Mengintegrasikan QueryData dengan aplikasi

Tutorial ini menjelaskan cara menyiapkan dan menggunakan QueryData di Spanner menggunakan konsol Google Cloud dan mengintegrasikannya dengan aplikasi Anda. Pelajari cara membuat file set data konteks, membuat set data konteks yang menggunakan file set data konteks, menggunakan MCP Toolbox untuk memanggil QueryData API guna membuat kueri SQL untuk pertanyaan bahasa alami, dan mengintegrasikannya dengan aplikasi Anda.

Untuk mengetahui informasi selengkapnya, lihat Ringkasan QueryData.

Tujuan

  • Buat tabel database dan isi dengan data.
  • Buat file set data konteks dengan Gemini CLI dan MCP Toolbox.
  • Buat set data konteks dan upload file set data konteks.
  • Uji QueryData dan buat kueri SQL di Studio.
  • Integrasikan QueryData dengan aplikasi Anda menggunakan alat Gemini Data Analytics QueryData di MCP Toolbox.
  • Menambahkan perujukan ke respons LLM menggunakan kueri penelusuran nilai.

Biaya

Dalam dokumen ini, Anda akan menggunakan komponen Google Cloudyang dapat ditagih berikut:

Untuk membuat perkiraan biaya berdasarkan proyeksi penggunaan Anda, gunakan kalkulator harga.

Pengguna Google Cloud baru mungkin memenuhi syarat untuk mendapatkan uji coba gratis.

Untuk menghindari penagihan berkelanjutan, hapus resource yang Anda buat setelah menyelesaikan tugas dalam dokumen ini. Untuk informasi selengkapnya, lihat Pembersihan.

Sebelum memulai

Selesaikan prasyarat berikut sebelum membuat set konteks.

Mengaktifkan layanan yang diperlukan

Aktifkan layanan berikut untuk project Anda:

Menyiapkan instance Spanner

  • Pastikan instance Spanner tersedia. Untuk mengetahui informasi selengkapnya, lihat Membuat instance.
  • Pastikan Anda membuat database di instance tempat Anda akan membuat tabel. Untuk mengetahui informasi selengkapnya, lihat Membuat database di instance Spanner

Tutorial ini mengharuskan Anda memiliki database di instance Spanner. Untuk mengetahui informasi selengkapnya, lihat Membuat database.

Peran dan izin yang diperlukan

Membuat skema dan tabel flights dan airports

Di bagian ini, Anda akan membuat tabel database flights dan airports untuk tutorial ini.

  1. Di konsol Google Cloud , buka halaman Spanner.

    Buka Spanner

  2. Pilih instance dari daftar, lalu pilih database.

  3. Di menu navigasi, klik Spanner Studio.

  4. Klik New SQL editor tab atau New tab untuk membuka tab baru.

  5. Untuk membuat tabel dan skema airports, jalankan pernyataan SQL berikut:

    CREATE TABLE IF NOT EXISTS airports (
  id INT64 PRIMARY KEY,
  iata STRING(MAX),
  name STRING(MAX),
  city STRING(MAX),
  country STRING(MAX)
);

  6. Buat tabel dan skema flights:

    CREATE TABLE flights (
  id INT64 NOT NULL,
  airline STRING(10),
  flight_number INT64,
  departure_airport STRING(5),
  arrival_airport STRING(5),
  departure_time TIMESTAMP,
  arrival_time TIMESTAMP,
  departure_gate STRING(10),
  arrival_gate STRING(10)
) PRIMARY KEY (id);

Mengisi tabel flights dan airports

Di bagian ini, Anda akan mengisi tabel flights dan airports menggunakan skrip SQL yang disediakan.

  1. Isi tabel airports.

  2. Isi tabel flights.

  3. Jalankan kueri berikut untuk memverifikasi bahwa tabel telah diisi:

    SELECT * FROM flights LIMIT 10;
SELECT * FROM airports LIMIT 10;

Membuat kolom yang di-tokenisasi dan indeks penelusuran

Gunakan kemampuan penelusuran teks bawaan Spanner untuk memungkinkan QueryData memetakan frasa bahasa alami tidak terstruktur secara akurat, seperti kesalahan ketik atau nama parsial, ke nilai tertentu dalam database Anda. Hal ini memerlukan pembuatan kolom TOKENLIST tersembunyi yang memecah string Anda menjadi n-grams, dan membuat indeks penelusuran di kolom tersebut.

