측정값	`semantic-model`, `semantic-entity`, `semantic-metric`

비즈니스 개념

비즈니스 개념 항목 (concepts_* 이름 지정 규칙을 사용하는 일반 유형의 항목)은 표준화된 비즈니스 용어, 도메인 측정항목, 약어, 계산 수식 (glossary-term-aspect)을 정의합니다.

주요 기능은 다음과 같습니다.

용어 조정: 비즈니스 단위와 분석팀 간의 용어 모호성을 제거합니다.
KPI 수식: 도메인별 핵심성과지표 (KPI)에 대한 수학적 수식과 로직을 제공합니다.
조직 소유권: 연결된 거버넌스 측면 (contacts)을 통해 명확한 조직 소유권을 설정합니다.

예를 들어 이커머스 컨텍스트 집합 내에서 concepts_net_items_sold의 항목은 정확한 순 판매 단위 계산을 지정합니다. 에이전트가 '순 판매 항목'을 요청하는 프롬프트를 받으면 SQL 로직을 만드는 대신 개념 항목을 참조하여 확인된 계산을 적용합니다.

리소스 표현 예시:

name: projects/cymbal-style/locations/us-central1/entryGroups/online-apparel-store/entries/concepts_net_items_sold
entryType: generic
aspects:
  dataplex-types.global.glossary-term-aspect:
    definition: "Calculates the absolute number of items sold minus customer returns in a given time period."

문서

문서 항목 (documents_* 이름 지정 규칙을 사용하는 문서 유형 항목)은 구조화된 마크다운(Document, overview)에 설명 및 절차 컨텍스트를 저장합니다.

주요 기능은 다음과 같습니다.

표준 운영 절차 (SOP): 카탈로그 내에서 SOP, 런북 체크리스트, 온보딩 가이드를 직접 캡처합니다.
규정 준수 정책: 규정 준수 정책, 규제 제약 조건 (예: GDPR 또는 HIPAA 처리 규칙), 예외 기준을 문서화합니다.
외부 참조 위키: 소스 URI 포인터 (overview 링크)를 통해 외부 라이브 위키 (예: Google 문서, Atlassian Confluence, Notion, GitHub)를 참조합니다.

예를 들어 의류 컨텍스트 세트에는 표준 반품률을 계산할 때 완료된 판매 및 배송 중 손상된 상품을 제외하는 방법을 에이전트에게 안내하는 documents_return_policy_rules가 포함됩니다.

리소스 표현 예시:

name: projects/cymbal-style/locations/us-central1/entryGroups/online-apparel-store/entries/documents_return_policy_rules
entryType: document
aspects:
  dataplex-types.global.overview:
    content: "## Return Policy Rules\nItems marked FINAL_SALE or DAMAGED_IN_TRANSIT are excluded from return rates..."

쿼리 템플릿

쿼리 템플릿 항목 (query-templates_* 이름 지정 규칙을 사용하는 query-template 유형의 항목)에는 일반적인 자연어 분석 인텐트에 매핑된 사람이 확인한 매개변수화된 SQL 쿼리가 포함됩니다 (query-template 관점 사용).

주요 기능은 다음과 같습니다.

사전 검증된 쿼리: 빈도가 높은 비즈니스 질문에 대해 사전 검증된 조인 경로, 필터 조건, 집계 패턴을 저장합니다.
런타임 매개변수화: 동적 에이전트 실행을 위한 런타임 매개변수 대체 (예: @start_date, @region, @limit)를 지원합니다.
오류 방지: 할루시네이션 테이블 조인 및 SQL 언어 문법 오류를 방지합니다.

예를 들어 에이전트가 실적이 우수한 계정에 관한 질문에 답해야 하는 경우 query-templates_sales_top_accounts_by_arr를 일치시키고 요청된 기간을 확인된 SQL 템플릿에 대체합니다.

