Google Cloud Tech
企业数据分析正从被动看板转向自主智能体工作流,通过绑定数仓业务层与黄金查询,工程团队可将跨月管道搭建与模型调优压缩至数分钟完成。
AI-assisted summary of What's new with data agents — original source. Check the original for full context.
Source published:
Key ideas
- Google 宣布数据工程智能体(Data Engineering Agent)和数据科学智能体(Data Science Agent)正式全面商用(GA),支持通过自然语言在数分钟内生成数据管道及训练机器学习模型。 (5:23)
- BigQuery 原生对话式分析(Conversational Analytics)与对话式分析 API 现已全面商用(GA),功能从历史查询延伸至预测分析、归因分析及异常检测。 (8:04)
- 推出 BigQuery MCP Server 全托管远程服务与 Google Cloud Data Agent Kit 预览版,支持在 VS Code、Gemini CLI 等开发环境中无缝集成数据工具与技能。 (18:34)
- 电信运营商 Virgin Media O2 分享了基于 BigQuery 和 Gemini Enterprise 构建的“Parity”数据智能体系统,已为员工解答逾 12,000 次业务提问,并计划年底前推广至 5,000 个授权。 (35:24)
Detailed notes
## Background 该视频由 Google Cloud Tech 于 2026 年 6 月 25 日发布在 YouTube 平台上,记录了 Google Cloud Next 2026 大会的主题演讲。根据官方简介,本期内容深入探讨了数据分析智能体(Data Agents)的最新进展,展示了涵盖数据工程、数据科学和对话式分析的内置增强功能,并介绍了 Agent Development Kit (ADK) 及 Model Context Protocol (MCP) 等开发者工具。
## TL;DR 演讲首先由 Google 团队系统阐述了全栈 Agentic AI 战略,宣布数据工程智能体、数据科学智能体以及 BigQuery 对话式分析功能正式商用(GA),并演示了 BigQuery Assistant 的自动纠错与性能调优能力。随后,团队发布了全新的 Google Cloud Data Agent Kit、对话式分析 API 以及 BigQuery MCP Server,大幅降低了跨 IDE 开发与流水线编排的门槛。最后,Virgin Media O2 的 Mauro Flores 分享了其实际落地案例,介绍了企业如何构建基于“单一事实来源”的 Parity 智能体架构,并在严格的数据治理与强制安全培训机制下,实现规模化业务赋能与高效问答。
## Atmosphere & style 整场演讲充满前瞻技术发布会特有的高能与振奋感,主讲人兼具技术底蕴与产品激情,以严密的架构拆解和流畅的现场实机演示牢牢吸引观众。随后客户案例的切入则将氛围拉回现实业务战场,风格务实、坦率甚至带有一丝幽默,真实道出企业在采购博弈与合规落地时的硬核挑战。整场分享节奏明快,从底层的算法架构延展至一线员工的真实好评,给观众带来一种前沿 AI 正在扎实重构企业数据生产力的切实冲击。
## Bulletin - [05:23](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=323s) Google 宣布数据工程智能体(Data Engineering Agent)和数据科学智能体(Data Science Agent)正式全面商用(GA),支持通过自然语言在数分钟内生成数据管道及训练机器学习模型。 - [08:04](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=484s) BigQuery 原生对话式分析(Conversational Analytics)与对话式分析 API 现已全面商用(GA),功能从历史查询延伸至预测分析、归因分析及异常检测。 - [18:34](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=1114s) 推出 BigQuery MCP Server 全托管远程服务与 Google Cloud Data Agent Kit 预览版,支持在 VS Code、Gemini CLI 等开发环境中无缝集成数据工具与技能。 - [35:24](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=2124s) 电信运营商 Virgin Media O2 分享了基于 BigQuery 和 Gemini Enterprise 构建的“Parity”数据智能体系统,已为员工解答逾 12,000 次业务提问,并计划年底前推广至 5,000 个授权。
## Key takeaways - [00:13](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=13s) 行业正步入主动且自主的智能体时代;据 Gartner 预测,到 2027 年超过 50% 的业务决策将被智能体 AI 增强或自动化。 - [02:33](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=153s) Google 将数据智能体战略划分为三大方向:嵌入式辅助能力(如 BigQuery 助手)、专用智能体(面向工程、科学与对话分析)以及底层开发 API 与工具(SDK、ADK、MCP)。 - [04:14](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=254s) BigQuery 助手支持 SQL 编写、报错修复和运行性能调优,推动 Gemini 在 BigQuery 中处理的数据量单年实现 30 倍增长。 - [05:23](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=323s) 正式商用的数据工程智能体允许工程师在保有完全审查与修改控制权的前提下,通过自然语言在数分钟内构建流水线并自动排查故障。 - [05:23](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=323s) 正式商用的数据科学智能体深度集成于 BigQuery 的 Colab 环境,可自主完成数据探索、特征工程、模型训练及准确度验证。 - [08:04](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=484s) 对话式分析智能体实现了从 Looker 可视化看板向 BigQuery 底座数仓的扩展,使非技术业务用户能够直接进行预测分析、异常归因与多模态数据检索。 - [11:29](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=689s) 针对复杂企业场景推出在后台长程运行的“深度数据调研”(Deep Data Research)以及事件与计划驱动的“智能体自主工作流”(Agentic Workflows)。 - [13:32](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=812s) BigQuery 助手在现场演示中展示了自动识别隐蔽字段 Bug、增加 safe_divide 预防崩溃以及重构日期范围进行分区裁剪(Partition Pruning)以优化算力开销的能力。 - [18:34](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=1114s) 发布 BigQuery MCP Server 全托管服务以替代自定义胶水代码,并推出仅需一行代码即可在 SDK 或 LangGraph 中监控延迟、Token 消耗的 Agent Analytics 插件。 - [22:17](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=1337s) Google Cloud Data Agent Kit 为 VS Code、Gemini CLI 等开发环境提供了预置技能、可视化 DAG 生成和多模型对比能力,显著消除跨工具切换摩擦。 - [28:12](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=1692s) Virgin Media O2(VMO2)将 16,000 名员工的数据迁移至 GCP,确立 BigQuery 作为“单一事实来源”,并强调经过认证的业务层是避免“垃圾进垃圾出”的关键基石。 - [37:52](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=2272s) VMO2 实施强制性安全准入机制,要求所有使用对话式分析的用户必须通过安全培训考核,以保障数据治理与合规。 - [38:49](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=2329s) 客户交互智能体在面对用户模糊提问时能够主动反问厘清口径,并通过自动生成配置 YAML 与配置“黄金查询”(Golden Queries)确保关键指标查询的绝对准确性。
## Detailed walkthrough ### [00:13](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=13s) 迈入智能体时代与 Google Data Cloud 战略
演讲开场,BigQuery AI 高级工程总监 Ganesh Kumar Gella 热情地向观众问好,并指出今年毫无疑问已经成为“智能体 AI(Agentic AI)”的爆发之年。他对自己所处的数据与人工智能交汇领域的前景充满信心与期待。随后,他介绍了共同登台的产品总监 Manikandan Srinivasan,以及来自 VMware 的助理副总裁(AVP)Mauro Flores——Mauro 将在后续分享其组织在实际业务中落地数据智能体的实践经验。
```mermaid flowchart TD accTitle: Google 全栈 Agentic AI 架构层级 accDescr: 展示从底层 AI 基础设施到顶层应用与智能体的全栈架构
subgraph AgentCloud["Google Agentic AI 全栈体系"] Top["应用与智能体层 (Agents & Applications)"] Mid["数据与平台层 (Google Data Cloud)"] Bot["AI 基础设施层 (AI Infrastructure)"] end
Bot --> Mid Mid --> Top ```
Ganesh 强调,当今行业已真正跨入智能体时代。面对体量庞大且结构极其复杂的数据,现代智能体不仅能敏锐地提取关键业务洞察,更具备“主动性(proactive)”与“自主性(autonomous)”。他援引了权威机构的行业研判来印证这一技术浪潮的猛烈:“Gartner 预测,到 2027 年,超过 50% 的业务决策将由智能体 AI 增强或自动化(Gartner is predicting that by 2027, more than 50% of business decisions are going to be augmented or automated by the agent AI)。”这一时间节点近在眼前。面对这一转变,Google 在全栈技术上进行了全面布局,从底层的 AI 基础设施一路创新至顶层的智能体与应用平台,从而向客户兑现智能体时代的全部承诺。