Untuk membuat kolom yang di-tokenisasi dan indeks penelusuran, jalankan pernyataan SQL berikut:

  1. Buat kolom dan indeks token untuk nama bandara:

    ALTER TABLE `airports` ADD COLUMN `name_tokens` TOKENLIST AS (TOKENIZE_SUBSTRING(`name`)) STORED HIDDEN;
CREATE SEARCH INDEX `airports_name_idx` ON `airports`(`name_tokens`);

  2. Buat kolom dan indeks token untuk kota bandara:

    ALTER TABLE `airports` ADD COLUMN `city_tokens` TOKENLIST AS (TOKENIZE_SUBSTRING(`city`)) STORED HIDDEN;
CREATE SEARCH INDEX `airports_city_idx` ON `airports`(`city_tokens`);

Membuat set data konteks di Studio

Di bagian ini, buat set konteks bernama flights-assistant. Set konteks ini tidak menyertakan file set konteks yang diupload ke dalamnya.

  1. Di konsol Google Cloud , buka halaman Spanner.

    Buka Spanner

  2. Pilih instance dari daftar, lalu pilih database.

  3. Di menu navigasi, klik Spanner Studio.

  4. Di panel Explorer, di samping Context sets, klik View actions.

  5. Klik Buat set konteks.

  6. Di Context set name, masukkan flights-assistant.

  7. Klik Create.

Menguji QueryData di Studio

Di bagian ini, gunakan set konteks flights-assistant dengan mengajukan pertanyaan dalam bahasa alami untuk membuat kueri SQL. Karena set konteks tidak memiliki file set konteks yang diupload ke dalamnya, bahkan setelah mengajukan pertanyaan dengan konteks seperti nighttime traffic, QueryData akan menghasilkan kueri yang kurang optimal.

  1. Di panel Explorer, di samping set konteks Anda, klik View actions.
  2. Klik Uji set konteks.
  3. Di editor kueri, klik Generate SQL using QueryData with: flights-assistant.

  4. Masukkan pertanyaan bahasa alami berikut untuk membuat kueri SQL, lalu klik Generate.

    Find flights from SFO to JFK.

    Tinjau kueri SQL. Perhatikan bahwa QueryData menghasilkan SQL yang benar untuk pertanyaan yang tidak ambigu ini.

      SELECT
    *
  FROM
    flights
  WHERE
    departure_airport = 'SFO'
    AND arrival_airport = 'JFK';

  5. Di jendela Generate SQL using QueryData with: flights-assistant, klik Edit.

  6. Masukkan pertanyaan bahasa alami berikut untuk membuat kueri SQL, lalu klik Update.

    Tell me flights that can help me beat nighttime traffic if traveling from New York

    Database gagal memahami istilah traffic nighttime. Hal ini dapat mencegahnya membuat kueri SQL atau menyebabkannya membuat kueri yang mengabaikan istilah tersebut, seperti yang ditunjukkan oleh kueri berikut.

    -- The database schema does not contain information about traffic.
-- Returning all flights departing from New York airports.
SELECT
  f.airline,
  f.flight_number,
  a.name AS departure_airport_name,
  f.departure_time,
  b.name AS arrival_airport_name,
  f.arrival_time
FROM
  flights AS f
JOIN
  airports AS a
  ON f.departure_airport = a.iata
JOIN
  airports AS b
  ON f.arrival_airport = b.iata
WHERE
  a.city = 'New York'
ORDER BY
  f.departure_time;

  7. Di jendela Generate SQL using QueryData with: flights-assistant, klik Edit.

  8. Masukkan pertanyaan bahasa alami berikut untuk membuat kueri SQL, lalu klik Update.

    Show me the flight to Houston Intercontinental

    Logika set konteks menghasilkan kueri untuk menemukan bandara dengan "Houston Intercontinental" dalam namanya. Karena tidak ada bandara atau kota seperti itu dalam database, kueri tidak akan menampilkan baris apa pun.

    SELECT
  f.*
FROM
  `flights` AS f
JOIN
  `airports` AS a
ON
  f.arrival_airport = a.id
WHERE
  a.name LIKE '%Houston Intercontinental%';

Buat konteks untuk set data konteks

Di bagian ini, Anda akan membuat file konteks yang membantu meningkatkan kemampuan kueri set konteks.

Menyiapkan lingkungan Anda

Sebelum dapat mulai membuat konteks, Anda harus menyiapkan lingkungan.

Untuk menyiapkan lingkungan Anda, lakukan langkah-langkah berikut:

  1. Instal Gemini CLI. Untuk mengetahui informasi selengkapnya, lihat Panduan memulai Gemini CLI.
  2. Menginstal Google Cloud CLI.