리소스 표현 예시:

name: projects/cymbal-style/locations/us-central1/entryGroups/online-apparel-store/entries/query-templates_top_categories_by_season
entryType: query-template
aspects:
  dataplex-types.global.query-template:
    intent: "Which e-commerce product categories performed best this season?"
    query: "SELECT category, SUM(revenue) FROM sales WHERE season = @season GROUP BY category ORDER BY 2 DESC LIMIT @limit"
    parameters:
      -   name: "season"
        type: "STRING"
      -   name: "limit"
        type: "INTEGER"

시맨틱 모델

시맨틱 모델 항목 (semantic-models_* 이름 지정 규칙을 사용하는 semantic-model, semantic-entity, semantic-metric 항목 유형 사용)은 정규화된 테이블 전반에서 관계형 구조, 차원 계층 구조, 집계 측정값을 형식화합니다.

주요 기능은 다음과 같습니다.

관계 정의: 기본 키, 외래 키, 조인 카디널리티 (예: 일대다 또는 다대다 관계)를 정의합니다.
비즈니스 측정기준 매핑: 원시 기본 열을 비즈니스 측정기준, 시간 세분화, 재사용 가능한 측정값에 매핑합니다.
에이전트 가이드: 정확한 쿼리 템플릿이 없는 경우 복잡한 다중 테이블 분석 쿼리를 조합할 때 자율 에이전트를 안내합니다.
기본 복잡성 추상화: 소스 데이터 세트의 기계적 테이블 연결만 문서화하는 원시 스키마 조인 항목 링크와 달리 시맨틱 모델은 논리적 비즈니스 레이어에서 작동하여 AI 에이전트가 잘못된 ER 다이어그램 순회를 할루시네이션하지 않도록 방지합니다.

예를 들어 의류 컨텍스트 집합은 semantic-models_apparel_sales_model를 사용하여 별표 스키마 팩트 및 측정기준 테이블에서 warehouses, shipments, line_items가 조인되는 방식을 정의합니다.

리소스 표현 예시:

name: projects/cymbal-style/locations/us-central1/entryGroups/online-apparel-store/entries/semantic-models_apparel_sales_model
entryType: semantic-model
aspects:
  dataplex-types.global.semantic-model:
    entities:
      -   name: "products"
      -   name: "orders"
    relationships:
      -   sourceEntity: "orders"
        foreignKey: "product_id"
        targetEntity: "products"
        primaryKey: "id"
        type: "MANY_TO_ONE"

예시: 온라인 의류 매장 컨텍스트 세트

네 가지 이름 지정 규칙이 함께 작동하는 방식을 보여주기 위해 매장 상품 기획자를 위한 AI 어시스턴트를 배포하는 온라인 의류 소매업체를 예로 들어보겠습니다. 경계 컨텍스트가 없으면 에이전트가 원시 스테이징 테이블을 쿼리하거나 고객 반품을 빼지 않아 인기 상품을 잘못 계산할 수 있습니다.

에이전트를 그라운딩하기 위해 데이터 관리 책임자는 online-apparel-store라는 컨텍스트 세트를 만듭니다.


EntryGroup: projects/cymbal-style/locations/us-central1/entryGroups/online-apparel-store
(EntryGroup.type = "context-set")
│
├── concepts_* (Business concepts)
│   ├── concepts_net_items_sold
│   │     Formula: SUM(orders.quantity) - SUM(returns.quantity)
│   └── concepts_bestseller
│         Definition: Any clothing item with >= 500 net units sold within a 30-day window
│
├── documents_* (Documents and SOPs)
│   ├── documents_return_policy_rules
│   │     Markdown SOP: Exclude items marked 'FINAL_SALE' or 'DAMAGED_IN_TRANSIT' from standard return rates
│   └── documents_size_chart_guide
│         Markdown guide: Sizing conversions across US, UK, and EU clothing labels
│
├── query-templates_* (Golden SQL queries)
│   └── query-templates_top_categories_by_season
│         Verified SQL template with parameters: @season, @limit
│
└── semantic-models_* (Semantic models)
    └── semantic-models_apparel_sales_model
          Join keys: orders.product_id = products.product_id (many-to-one)
                     orders.order_id = returns.order_id (one-to-many)

에이전트가 프롬프트를 해결하는 방법

상품 기획자가 에이전트에게 "손상된 반품을 제외하고 가장 많이 판매된 겨울 재킷 스타일 5가지는 무엇인가요?"라고 질문하면 에이전트는 컨텍스트 세트를 통해 프롬프트를 해결합니다.