[02:33](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=153s) 覆盖全角色的三大数据智能体投资领域
在 Google Data Cloud 体系中,数据分析用户的背景极其广泛,包括数据分析师、数据工程师、机器学习科学家、ML 工程师以及业务用户等。为了满足这一宽泛受众的不同工作流诉求,Google 将其智能体战略划分为三大核心投资领域:
```mermaid flowchart LR accTitle: Google 数据智能体三大投资领域 accDescr: 涵盖辅助能力、角色与任务专用智能体、底层开发 API 与协议工具
subgraph Area1["1. 辅助能力 (Assistive)"] A1["BigQuery Assistant<br/>嵌入 Studio / 提升编码效率"] end
subgraph Area2["2. 专用智能体 (Persona & Task Agents)"] A2["Data Engineering Agent<br/>Data Science Agent<br/>Conversational Analytics"] end
subgraph Area3["3. 开发者基础套件 (Primitives & Tools)"] A3["SDK 工具 / ADK<br/>MCP 协议 APIs<br/>多环境自主定制开发"] end
Area1 --> Area2 --> Area3 ```
- **辅助能力(Assistive capabilities)**:直接嵌入在工作台与 Studio 环境中,作为用户的随行助手,大幅提升日常编写与分析的生产力。 - **角色与任务专用智能体(Persona-specific & Task-specific Agents)**:针对具体岗位和高阶工作流定制,包括数据工程智能体、数据科学智能体以及对话式分析智能体。 - **底层基础 API 与扩展工具(Primitive APIs and Tools)**:提供软件开发工具包(SDK)、Agent Development Kit(ADK)以及模型上下文协议(Model Context Protocol, MCP)API,让资深开发者能够自由构建定制智能体并发布至任意期望的前端界面。
[04:14](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=254s) BigQuery 助手:SQL 结对与氛围编程
在辅助能力方面,Ganesh 重点介绍了集成在 BigQuery Studio 右侧聊天面板中的 BigQuery 助手(BigQuery Assistant)。它主要面向数据工程师和数据分析师,不仅能从零编写全新的 SQL 查询,还能对报错或现存的有缺陷代码进行故障排除。
借助于右侧的智能面板,开发者在 BigQuery Studio 中几乎可以开启一种随性流畅的“氛围编程(vibe coding)”。该助手的能力远不止生成查询:它能深入剖析现存的 SQL 逻辑并提供优化建议,甚至能够主动识别出哪些查询在系统中运行缓慢、拖垮算力,并为其提供针对性的性能调优方案。随着功能维度的深度扩展,这一工具的采纳率呈爆发式增长——“由于我们不断增加功能的广度与深度,Gemini 在 BigQuery 中处理的数据量在单年内激增了 30 倍(the data processed by Gemini in BigQuery grew up by 30 times in a single year)。”
[05:23](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=323s) 正式商用:数据工程与数据科学专用智能体
谈及特定角色专用的智能体,Ganesh 首先拆解了企业落地数据时面临的核心痛点:企业渴望从数据中获取洞察,但数据往往散落在各处,甚至即使归集在同一处,其格式、结构和形态也与分析所需大相径庭,这使得数据工程师不得不承担极其繁重的数据管道(Pipeline)开发工作。
```mermaid flowchart LR accTitle: 数据工程与数据科学智能体工作流 accDescr: 展示从自然语言输入到生成数据管道与机器学习模型的流程与用户掌控权
subgraph DE["Data Engineering Agent (GA)"] NL1["自然语言输入"] --> Spec["生成规范与执行计划"] Spec --> UserCheck{"工程师审查 & 修改"} UserCheck --> Pipe["分钟级构建管道 / 诊断修复"] end
subgraph DS["Data Science Agent (GA)"] NL2["自然语言需求"] --> Prep["数据探索 & 特征工程"] Prep --> Train["模型训练 & 评估校验"] Train --> Metric["输出准确率评分与部署"] end ```
针对这一瓶颈,全新进入全面公开发布(General Availability, GA)阶段的**数据工程智能体(Data Engineering Agent)**支持工程师通过简单的自然语言交互,在短短数分钟内生成复杂的数据流水线。在此全过程中,数据工程师始终掌握完全的控制权,可以审查智能体输出的规范草案、随时修改编排计划,同时该智能体还能对现有的存量流水线进行故障诊断与自动修复。