  3. Siapkan Kredensial Default Aplikasi (ADC). Jalankan perintah berikut di terminal Anda untuk mengautentikasi dan memilih project Anda:

    gcloud auth application-default login

  4. Instal ekstensi DB Context Enrichment, yang mencakup alur kerja untuk pembuatan konteks.

    gemini extensions install https://github.com/GoogleCloudPlatform/db-context-enrichment

    Pastikan versinya adalah 0.4.2 atau yang lebih tinggi. Untuk mengupdate ekstensi Pengayaan Konteks DB, jalankan perintah berikut:

    gemini extensions update mcp-db-context-enrichment

  5. Untuk mengupdate ekstensi DB Context Enrichment atau mengganti GEMINI_API_KEY, jalankan perintah berikut:

    gemini extensions config mcp-db-context-enrichment GEMINI_API_KEY

    Ganti GEMINI_API_KEY dengan kunci API Gemini Anda.

  6. Di terminal, mulai Gemini CLI.

    gemini

  7. Selesaikan Penyiapan Autentikasi Gemini CLI.

  8. Siapkan Koneksi Database. Ekstensi memerlukan koneksi database untuk pembuatan konteks, yang didukung oleh MCP Toolbox dan ditentukan dalam file konfigurasi tools.yaml.

    Untuk membuat file konfigurasi tools.yaml di direktori saat ini, masukkan perintah seperti Help me set up the database connection dan ikuti petunjuk yang diberikan oleh skill. Untuk mengetahui informasi selengkapnya tentang file tools.yaml, lihat dokumentasi MCP Toolbox.

  9. Untuk memuat ulang konfigurasi setelah file tools.yaml dibuat, jalankan perintah berikut di Gemini CLI:

    /mcp reload

  10. Pastikan toolbox MCP dan ekstensi pengayaan database terhubung dan siap digunakan.

    /mcp list

Membuat konteks template

Di bagian ini, untuk mengatasi masalah dari bagian sebelumnya saat QueryData tidak mengenali istilah nighttime traffic, tentukan istilah dalam file set konteks sebagai traffic yang terjadi antara 5:00 PM dan 7:00 PM.

Untuk membuat konteks template, lakukan langkah-langkah berikut:

  1. Jalankan perintah /generate_targeted_templates dan ikuti alur kerja:

    /generate_targeted_templates

  2. Berikan kueri bahasa alami yang ingin Anda tambahkan ke template kueri di terminal.

    Tell me flights that can help me beat nighttime traffic if traveling from New York

  3. Berikan kueri SQL terkait yang ingin Anda tambahkan ke template kueri. Template kueri ini mendefinisikan istilah nighttime yang muncul antara 5:00 PM dan 7:00 PM.

    SELECT
  f.airline,
  f.flight_number,
  a.name AS airport_name,
  f.departure_time
FROM
  flights f
JOIN
  airports a
  ON f.departure_airport = a.iata
WHERE
  a.city = 'New York'
  AND (
    EXTRACT(HOUR FROM f.departure_time) < 17
    OR EXTRACT(HOUR FROM f.departure_time) >= 19
  )
ORDER BY
  f.departure_time;

  4. Tekan Enter. Gemini mengonversi input Anda ke dalam format tertentu yang meningkatkan performa set konteks di berbagai kueri pengguna. Untuk mengetahui informasi selengkapnya, lihat Ringkasan set konteks.

  5. Tinjau template kueri yang dihasilkan. Anda dapat menyimpan template kueri sebagai file konteks agen baru atau menambahkannya ke file konteks agen yang ada.

  6. Pilih opsi untuk membuat file konteks agen baru. Gemini membuat nama file INSTANCE_ID_DATABASE_ID_context_set_TIMESTAMP.json di direktori yang sama, dengan konten berikut:

    {
  "templates": [
    {
      "nl_query": "Tell me flights that can help me beat nighttime traffic if traveling from New York",
      "sql": "SELECT f.airline, f.flight_number, a.name AS airport_name, f.departure_time FROM flights f JOIN airports a ON f.departure_airport = a.iata WHERE a.city = 'New York' AND (EXTRACT(HOUR FROM f.departure_time) < 17 OR EXTRACT(HOUR FROM f.departure_time) >= 19) ORDER BY f.departure_time;",
      "intent": "Tell me flights that can help me beat nighttime traffic if traveling from New York",
      "manifest": "Tell me flights that can help me beat nighttime traffic if traveling from a given city",
      "parameterized": {
        "parameterized_sql": "SELECT f.airline, f.flight_number, a.name AS airport_name, f.departure_time FROM flights f JOIN airports a ON f.departure_airport = a.iata WHERE a.city = ? AND (EXTRACT(HOUR FROM f.departure_time) < 17 OR EXTRACT(HOUR FROM f.departure_time) >= 19) ORDER BY f.departure_time;",
        "parameterized_intent": "Tell me flights that can help me beat nighttime traffic if traveling from ?"
      }
    }
  ]
}