쿼리 템플릿 조회: 에이전트가 query-templates_*를 확인하고 query-templates_top_categories_by_season를 일치시켜 @season = 'Winter' 및 @limit = 5를 대체합니다.
개념 검증: 에이전트는 concepts_net_items_sold 및 concepts_bestseller를 검사하여 반품된 상품을 총 주문 수량에서 빼야 하는지 확인합니다.
SOP 규칙 시행: 에이전트가 documents_return_policy_rules를 읽고 필터 조건 WHERE return_reason != 'DAMAGED_IN_TRANSIT'를 추가합니다.
스키마 및 조인 검증: 에이전트는 semantic-models_apparel_sales_model 및 연결된 @bigquery 테이블을 사용하여 검증된 외래 키를 통해 store.orders, store.products, store.returns를 조인하고 SQL 쿼리를 실행합니다.

아키텍처 기능

컨텍스트 세트는 엔터프라이즈 데이터 환경에 다음과 같은 몇 가지 핵심 기능을 제공합니다.

밀폐된 실행 경계: 선별된 애셋 및 시맨틱 항목 집합으로 컨텍스트를 제한함으로써 에이전트는 밀폐된 샌드박스 내에서 작동합니다. 이렇게 하면 불필요한 카탈로그 노이즈가 제거되고 결정론적 평가가 보장되며 토큰 사용량이 최소화됩니다.
빠른 업로드 및 일괄 색인 생성: 팀은 개념, 쿼리, 문서 집합을 단일 원자적 작업으로 업로드하고 색인을 생성할 수 있으므로 지속적 통합 및 배포 (CI/CD) 파이프라인과 통합할 수 있습니다.
복사 없는 패키징: 컨텍스트는 기본 데이터 스토리지를 복사하거나 이동하지 않고 패키지 메타데이터와 관계를 설정하여 중복 스토리지 비용과 데이터 동기화 지연을 방지합니다.

상담사 컨설트 패턴

다운스트림 에이전트는 모델 컨텍스트 프로토콜 (MCP) 또는 직접 Knowledge Catalog API를 통해 컨텍스트 세트를 사용합니다. 자세한 내용은 Catalog API를 사용하여 데이터 컨텍스트 검색을 참조하세요. 응답 지연 시간을 최적화하고 토큰 소비를 최소화하기 위해 에이전트는 3단계 컨설트 계층 구조를 따릅니다.

쿼리 템플릿 일치: 에이전트가 query-templates_*를 검색합니다. 확인된 템플릿이 사용자의 인텐트와 일치하면 에이전트는 쿼리를 매개변수화하고 직접 실행합니다. 이렇게 하면 쿼리 오류 위험이 거의 없이 가장 빠른 응답을 제공할 수 있습니다.
시맨틱 모델 조합: 일치하는 쿼리 템플릿이 없으면 에이전트가 semantic-models_*를 평가하여 항목 관계를 이해하고 다중 테이블 SQL 문을 구성합니다.
문서 및 개념 컨설트: 모호한 극단적 사례 (예: 회계 캘린더 마감 또는 이의 제기 제외)의 경우 상담사는 concepts_* 및 documents_*를 읽고 비즈니스 규칙을 적용합니다.

생성형 AI 애플리케이션에서 컨텍스트 사용

생성형 AI 애플리케이션은 선별된 컨텍스트 세트를 사용하여 엔터프라이즈 도메인 시맨틱스를 이해하고, 복잡한 스키마를 탐색하고, 할루시네이션 없이 신뢰할 수 있는 SQL을 생성합니다. 애플리케이션은 일반적으로 다음 두 가지 기본 패턴을 통해 이러한 컨텍스트 집합을 사용합니다.