紧接着亮相的是同样步入 GA 阶段的**数据科学智能体(Data Science Agent)**。该智能体深度集成在 BigQuery 的 Colab 笔记本环境内,同样以自然语言交互为起点,自主执行数据探索分析、特征工程构建,并训练出符合业务目标的机器学习模型。科学家们不仅可以通过智能体直接验证和测试模型,还能获取详细的准确度评估报告。“曾经需要耗费数周乃至数月的复杂任务,现在仅需数分钟即可达成(Tasks that used to take weeks and months now can be accomplished with a matter of minutes)。”
[08:04](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=484s) 对话式分析智能体:从 Looker 到 BigQuery 的全域下沉
面向业务用户群体,Google 推出了致力于推进“数据平权(Democratize data access)”的**对话式分析智能体(Conversational Analytics Agent)**。业务人员无需向数据团队提交提单并苦等数日,即可用口语化提问秒级获取业务指标,从而将省下的宝贵时间投入到实际的业务动作与决策执行中。
Ganesh 梳理了该智能体的落地轨迹与功能矩阵: - **Looker 对话式分析(已于 11 月 GA)**:支持丰富的可视化图表展现,并已延伸至仪表板层面,用户可以直接围绕 Looker Dashboard 的各类看板展开实时追问。 - **BigQuery 原生对话式分析(现已 GA)**:允许业务人员直接与底座数仓对话,能力突破了单纯的“历史数据查询”,进一步延展至预测分析(Forecasting)、关键驱动因素归因(Key Driver Analysis)以及异常检测(Anomaly Detection)。业务用户不仅可以询问“过去 12 个月收入如何”,更能直接追问“能否帮我预测未来 6 个月的收入”,全程无需对底层数据表架构、Schema 设计或算法模型有任何认知。此外,它原生支持多模态数据处理,对巨幅文本与图像信息亦能通过自然语言轻松检索。
```mermaid flowchart TD accTitle: 对话式分析智能体架构与分发管道 accDescr: 对话式分析从 Looker、BigQuery 到底层数据,再发布到 Data Studio、Gemini Enterprise 与 API
subgraph DataSources["底层数据源与核心引擎"] BQ["BigQuery (多模态 / 高级预测分析)"] LK["Looker (交互式图表 / Dashboard Chat)"] end
subgraph Engine["Conversational Analytics Core (GA)"] EngineCore["自然语言理解 + SQL 生成 + 预测归因"] end
subgraph Distribution["发布与触达端点"] DS["Data Studio"] GE["Gemini Enterprise (白名单预览)"] ExtAPI["自定义 API / 第三方平台"] end
BQ --> EngineCore LK --> EngineCore EngineCore --> DS EngineCore --> GE EngineCore --> ExtAPI ```
- **分发管道(Distribution Surfaces)**:智能体构建完成后,开发者可直接将其一键发布至 Data Studio,或者发布至 **Gemini Enterprise**(该功能目前处于白名单预览阶段,支持企业员工在一个统一入口调用数据智能体及其它办公智能体)。同时,整套能力全量开放 API 接口,支持部署在客户自定义的任何软件表面上。
[11:29](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=689s) 深度数据调研与自主智能体工作流
在高级智能体特性方面,Ganesh 揭晓了两项最新技术突破:
1. **深度数据调研(Deep Data Research / Deep Dive)**:目前已在 Gemini Enterprise 提供。传统查询往往局限于孤立的点对点结构化问答,但在企业真实场景中,往往需要汇总非结构化文档、实时网络抓取信息以及 BigQuery 内部的结构化数仓数据。该功能专为长周期运算设计,智能体可以在后台持续运行,跨越多源数据进行长程综合推演,最终输出极其详尽的长篇研究报告。 2. **智能体自主工作流(Agentic Workflows)**:处于预览阶段。该机制充分释放了智能体的主动性与自治能力,支持基于指定事件(Event-driven)或预设时间表(Scheduled)自动触发工作流。
[13:32](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=812s) 实机演示:BigQuery 助手自动纠错与性能优化
演讲进入现场演示阶段,演示者在大屏幕上展示了 BigQuery Studio 中利用智能体解决真实开发难题的全过程:
```mermaid flowchart TD accTitle: 演示环境中的 SQL 诊断与优化流程 accDescr: 展示 BigQuery Assistant 如何依次进行字段纠错与算子优化
Err["原始 SQL 报错: item_id not found"] --> FixBtn["点击 'Fix it' 智能修复"]
subgraph AutoFix["助手诊断与自动修正"] F1["修正字段映射: user_id -> order_items.order_id"] F2["校正产品 ID 与 product_category"] F3["引入 safe_divide 预防除零崩溃"] end