Buat konteks penelusuran nilai

Di bagian ini, Anda membuat konteks penelusuran nilai untuk membantu logika set konteks memetakan frasa nilai ke nilai tertentu yang disimpan di kolom database Anda menggunakan kesamaan string (pencocokan trigram). Misalnya, jika pengguna meminta penerbangan ke "Houston Intercontinental", penelusuran nilai dapat memetakan ini ke nilai database yang tepat, yaitu "George Bush Intercontinental Houston Airport".

Untuk membuat konteks penelusuran nilai, lakukan langkah-langkah berikut:

  1. Jalankan perintah /generate_targeted_value_searches:

    /generate_targeted_value_searches

  2. Masukkan spanner untuk memilih Spanner sebagai database.

  3. Masukkan konfigurasi penelusuran nilai sebagai berikut:

    Table: airports
Column: city
Concept: Airport City
Match Function: TRIGRAM_STRING_MATCH

  4. Konfirmasi apakah Anda ingin membuat definisi penelusuran nilai.

  5. Tinjau definisi penelusuran nilai yang dihasilkan. Anda dapat menyimpan definisi penelusuran nilai sebagai file set konteks baru atau menambahkannya ke file set konteks yang ada.

  6. Pilih opsi untuk menambahkan ke file set data konteks yang ada. Tindakan ini menambahkan definisi penelusuran nilai ke file konteks yang dibuat di bagian sebelumnya.

  7. Masukkan instance database dan nama database yang file set konteksnya dibuat.

    File konteks yang ada diperbarui dengan definisi penelusuran nilai. Gemini membuat nama file INSTANCE_ID_DATABASE_ID_context_set_TIMESTAMP.json di direktori yang sama, dengan konten berikut:

      {
"templates": [
  {
    "nl_query": "Tell me flights that can help me beat nighttime traffic if traveling from New York",
    "sql": "SELECT f.airline, f.flight_number, a.name AS airport_name, f.departure_time FROM flights f JOIN airports a ON f.departure_airport = a.iata WHERE a.city = 'New York' AND (EXTRACT(HOUR FROM f.departure_time) < 17 OR EXTRACT(HOUR FROM f.departure_time) >= 19) ORDER BY f.departure_time;",
    "intent": "Tell me flights that can help me beat nighttime traffic if traveling from New York",
    "manifest": "Tell me flights that can help me beat nighttime traffic if traveling from a given city",
    "parameterized": {
      "parameterized_sql": "SELECT f.airline, f.flight_number, a.name AS airport_name, f.departure_time FROM flights f JOIN airports a ON f.departure_airport = a.iata WHERE a.city = ? AND (EXTRACT(HOUR FROM f.departure_time) < 17 OR EXTRACT(HOUR FROM f.departure_time) >= 19) ORDER BY f.departure_time;",
      "parameterized_intent": "Tell me flights that can help me beat nighttime traffic if traveling from ?"
    }
  }
],
"facets": [],
"value_searches": [
  {
    "query": "SELECT CAST(T.`name` AS STRING) AS value, 'name' AS `columns`, 'airport name' AS concept_type, 1 - SCORE_NGRAMS(T.`name_tokens`, CAST($value AS STRING)) AS distance, JSON '{}' AS context FROM `airports` AS T WHERE SEARCH_NGRAMS(T.`name_tokens`, CAST($value AS STRING)) ",
    "concept_type": "airport name",
    "description": "String similarity using Spanner Search Indexes."
  },
  {
    "query": "SELECT CAST(T.`city` AS STRING) AS value, 'city' AS `columns`, 'airport city' AS concept_type, 1 - SCORE_NGRAMS(T.`city_tokens`, CAST($value AS STRING)) AS distance, JSON '{}' AS context FROM `airports` AS T WHERE SEARCH_NGRAMS(T.`city_tokens`, CAST($value AS STRING)) ",
    "concept_type": "airport city",
    "description": "String similarity using Spanner Search Indexes."
  }
]
}

Mengupload file set konteks ke QueryData

Di bagian ini, Anda akan mengupload file set konteks ke QueryData, sehingga meningkatkan kemampuan pembuatan SQL QueryData di database Anda.