동적 컨텍스트 검색: 대화형 또는 셀프 서비스 분석 환경에서 사용자는 자연어로 임시 질문을 합니다. 애플리케이션은 사용자의 의도를 동적으로 평가하여 Knowledge Catalog에서 가장 관련성이 높은 컨텍스트 집합을 식별하고 검색하여 검색된 도메인 지식을 활성 프롬프트에 삽입합니다.
사전 구성된 컨텍스트 세트: 전용 에이전트 애플리케이션의 경우 리소스 URI를 제공하여 명시적인 컨텍스트 세트 참조로 에이전트를 사전 구성할 수 있습니다. 전용 컨텍스트 세트를 바인딩하면 결정론적 그라운딩이 제공되어 모든 상호작용이 런타임 검색 오버헤드 없이 인증된 비즈니스 정의를 사용하도록 보장합니다. 반복적인 보강 워크플로가 시간이 지남에 따라 컨텍스트 세트를 미세 조정하므로 에이전트는 품질 개선사항을 자동으로 상속합니다.

이러한 보강 및 자체 학습 기능을 최적화하려면 Gemini Enterprise 애플리케이션에서 Gemini 3.8 Flash 이상 모델을 지정하는 것이 좋습니다. 모델 선택 단계에 대한 자세한 내용은 Agent Studio에서 에이전트 설계의 '플로우 빌더를 사용하여 에이전트 만들기' 섹션을 참조하세요.

컨텍스트 세트와 관련 구성 비교

아키텍처에 적합한 메타데이터 구성을 선택하려면 Knowledge Catalog 컨텍스트 세트와 관련 플랫폼 기능을 비교하는 방법을 읽어보세요.

컨텍스트 세트와 컨텍스트 그래프 비교

컨텍스트 그래프와 컨텍스트 세트는 Knowledge Studio 아키텍처에서 서로 다른 역할을 하는 두 가지 별개의 구성입니다.

컨텍스트 그래프: 조직 전체의 실시간 종합 시맨틱 토폴로지입니다. 기본 데이터 애셋, 비즈니스 용어집 용어, 상호작용 trace를 연결합니다. 탐색 인터페이스에서 이 개방형 그래프를 대화형으로 탐색하고 순회합니다.
컨텍스트 세트: 제한되고 지역화된 선별된 패키징 단위입니다. 다운스트림 AI 에이전트가 모델 컨텍스트 프로토콜 (MCP)을 통해 쿼리할 수 있도록 특정 도메인 지식 하위 집합을 추출하고 항목 그룹 (type="context-set")으로 밀폐 패키징합니다. 컨텍스트 세트는 더 광범위한 컨텍스트 그래프 내에서 응집력 있고 밀도가 높은 하위 그래프 역할을 합니다.

Knowledge Catalog 컨텍스트 세트와 데이터베이스 컨텍스트 세트 비교

Knowledge Catalog와 Google Cloud운영 데이터베이스 모두 컨텍스트 세트라는 용어를 사용하여 생성형 AI 모델의 기반이 되는 선별된 정보를 지칭합니다.

두 변형 모두 동일한 기본 아키텍처를 공유하지만(Knowledge Catalog 컨텍스트 세트(type="context-set"가 있는 확장 가능한 항목 그룹)로 기본 저장되고 표준 Knowledge Catalog API를 사용함) 엔터프라이즈 데이터 스택의 서로 다른 레이어를 타겟팅합니다.

데이터베이스 컨텍스트 세트 (QueryData): 운영, 트랜잭션 데이터베이스 (예: PostgreSQL용 AlloyDB, Cloud SQL, Spanner)를 제공하도록 빌드되었습니다. 이러한 컨텍스트 세트는 SQL 구성에 고도로 최적화되어 있습니다. 표준 쿼리 템플릿, 스키마 메타데이터, 필터링 속성을 번들로 묶어 전용 컨텍스트 엔지니어링 에이전트가 평가하여 운영 런타임에서 자연어-SQL (NL2SQL) 변환을 개선합니다.
Knowledge Catalog 컨텍스트 세트 (Knowledge Studio): 분석 데이터 자산 (예: BigQuery, 데이터 레이크 하우스, Knowledge Catalog 데이터 제품)을 제공하도록 빌드되었습니다. 이러한 컨텍스트 세트는 비즈니스 개념, 마크다운 문서 위키, 시맨틱 모델을 포함한 여러 이름 지정 규칙에 걸쳐 더 광범위한 멀티모달 지식을 패키징합니다. 이러한 지식은 Knowledge Studio 보강 워크플로를 사용하여 선별되고 모델 컨텍스트 프로토콜(MCP)을 통해 다운스트림 분석 에이전트에 제공됩니다.