FixBtn --> AutoFix AutoFix --> Run1["执行修正后的 SQL (耗时约 13 分钟 slot time)"] Run1 --> OptBtn["点击 'Optimize' 性能优化"]
subgraph PerformanceOpt["助手执行重构优化"] O1["重写日期范围以支持分区裁剪 (Partition Pruning)"] O2["引入更高效精简的聚合算子"] end
OptBtn --> PerformanceOpt PerformanceOpt --> Compare["双侧对比验证 (Side by Side)"] ```
- **语法与逻辑纠错测试**:演示者首先载入了一段抛出异常的 SQL,报错提示为当前数据表中找不到指定的 `item_id`。演示者直接点击右侧界面的“Fix it”按钮。在加速视频回放后,Gemini 迅速给出了综合修正方案:它敏锐地察觉到此前误将 `user_id` 填入了订单项中的订单标识,并更正为真实的 `order_items.order_id`——演示者惊叹道:“天啊,这原本会变成一个隐蔽的 Bug(Oh, that would have been a bug)”;与此同时,助手还自动校正了产品类别字段,并加入了 `safe_divide` 函数以规避除零异常。修复后的代码一次性顺利运行。 - **算力与插槽耗时调优**:随后演示者检查作业详情,发现尽管脚本跑通,但消耗了约 13 分钟的插槽时间(slot time)。演示者随即呼出 Gemini 要求其进行“优化(optimize)”。Gemini 迅速对查询进行底层重写:首先重写了日期过滤逻辑,以充分触发数仓的分区裁剪机制(Partition pruning),避免大表全扫描;其次重构了更为精简利落的聚合算子逻辑。演示者随即开启双侧对照(Side by Side)运行,准备直观比对优化前后的资源开销差异。
### [15:18](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=918s) 对话式分析:从数据查询到深入洞察 Ganesh 在演示中展示了如何通过对话式分析(Conversational Analytics)深入挖掘业务问题。他首先利用 Gemini 构建 SQL 查询以分析退货率,随后通过对话界面对结果进行过滤——排除掉销售额低于 10 件的品牌,并锁定表现最差的前五个品牌。在确定了关键异常后,他启动了“深度挖掘”(Deep Dive)功能,询问哪些品牌因盈利下滑、高退货率和负面用户情绪而面临风险。系统随即输出了结构化的分析报告,不仅指出了特定品牌的问题,还识别出费城(Philadelphia)配送中心是运营瓶颈。
* **分析流程**:通过自然语言提问,系统自动生成了包含退货率分析、运营瓶颈诊断及流量来源归因的综合报告。 * **交互逻辑**:对话式分析能够无缝衔接 Web 查询与报表生成,显著简化了数据工程师和业务人员的工作流程。
### [18:34](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=1114s) 开发者工具的全面升级:CA API 与 BigQuery 集成 Manikandan 接手介绍,重点转向了为开发者设计的各种能力。针对客户希望将对话式分析嵌入自有应用(如聊天机器人或自定义平台)的需求,Google 正式宣布“对话式分析 API”(Conversational Analytics API)全面上市(GA)。此外,BigQuery SDK 也已达到 GA 标准,允许开发者在 SDK 框架内直接调用 BigQuery 的内置工具集。
* **BigQuery MCP Server**:这是一个全托管的远程 MCP 服务,消除了用户编写复杂 API 代码或中间件(Glue code)的需求,能够直接接入 BigQuery。 * **MCP Toolbox**:作为开发者管理环境的工具,旨在支持日益增长的 BigQuery MCP 生态,该生态在过去六个月内处理了数百万个任务,年同比增长达 20%。 * **Agent Analytics**:推出了“BigQuery 代理分析插件”(BigQuery Agent Analytics plugin),仅需一行代码即可在 SDK 或 LangGraph 等框架中进行埋点,实现对代理延迟、Token 消耗及用户情绪的实时监测。
“通过这一工具,客户将能够获取有关其代理表现的完整访问权限,所有数据都将持久化在 BigQuery 中。” —— Manikandan Srinivasan
### [22:17](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=1337s) Google Cloud Data Agent Kit:开发者生产力的加速器 针对数据工程师和科学家在 VS Code、Gemini CLI 等不同开发环境中需要手动配置工具的痛点,Google 发布了“Google Cloud Data Agent Kit”预览版。该工具包提供了 VS Code 插件以及针对 Gemini CLI、Cloud Code 和 Codex 的内置插件,旨在通过预定义的技能和 MCP 工具来简化开发流程。
* **VS Code 集成**:开发者可直接在 IDE 内进行配置,查看数据湖(Lakehouse)、BigQuery、AlloyDB 及 Spanner 中的数据目录。 * **可视化探索**:Kit 内置了数据目录查看器、Spark 查看器和数据管道监控功能,允许用户无需编写 SQL 即可通过自然语言查询数据。 * **自动化流水线**:在演示中,Manikandan 展示了利用 Agent Kit 执行欺诈检测任务的过程。该代理能够根据既定技能自动进行规划、生成数据流水线代码、执行特征工程并进行数据清洗。