Untuk mengupload konteks, lakukan langkah-langkah berikut:

  1. Di konsol Google Cloud , buka halaman Spanner.

    Buka Spanner

  2. Pilih instance dari daftar, lalu pilih database.

  3. Di menu navigasi, klik Spanner Studio.

  4. Di panel Explorer, di samping Kumpulan konteks, klik ikon Tindakan ().

  5. Klik Edit set konteks.

  6. Opsional: Edit Deskripsi set konteks.

  7. Klik Browse di bagian Upload file set konteks, lalu pilih file set konteks yang dibuat sebelumnya.

  8. Klik Simpan.

Membuat kueri SQL menggunakan QueryData

Di bagian ini, Anda akan menggunakan file set konteks yang diupload untuk mengajukan pertanyaan dalam bahasa alami. Hal ini memungkinkan Anda memverifikasi bahwa QueryData memahami dan menerapkan definisi dengan benar untuk istilah seperti nighttime traffic dan frasa terkait lainnya

Untuk membuat kueri SQL, lakukan langkah-langkah berikut:

  1. Di panel Explorer, di samping set konteks Anda, klik View actions.
  2. Klik Uji set konteks.
  3. Di editor kueri, klik Generate SQL using QueryData with: flights assistant.

  4. Masukkan pertanyaan bahasa alami berikut untuk membuat kueri SQL, lalu klik Generate.

    Tell me flights that can help me beat nighttime traffic if traveling from New York

    Kueri SQL yang dihasilkan akan terlihat mirip dengan berikut ini:

    SELECT
  f.airline,
  f.flight_number,
  a.name AS airport_name,
  f.departure_time
FROM
  flights f
JOIN
  airports a ON f.departure_airport = a.iata
WHERE
  a.city = 'New York'
  AND (
    EXTRACT(HOUR FROM f.departure_time) < 17
    OR EXTRACT(HOUR FROM f.departure_time) >= 19
  )
ORDER BY
  f.departure_time;

    Ini adalah pertanyaan yang sama yang Anda tambahkan ke konteks QueryData. Perhatikan bahwa QueryData kini dapat menafsirkan istilah nighttime traffic secara akurat.

    Meskipun konteks berasal dari satu pertanyaan tertentu, QueryData menggunakannya untuk meningkatkan pembuatan SQL untuk berbagai pertanyaan serupa.

  5. Di jendela Generate SQL using QueryData with: flights-assistant, klik Edit.

  6. Masukkan pertanyaan serupa berikut untuk membuat kueri SQL, lalu klik Perbarui.

    What are the flights that can help me avoid evening traffic if departing from Boston

    Karena pertanyaan mengganti istilah nighttime traffic dengan istilah serupa, evening traffic, QueryData memberikan jawaban yang konsisten untuk pertanyaan ini dengan menerapkan interpretasi yang sama.

    Kueri SQL yang dihasilkan akan terlihat mirip dengan berikut ini:

    -- What are the flights that can help me avoid evening traffic if departing from Boston
SELECT
  f.airline,
  f.flight_number,
  a.name AS airport_name,
  f.departure_time
FROM
  flights f
JOIN
  airports a
ON
  f.departure_airport = a.iata
WHERE
  a.city = 'Boston'
  AND (
    EXTRACT(HOUR FROM f.departure_time) < 17
    OR EXTRACT(HOUR FROM f.departure_time) >= 19
  )
ORDER BY
  f.departure_time;

  7. Di jendela Generate SQL using QueryData with: flights-assistant, klik Edit.

  8. Masukkan pertanyaan berikut untuk membuat kueri SQL, lalu klik Update.

    Show me the flight to Houston Intercontinental

    Kueri SQL yang dihasilkan akan terlihat mirip dengan berikut ini:

    SELECT
  f.*
FROM
  flights AS f
INNER JOIN
  airports AS a
ON
  f.arrival_airport = a.iata
WHERE
  a.name = 'George Bush Intercontinental Houston Airport'

    Perhatikan bahwa QueryData kini dapat menafsirkan secara akurat bahwa "Houston Intercontinental" berkaitan dengan "George Bush Intercontinental Houston Airport" dalam database.

Mengintegrasikan QueryData dengan aplikasi Anda

Di bagian ini, Anda akan membuat agen QueryData untuk aplikasi pencarian penerbangan. Agen QueryData ini menyediakan antarmuka percakapan ke tabel flights dan airports yang Anda buat sebelumnya. Codelab ini juga menjelaskan cara membuat dan mengintegrasikan agen QueryData ini ke dalam aplikasi Anda menggunakan Agent Development Kit (ADK), alat QueryData MCP Gemini Data Analytics, dan set data konteks untuk meningkatkan kualitas respons.