컨텍스트 세트와 데이터 제품 비교

컨텍스트 세트가 Knowledge Catalog 데이터 제품과 상호작용하는 방식을 이해하면 명확한 데이터 및 AI 거버넌스 경계를 설정하는 데 도움이 됩니다.

데이터 제품은 기본 리소스를 관리합니다. 데이터 제품은 BigQuery 테이블, 버킷, 스트림과 같은 구체적인 리소스를 안전하게 번들로 묶어 데이터 공유, 데이터 계약, 데이터 영역 액세스 제어를 위한 기본 단위를 설정합니다.
컨텍스트 세트는 대화 시맨틱스를 번들로 묶음: 컨텍스트 세트는 데이터 액세스 권한을 부여하지 않습니다. 대신 AI 에이전트와 사람이 데이터를 이해하는 데 필요한 개념, 쿼리 템플릿, 문서와 같은 도메인 지식을 번들로 묶습니다. 데이터 관리자는 제품의 additional_context 참조에서 컨텍스트 집합을 선언하여 데이터 제품에 연결할 수 있습니다.

엔터프라이즈 보안 및 거버넌스

컨텍스트 세트는 Google Cloud 보안 및 거버넌스 제어와 통합되어 민감한 엔터프라이즈 메타데이터를 보호하는 데 도움이 됩니다.

컨텍스트 세트 IAM 역할: 컨텍스트 세트에는 민감한 시맨틱스 정보가 포함되는 경우가 많으므로 액세스는 context-set 항목 그룹에 직접 적용되는 IAM 역할에 의거하여 제어됩니다. 이를 통해 지리적 리전 및 도메인 소유권별로 선별된 지식을 구성하고 도메인 관리자에게 수정 권한을 부여하고 AI 에이전트 사용에 읽기 권한을 부여할 수 있습니다. 컨텍스트 세트를 만들려면 dataplex.entryGroups.setIamPolicy IAM 권한이 있어야 합니다. 이 권한은 컨텍스트 세트를 만드는 동안 소유자 권한을 자동으로 부여하는 데 필요합니다. Dataplex 카탈로그 관리자 (roles/dataplex.catalogAdmin) 또는 Dataplex 항목 그룹 소유자 (roles/dataplex.entryGroupOwner) 역할과 같은 사전 정의된 역할을 통해 이 권한을 얻을 수 있습니다.
제로 카피 기본 데이터 보안: 에이전트에 컨텍스트 세트에 대한 액세스 권한을 부여하면 에이전트가 시맨틱 메타데이터와 쿼리 템플릿을 읽을 수 있지만 기본 테이블에 대한 액세스 제어를 우회하지는 않습니다. BigQuery에 대해 SQL 쿼리를 실행하거나 Cloud Storage에서 파일을 읽으려면 쿼리를 실행하는 ID가 해당 기본 리소스에 필요한 데이터 영역 IAM 권한을 보유해야 합니다.
휴먼인더루프 거버넌스: 자율 Knowledge Studio 보강 태스크가 운영 로그에서 새로운 개념, SOP 또는 쿼리 템플릿을 추출하면 제안이 검토 가능한 변경 요청으로 스테이징됩니다. 데이터 관리자는 프로덕션 컨텍스트 세트의 변경사항을 승인하기 전에 차이 비교 및 평가 점수를 검사합니다. 제안서 검토에 대한 자세한 내용은 요청 관리를 참조하세요.
사용자 관리 실행 ID: 컨텍스트 집합을 채우는 자동 보강 태스크는 서비스 계정 토큰 생성자 역할(roles/iam.serviceAccountTokenCreator)을 통해 Dataplex 서비스 에이전트의 서비스 계정 가장을 통해 실행되는 사용자 관리 서비스 계정에서 실행됩니다.