“我们非常有信心,这将极大地加速开发者的开发速度。” —— Manikandan Srinivasan
```mermaid flowchart LR subgraph Development_Flow A["VS Code / CLI"] --> B["Data Agent Kit"] B --> C["MCP Tools / Skills"] C --> D["BigQuery / AlloyDB / Spanner"] B --> E["Chat Interface"] E --> F["Automated Pipeline & Reporting"] end accTitle: Google Cloud Data Agent Kit 的工作流 accDescr: 展示了从开发环境通过 Agent Kit 连接数据源并利用自然语言生成分析与流水线的逻辑流程。 ```
[26:48](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=1608s) 利用 Data Agent Kit 简化开发者流程
演讲者展示了 Data Agent Kit 如何不仅提供数据流水线(pipeline),还能自动生成流水线的有向无环图(DAG),从而清晰地呈现出流水线的构建方式。这种高度集成化的设计大幅简化了开发者的日常工作流,用户可以直接在同一界面内运行流水线进行测试,无需在多个工具或界面之间反复切换。
一旦流水线完成构建,开发者可以直接在界面内监测运行状态。随后,该工具还能协助进行模型创建与模型间的对比分析。用户只需通过简单的提示词(prompt),即可要求系统对比两个模型并直接返回结果。Data Agent Kit 在幕后利用了内置的专业数据科学技能,自动生成脚手架代码(scaffolding code),并直接在 IDE 中展示对比结果,从而显著提升了生产力。
* **核心价值**:Data Agent Kit 通过消除跨平台切换,将流水线构建、测试、模型创建与比较高度集成。 * **操作流**:流水线生成 → 可视化 DAG → 集成测试 → 模型对比分析。
[28:12](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=1692s) Virgin Media O2 的数据转型之路
Mauro Flores 接手分享了 Virgin Media O2 (VMO2) 在利用数据智能方面的实践案例。他强调自己并非在进行公关宣传,而是分享真实的实施经验、挑战及应对策略。Mauro 拥有 25 年科技行业经验,目前专注于电信领域,VMO2 作为英国两大电信运营商之一,拥有约 4500 万个连接(包含宽带、移动、电视等业务),并致力于在 2028 年前实现 80% 的光纤覆盖。
他指出,电信行业以往侧重于物理基础设施建设,但现今的竞争格局要求企业转向更加敏捷的模式,通过数据和 AI 来理解客户需求。VMO2 的转型历程分为几个关键阶段: * **数据迁移与整合**:将 16,000 名员工的数据系统全面迁移至 Google Cloud Platform (GCP)。 * **单一事实来源**:确立 BigQuery 作为“单一事实来源(single source of truth)”,并在此基础上构建业务层(business layers)。 * **挑战与策略**:Mauro 戏称“垃圾进,垃圾出(rubbish in, rubbish out)”,因此他们非常重视业务层的构建,确保不同业务领域的数据可信且准确。
[33:39](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=2019s) 推动对话式分析与数据民主化
Mauro 详细介绍了 VMO2 启动对话式分析(Conversational Analytics)的动因。他指出,仅靠传统的仪表盘(dashboards)已经无法满足需求,因为数据获取的民主化和发现性(discoverability)存在瓶颈,且数据团队的积压任务(backlogs)无穷无尽。
他们的目标是实现以下三点: 1. **即时响应**:通过对话式 AI 将数据直接提供给利益相关者,无需通过中间人。 2. **效率优化**:VMO2 拥有约 800 人的数据团队,通过 AI 赋能,让员工能够从琐碎的报表工作中解脱出来。 3. **激发好奇心**:除了回答“今天的营收是多少”这类简单问题,还要支持深入挖掘与探索,从而驱动真正的业务价值。
“如果不去推动真正的价值衍生,这些伟大的技术只是玩具而已;如果它不能切实驱动业务结果,没有人会关心。” —— Mauro Flores
[35:24](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=2124s) “Parity” 架构与落地实践
VMO2 开发了一套名为“Parity”的系统(基于 Gemini Enterprise),专门用于解决数据智能落地过程中的一致性问题。Mauro 强调,在处理核心决策相关的业务问题时,代理(agent)必须保证答案的一致性。
Parity 的架构逻辑如下: * **基础层**:利用经过认证和受信任的 BigQuery 业务层作为数据基石。 * **API 交互**:通过调用 Analytics API,实现查询结果的保存与收藏。 * **反馈循环**:底层设计包含持续的反馈管理机制,以确保持续改进和结果的稳定性。
谈及开发效率,Mauro 兴奋地表示,在拥有正确的架构和上下文(context)后,他们已经能够实现“在几分钟内”创建代理。他特别提醒,若忽视隐私、治理(governance)和合规(legal)等环节,这些技术将寸步难行。