  1. Download MCP Toolbox versi 0.31.0 atau yang lebih baru. Toolbox MCP mengekspos agen QueryData sebagai alat yang dapat digunakan aplikasi untuk terhubung. MCP toolbox berbeda dengan ekstensi Gemini CLI MCP Toolbox yang Anda instal sebelumnya, yang menghasilkan konteks.

  2. Siapkan Kredensial Default Aplikasi (ADC).

    gcloud auth application-default login

  3. Temukan ID set konteks. Untuk mengetahui informasi selengkapnya tentang cara menemukan ID set konteks, lihat Menemukan ID set konteks.

  4. Buat konfigurasi tools.yaml untuk terhubung ke agen QueryData menggunakan toolbox MCP. Untuk mengetahui informasi selengkapnya, lihat Sumber Analisis Data Gemini dan Alat QueryData Analisis Data Gemini.

    kind: source
name: gda-api-source
type: cloud-gemini-data-analytics
projectId: "PROJECT_ID"
---
kind: tool
name: cloud_gda_query_tool
type: cloud-gemini-data-analytics-query
source: gda-api-source
description: Use this tool to send natural language queries to the Gemini Data Analytics API and receive SQL, natural language answers, and explanations.
location: "REGION_ID"
context:
  datasourceReferences:
    spannerReference:
      databaseReference:
        engine: "GOOGLE_SQL"
        projectId: "PROJECT_ID"
        instanceId: "INSTANCE_ID"
        databaseId: "DATABASE_ID"
      agentContextReference:
        contextSetId: "CONTEXT_SET_ID"
generationOptions:
  generateQueryResult: true
  generateNaturalLanguageAnswer: true
  generateExplanation: true
  generateDisambiguationQuestion: true

    Ganti kode berikut:

    • PROJECT_ID: Project ID Google Cloud Anda.
    • REGION_ID: Region instance Spanner Anda (misalnya, us-central1).
    • INSTANCE_ID: ID instance Spanner Anda.
    • DATABASE_ID: Nama database yang akan dihubungkan.
    • CONTEXT_SET_ID: ID set konteks. Untuk mengetahui informasi selengkapnya tentang cara menemukan ID set konteks, lihat Menemukan ID set konteks.

  5. Jalankan server MCP Toolbox dengan file tools.yaml.

    ./toolbox --config "tools.yaml"

  6. Buat aplikasi ADK yang memanggil alat Gemini Data Analytics QueryData menggunakan Python SDK MCP Toolbox. Untuk mengetahui informasi selengkapnya tentang cara menggunakan Python SDK MCP Toolbox, lihat panduan memulai Toolbox dan untuk Python ADK, lihat panduan memulai ADK.

    1. Buat direktori untuk menyimpan aplikasi, misalnya flight-assistant-app.

    2. Ubah direktori ke direktori flight-assistant-app.

      mkdir flight-assistant-app
cd flight-assistant-app

    3. Jalankan perintah berikut di direktori flight-assistant-app untuk membuat lingkungan virtual dan menginstal komponen yang diperlukan.

      python3 -m venv .venv
source .venv/bin/activate
pip install toolbox-core
pip install google-genai
pip install google-adk

    4. Siapkan agen ADK.

      1. Buat agen ADK.

        adk create my_agent

      2. Pilih model gemini-2.5-flash.

      3. Pilih Google AI, lalu masukkan kunci Gemini API Anda. Untuk mengetahui informasi selengkapnya tentang cara menemukan kunci API Anda, lihat Menggunakan kunci API Gemini.

    5. Ganti konten file agent.py dengan kode aplikasi contoh Flight Data Assistant berikut.

      from typing import cast

from google.adk.agents.llm_agent import Agent
from google.adk.agents.llm_agent import ToolUnion

from toolbox_core import ToolboxSyncClient

TOOLBOX_URL = "http://127.0.0.1:5000"

INSTRUCTION = """
# ROLE
You are a friendly and factual flight data assistant. Your goal is to help users find the best flights for their needs by providing accurate information with a helpful, professional tone.
- use the Query Data Tool to answer the user's question, if the tool fails to generate a valid query, ask the user to clarify their question.

# OPERATIONAL CONSTRAINTS
- TOOL LIMITATION: You only have access to the Query Data Tool. Do not claim to have capabilities beyond what this tool provides.
- TRANSPARENCY POLICY: Maintain a seamless user experience. Never mention that you are using a tool, querying a database, or generating SQL. Frame all responses as your own direct assistance.
- SCOPE MANAGEMENT: If a user asks for something beyond your capabilities, politely state that you cannot perform that specific task. Guide the user towards what you can help with.