미리보기 범위 및 경계

프리뷰 기간 동안 컨텍스트 세트는 다음 범위 내에서 작동합니다.

리전 범위: 리전 데이터 애셋에 연결된 전역 컨텍스트 세트는 지원되지 않습니다. 컨텍스트 세트는 패키징하는 애셋의 리전 경계와 일치해야 합니다.
작성 및 소비 인터페이스: Google Cloud 콘솔의 Knowledge Studio 컨테이너를 통해 컨텍스트 집합을 만들 수 있으며, 이를 표준 Knowledge Catalog 관리 항목 그룹과 논리적으로 구분할 수 있습니다. Knowledge Studio 보강 워크플로를 통해 컨텍스트 세트를 자동으로 채울 수 있습니다. 다운스트림 AI 에이전트는 Knowledge Catalog API (ListEntries 및 LookupEntry)와 모델 컨텍스트 프로토콜 (MCP)을 사용하여 프로그래매틱 방식으로 컨텍스트 세트를 검색하고 쿼리할 수 있습니다. 자세한 내용은 MCP 서버 정보를 참고하세요.
결제: Knowledge Catalog는 컨텍스트 세트 항목 그룹을 만드는 데 별도의 독립형 SKU를 청구하지 않습니다.
공유 할당량: 컨텍스트 세트는 기본적으로 특수 항목 그룹 (type="context-set")이므로 표준 Knowledge Catalog 항목 그룹과 동일한 리소스 할당량을 사용하고 공유합니다.

다음 단계

개념

컨텍스트 세트 개요

컨텍스트 세트란 무엇인가요?

AI 에이전트 그라운딩 요구사항

권장 컨텍스트 세트 이름 지정 패턴

비즈니스 개념

문서

쿼리 템플릿

시맨틱 모델

예시: 온라인 의류 매장 컨텍스트 세트

에이전트가 프롬프트를 해결하는 방법

아키텍처 기능

상담사 컨설트 패턴

생성형 AI 애플리케이션에서 컨텍스트 사용

컨텍스트 세트와 관련 구성 비교

컨텍스트 세트와 컨텍스트 그래프 비교

Knowledge Catalog 컨텍스트 세트와 데이터베이스 컨텍스트 세트 비교

컨텍스트 세트와 데이터 제품 비교

엔터프라이즈 보안 및 거버넌스

미리보기 범위 및 경계

다음 단계

Knowledge Studio 개요

데이터 애셋 및 컨텍스트 그래프 탐색

메타데이터 관리 정보

MCP 서버 정보

Catalog API를 사용하여 데이터 컨텍스트 검색

컨텍스트 세트 관리

컨텍스트 세트 개요 컬렉션을 사용해 정리하기 내 환경설정을 기준으로 콘텐츠를 저장하고 분류하세요.

컨텍스트 세트란 무엇인가요?

AI 에이전트 그라운딩 요구사항

권장 컨텍스트 세트 이름 지정 패턴

비즈니스 개념

문서

쿼리 템플릿

시맨틱 모델

예시: 온라인 의류 매장 컨텍스트 세트

에이전트가 프롬프트를 해결하는 방법

아키텍처 기능

상담사 컨설트 패턴

생성형 AI 애플리케이션에서 컨텍스트 사용

컨텍스트 세트와 관련 구성 비교

컨텍스트 세트와 컨텍스트 그래프 비교

Knowledge Catalog 컨텍스트 세트와 데이터베이스 컨텍스트 세트 비교

컨텍스트 세트와 데이터 제품 비교

엔터프라이즈 보안 및 거버넌스

미리보기 범위 및 경계

다음 단계

Knowledge Studio 개요

데이터 애셋 및 컨텍스트 그래프 탐색

메타데이터 관리 정보

MCP 서버 정보

Catalog API를 사용하여 데이터 컨텍스트 검색

컨텍스트 세트 관리

컨텍스트 세트 개요