```mermaid flowchart TD subgraph "VMO2 Data Architecture" A["BigQuery (Single Source of Truth)"] --> B["Certified Business Layers"] B --> C["Analytics API"] C --> D["Parity (Gemini Enterprise Agent)"] D --> E["User Queries"] end accTitle: VMO2 数据代理架构 accDescr: 展示了从 BigQuery 基础数据层到业务层,再到 Parity 代理接口的标准化流程。 ```
* **项目名称**:Parity * **技术栈**:Gemini Enterprise + BigQuery + Analytics API * **关键成功因素**:投资于数据治理、隐私合规以及经过认证的业务逻辑层。
[37:52](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=2272s) 业务支持、安全合规与用户培训
在企业内部推进前沿技术时,获取业务部门的支持(buy-in)往往是最关键的一步。Mauro Flores 坦言,技术和工程团队在面对新技术的落地时总是充满敬畏。为了快速推进审批,他们对采购团队采取了“相当强势”(quite aggressive)的态度,尽管采购团队平时对他们非常友好。然而,更核心的挑战在于如何向公司证明他们能够确保这项技术的安全性。
为了打消安全顾虑,他们做出了一个关键的投资承诺:对每一位将要使用对话式分析(conversational analytics)的员工进行强制性的安全培训。Mauro 强调,所有获得授权许可的用户都必须通过入职培训和考核,否则就会失去该工具的使用权限。这种严格的准入机制确保了数据安全与规范使用,为后续的规模化推广奠定了坚实基础。
> Mauro Flores 强调道:“我们承诺对每一个将要使用对话式分析的人进行培训,以确保他们能够安全地使用它。”
- **安全准入机制**:所有获得 License 的员工必须接受强制培训,否则将直接失去工具访问权限。 - **规模化现状**:目前已有数百名员工参与其中,项目正在快速向更大规模扩展。
---
[38:49](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=2329s) 客户交互智能体(Customer Interaction Agent)演示
Mauro 展示了一个针对电信行业典型场景(如移动或宽带服务故障申告)构建的“客户交互智能体”(Customer Interaction Agent)。虽然演示中的数据经过了脱敏和修改,但其背后的系统架构和智能体配置是完全真实的。在电信行业中,客户拨打电话或通过在线客服寻求帮助是最核心的交互场景,如何利用 AI 优化这一过程至关重要。
当用户输入一个看似简单但实际上定义模糊的问题——“过去几个月我们接到了多少个电话?”(How many calls have we had in the last few months?)时,智能体并没有像传统报表那样直接给出一个生硬的数字,而是主动向用户询问更多上下文,以厘清“电话”(calls)在业务层面的具体定义。这种双向确认机制避免了因指标口径不一致导致的数据误读。在获取明确上下文并查询 BigQuery 业务层数据后,用户可以进一步下钻(drill down),要求“按渠道拆分”(split this by channel)。智能体非常聪明地展示了电话(call)和即时通讯(messenger)两个渠道,并再次向用户确认这是否符合其意图,将控制权和解释权交还给用户。
> Mauro Flores 指出:“如果这是我们的数据分析师之一,他可能会直接给出10个,但实际上这个智能体正在请求更多的上下文,以确保我们得到正确的结果。”
```mermaid flowchart TD accTitle: 客户交互智能体查询流程 accDescr: 展示了用户提出模糊问题后,智能体通过与用户交互澄清定义,进而查询BigQuery并支持下钻分析的完整流程。
U["用户输入: '过去几个月有多少电话?'"] --> A["智能体 (Agent)"] A -->|"主动请求澄清: '电话的具体定义是什么?'"| U U -->|"提供业务上下文"| A A -->|"查询业务层数据"| BQ[("BigQuery 数据仓库")] BQ -->|"返回初步结果"| A A -->|"展示结果并支持下钻"| U U -->|"下钻请求: '按渠道拆分'"| A A -->|"展示电话与 Messenger 渠道"| U ```
---
[41:28](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=2488s) 智能体构建、YAML 自动生成与黄金查询
除了基础的数据查询,该智能体还具备强大的解释能力("Tell me how you did it"),能够向用户展示得出结论的逻辑路径,并支持一键切换为折线图等不同可视化形式。用户还可以将常用查询保存到“收藏夹”(favorites)中,以便随时刷新和更新数据。
在后台构建端,Mauro 展示了其团队基于 Google Cloud API 开发的智能体创建工具。创建一个新的智能体非常简单:管理员只需输入名称(例如 "Barrett"),选择允许其访问的数据表,后台的智能体就会自动运行,补充上下文细节,并自动生成发送给 API 所需的完整 YAML 配置文件。该工具还支持配置“黄金查询”(Golden Queries)。当团队明确知道某个特定问题应该对应哪条 SQL 查询时,可以通过配置黄金查询来微调(tune)模型。这确保了当用户再次提出该问题时,智能体能够百分之百准确地执行预设的查询。配置完成后,智能体可以立即在测试环境中进行部署和验证,随后发布到 Gemini Enterprise 中供授权用户使用。