# COMMUNICATION STYLE
- Be concise and scannable when listing answers.
- Maintain a helpful, professional persona.

=====

# QUERY DATA TOOL

Inputs:
1. query: A natural language formulation of a database query.

Outputs: (all optional)
1. disambiguation_question: Clarification questions or comments where the tool needs the users' input.
2. generated_query: The generated query for the user query.
3. intent_explanation: An explanation for why the tool produced `generated_query`.
4. query_result: The result of executing `generated_query`.
5. natural_language_answer: The natural language answer that summarizes the `query` and `query_result`.

Usage guidance:
1. If `disambiguation_question` is produced, then solicit the needed inputs from the user and try the tool with a new `query` that has the needed clarification.
2. If `natural_language_answer` is produced, use `intent_explanation` and `generated_query` to see if you need to clarify any assumptions for the user.
3. If the tool output indicates failure or empty results, explain that clearly using the provided reasoning.
"""

client = ToolboxSyncClient(TOOLBOX_URL)

mcp_tool = client.load_tool("cloud_gda_query_tool")

root_agent = Agent(
    model="gemini-2.5-flash",
    name="root_agent",
    instruction=INSTRUCTION,
    tools=cast(list[ToolUnion], [mcp_tool]),
)

  7. Jalankan perintah berikut di direktori flight-assistant-app untuk memulai aplikasi dan mengakses server web ADK di http://127.0.0.1:8000.

    adk web --port 8000

  8. Masukkan teks apa pun, seperti hello, untuk mulai berinteraksi dengan agen.

    Agen ADK menjawab pertanyaan umum dan memanggil alat MCP yang diperlukan.

  9. Masukkan pertanyaan terkait penerbangan berikut.

    How many flights depart from the west side?

    Alat MCP dipanggil untuk menjawab pertanyaan ini. Namun, karena istilah the west ambigu dan tidak menentukan bandara mana pun, alat MCP akan menampilkan pertanyaan disambiguasi yang digunakan agen untuk menyusun respons.

    I cannot determine how many flights depart from the 'west side' as the database does not contain information about which airports are considered to be on the 'west side'. However, I can help you with questions like:

1. How many flights depart from a specific airport?

2. What are the departure airports for all flights?

3. How many flights depart from each airport? Would you like to rephrase your question based on these options?

  10. Masukkan pertanyaan yang mirip dengan pertanyaan dalam template kueri yang dibuat untuk agen.

    Help me find flights from San Francisco that avoid the evening rush hour.

    Berdasarkan konteks QueryData yang ditambahkan sebelumnya, alat MCP memahami bahwa evening traffic terjadi antara pukul 17.00 dan 19.00. Alat MCP menampilkan data terkait yang akan digunakan agen untuk menyusun responsnya.

    Here are the flights departing from San Francisco that avoid the evening rush hour (defined as 5 PM to 7 PM):

* UA 1532 departing at 05:50:00
* UA 1158 departing at 05:57:00
* CY 922 departing at 06:38:00
* OO 5441 departing at 07:08:00
* UA 616 departing at 07:14:00
* AA 24 departing at 07:14:00
* B6 434 departing at 08:00:00
* AA 242 departing at 08:18:00
* UA 1739 departing at 08:22:00
* OO 6336 departing at 08:32:00
* US 1784 departing at 08:47:00
* DL 1631 departing at 09:00:00
* DL 1106 departing at 09:06:00
* OO 5427 departing at 09:06:00
* CY 352 departing at 09:25:00

  11. Masukkan pertanyaan berdasarkan jenis konsep yang Anda tambahkan dalam konteks agen QueryData.

    Show me the flight to Houston Intercontinental

    Berdasarkan konteks penelusuran nilai yang ditambahkan sebelumnya, agen memahami bahwa `Houston Intercontinental" berkaitan dengan "George Bush Intercontinental Houston Airport" (kode bandara IAH) dan menampilkan data terkait untuk digunakan agen dalam menyusun responsnya.

    Here are the flights heading to Houston Intercontinental (IAH):

* Flight UA 1285 departs from SFO and arrives at IAH on 2025-01-01 at 23:20:00Z.
* Flight F9 1056 departs from SFO and arrives at IAH on 2025-01-02 at 20:09:00Z.
* Flight UA 1722 departs from SFO and arrives at IAH on 2025-01-03 at 02:29:00Z.