> Mauro Flores 解释了上下文对智能体成败的决定性作用:“在这里,如果你有正确的上下文,那么它就会工作得很好。如果你没有正确的上下文,那么它就会完全失败。”
- **智能体命名**:在创建时需要赋予其清晰的名称(例如演示中的 Barrett)。 - **YAML 自动生成**:后台智能体自动填充 field-by-field 的属性细节,大幅降低了开发门槛。 - **黄金查询(Golden Queries)**:通过预设标准 SQL 查询来微调模型,确保高频、关键业务提问的绝对准确性。 - **一键部署**:支持在测试环境中即时部署、测试,并无缝推送到 Gemini Enterprise 供企业用户访问。
---
[44:54](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=2694s) 业务成效与未来展望
Mauro 分享了该项目在 VMO2(Virgin Media O2)内部带来的巨大反响。他兴奋地展示了一封来自一位在电信行业工作了20多年的资深员工的邮件,邮件中盛赞这是其在 VMO2 见过的“最棒的工具”。这表明,数据智能体不仅降低了非技术人员获取数据的门槛,也切实赢得了资深业务专家的认可。
目前,该项目正处于快速扩张阶段。虽然目前仅部署了大约 700 到 750 个授权许可,但系统已经累计为用户提供了超过 12,000 次解答。VMO2 计划在今年年底前将授权许可规模扩大到 5,000 个,让更多业务人员能够享受到数据智能体带来的便利。最后,Ganesh Kumar Gella 重新上台做总结发言。他感谢了所有与会者,并指出智能体技术正在带来颠覆性的变革。他推荐大家参加接下来的其他专题会议,以进一步深入了解 Google Cloud 数据智能体的技术细节和先进功能。
> Mauro Flores 自豪地分享道:“我收到了一封来自用户的邮件,写道:‘这是我在 VMO2 见过的最棒的工具。’我向你保证,这绝非虚言。”
- **当前部署规模**:已发放 700 至 750 个授权许可,累计解答了超过 12,000 个业务问题。 - **年终目标**:计划在年底前将 License 规模扩大至 5,000 个。 - **用户反馈**:获得了在电信行业拥有 20 年以上经验的资深员工的高度赞誉。
## Notable quotes > [33:39](https://www.youtube.com/watch?v=Z-AfOcWO_kk&t=2019s) 如果不去推动真正的价值衍生,这些伟大的技术只是玩具而已;如果它不能切实驱动业务结果,没有人会关心。 — Mauro Flores
## Mentioned Ganesh Kumar Gella, Manikandan Srinivasan, Mauro Flores, Google Cloud, Google Data Cloud, BigQuery, BigQuery Studio, BigQuery Assistant, BigQuery SDK, BigQuery MCP Server, MCP Toolbox, Agent Development Kit (ADK), Model Context Protocol (MCP), Data Engineering Agent, Data Science Agent, Conversational Analytics Agent, Looker, Data Studio, Gemini Enterprise, Gemini CLI, Claude Code, Codex, VSCode, Google Cloud Data Agent Kit, AlloyDB, Spanner, Spark, Colab, LangGraph, VMware, Virgin Media O2 (VMO2), Gartner
## Video description Discover the latest in data analytics agents. In this session, we’ll explore enhanced built-in capabilities designed to streamline workflows across data engineering, data science, and conversational analytics. Learn to build custom agents grounded in your enterprise data using new developer tools, including the Agent Development Kit (ADK) and Model Context Protocol (MCP) integrations. Find out how to access these powerful features seamlessly via the Gemini CLI, Claude Code, Codex, and IDEs like VSCode to supercharge your productivity.
Watch more Google Cloud Next 2026 Sessions → https://goo.gle/gcloud-next-2026 Subscribe to Google Cloud Tech → https://goo.gle/GoogleCloudTech
Speakers: Manikandan Srinivasan, Ganesh Kumar Gella, Mauro Flores
BRK2-037 #GoogleCloudNext
[Source](https://www.youtube.com/watch?v=Z-AfOcWO_kk)