Mengulangi performa agen

UI web ADK memungkinkan Anda memeriksa permintaan dan respons dari alat MCP QueryData Analisis Data Gemini. Anda dapat menggunakan respons ini untuk mengamati respons alat seperti kueri SQL yang dihasilkan, set hasil, penjelasan maksud, pertanyaan disambiguasi, dan jawaban natural language, untuk membantu Anda mengonfirmasi kebenaran respons agen.

Misalnya, untuk teks input How many flights depart from the west side? yang Anda masukkan sebelumnya, klik balon agen. Di tab Peristiwa di navigasi kiri, luaskan functionResponse untuk melihat respons berikut.

"{"disambiguationQuestion": ["[NOT_ENOUGH_INFO] The database schema does not
contain information about which airports are on the 'west side'. Therefore, I
cannot determine how many flights depart from the west side.Possible alternative
questions: 1. How many flights depart from a specific airport? 2. What are the
departure airports for all flights? 3. How many flights depart from each
airport?"]}"

Memperbaiki akurasi respons

Anda dapat terus meningkatkan akurasi respons dari alat QueryData Analisis Data Gemini dengan menambahkan konteks tambahan. Gunakan Gemini CLI untuk membuat konteks, lalu upload file set data konteks yang telah diperbarui ke agen QueryData flights-assistant yang ada. Untuk mengetahui informasi selengkapnya, lihat Membangun konteks menggunakan Gemini CLI. Konsol akan segera menyerap konteks baru setelah Anda menguploadnya, sehingga Anda dapat meningkatkan akurasi agen tanpa waktu non-operasional aplikasi.

Beberapa agen

Di lingkungan pengembangan, Anda dapat melakukan pengujian A/B pada beberapa konteks agen QueryData dengan menetapkan nama yang berbeda untuk alat di file tools.yaml. Misalnya, Anda dapat membuat konfigurasi tools.yaml yang unik dengan menentukan dua alat cloud-gemini-data-analytics-query dengan nama yang berbeda, seperti cloud_gda_query_tool_v1 dan cloud_gda_query_tool_v2. Penyiapan ini memungkinkan Anda menerapkan logika aplikasi yang secara terprogram memilih versi konteks yang diperlukan dengan memilih nama alat yang sesuai.

Contoh tools.yaml berikut menunjukkan cara menyiapkan beberapa agen QueryData untuk sumber database:

kind: source
name: gda-api-source
type: cloud-gemini-data-analytics
projectId: <var>PROJECT_ID</var>
---
kind: tool
name: cloud_gda_query_tool_v1
type: cloud-gemini-data-analytics-query
source: gda-api-source
context:
  datasourceReferences:
    <var>DB_SOURCE</var>:
      databaseReference: ...
      agentContextReference:
        contextSetId: "V1_YOUR_CONTEXT_SET_ID"
generationOptions: ...
---
kind: tool
name: cloud_gda_query_tool_v2
type: cloud-gemini-data-analytics-query
source: gda-api-source
context:
  datasourceReferences:
    <var>DB_SOURCE</var>:
      databaseReference: ...
      agentContextReference:
        contextSetId: "V2_YOUR_CONTEXT_SET_ID"
generationOptions: ...

Ganti kode berikut:

  • PROJECT_ID: Project ID Google Cloud Anda.
  • V1_YOUR_CONTEXT_SET_ID: ID set konteks untuk versi 1.
  • V2_YOUR_CONTEXT_SET_ID: ID set konteks untuk versi 2

Pembersihan

Bagian berikut menjelaskan cara menghapus resource dan objek ini.

Menghapus set konteks

Sebelum menghapus instance, hapus set konteks yang Anda buat.

  1. Di konsol Google Cloud , buka halaman Spanner.

    Buka Spanner

  2. Pilih instance dari daftar, lalu pilih database.

  3. Di menu navigasi, klik Spanner Studio.

  4. Di panel Explorer, di samping set konteks Anda, klik View actions.

  5. Di jendela Hapus set konteks, masukkan flight-assistant di kotak konfirmasi.

  6. Klik Konfirmasi.

Menghapus instance

Saat Anda menghapus instance yang Anda buat di bagian sebelum memulai, Anda juga menghapus semua objek yang Anda buat.

  1. Di konsol Google Cloud , buka halaman Spanner.

    Buka Spanner

  2. Klik nama instance yang ingin Anda hapus, misalnya, Test Instance.

  3. Klik Delete instance.

  4. Konfirmasi bahwa Anda ingin menghapus instance dengan memasukkan nama instance dan mengklik Hapus.

Langkah berikutnya