Google 会使用 AI 技术将内容翻译成您偏好的语言。AI 翻译可能包含错误。

智能体 AI 用例：实现数据科学工作流自动化

Last reviewed 2025-12-08 UTC

本文档介绍了运行数据科学工作流以自动执行复杂数据分析和机器学习任务的应用的概要架构。

此架构使用托管在 BigQuery 或 AlloyDB for PostgreSQL 中的数据集。此架构是一个多智能体系统，可让用户以自然语言命令运行操作，无需编写复杂的 SQL 或 Python 代码。

本文档的目标受众群体包括构建和管理智能体 AI 应用的架构师、开发者和管理员。此架构让业务和数据团队能够分析零售、金融和制造等各种行业的指标。本文档假定读者对智能体 AI 系统有基本的了解。如需了解智能体与非智能体系统的区别，请参阅 “AI 智能体、AI 助理和聊天机器人有什么区别？”。

本文档的部署部分提供了指向代码示例的链接，可帮助您尝试部署运行数据科学工作流的智能体 AI 应用。

架构

下图展示了数据科学工作流智能体的架构。

数据科学工作流代理的架构。

此架构包括以下组件：

前端

用户通过前端（例如以无服务器 Cloud Run 服务形式运行的聊天界面）与多智能体系统互动。

智能体

此架构使用以下智能体：

根智能体：协调器智能体，用于接收来自前端服务的请求。根智能体会解读用户请求，并尝试自行解决请求。如果任务需要专用工具，根智能体会将请求委托给相应的专用智能体。
专用智能体：根智能体使用“智能体作为工具”功能调用以下专用智能体：
- 分析智能体：用于数据分析和可视化。分析智能体使用 AI 模型生成和运行 Python 代码，以处理数据集、创建图表和执行统计分析。
- AlloyDB for PostgreSQL 智能体：用于与 AlloyDB for PostgreSQL 中的数据互动的专用智能体。该智能体使用 AI 模型解读用户请求，并以 PostgreSQL 方言生成 SQL。该智能体使用 MCP Toolbox for Databases 安全地连接到数据库然后运行查询以检索请求的数据。
- BigQuery 智能体：用于与 BigQuery 中的数据互动的专用智能体。该智能体使用 AI 模型解读用户请求并生成 GoogleSQL 查询。该智能体使用智能体开发套件 (ADK) 的内置 BigQuery 工具连接到数据库，然后运行查询以检索请求的数据。
BigQuery ML 智能体：根智能体的子智能体，专门用于机器学习工作流。该智能体与 BigQuery ML 互动，以管理端到端机器学习生命周期。该智能体可以根据用户请求创建和训练模型、运行评估并生成预测。

智能体运行时

此架构中的 AI 智能体以无服务器 Cloud Run 服务形式部署。

ADK

ADK 提供用于开发、测试和部署智能体的工具和框架。 ADK 抽象了智能体创建的复杂性，让 AI 开发者能够专注于智能体的逻辑和功能。

AI 模型和模型运行时

对于推理服务，此示例架构中的智能体使用 Gemini 模型在 Gemini Enterprise Agent Platform 上的最新版本。

此示例架构使用以下 Google Cloud 和开源产品及工具：

BigQuery：一种企业数据仓库，可帮助您使用机器学习、地理空间分析和商业智能等内置功能管理和分析数据。
AlloyDB for PostgreSQL：与 PostgreSQL 兼容的全代管式式数据库服务，专为要求苛刻的工作负载（包括混合事务和分析处理）而设计。
MCP Toolbox for Databases：一个开源模型上下文协议 (MCP) 服务器，可让 AI 智能体通过管理连接池、身份验证和可观测性等数据库复杂性安全地连接到数据库。

如需部署此架构的示例实现，请使用 Data Science with Multiple Agents。该代码库提供了两个示例数据集来演示系统的灵活性，包括用于运营分析的航班数据集和用于业务分析的电子商务销售数据集。

（视频）观看关于用于数据工程和数据科学的 AI 智能体的 Agent Factory 播客。
（笔记本）在 Colab Enterprise 中使用数据科学智能体。
了解如何在 Cloud Run 上托管 AI 智能体。
如需简要了解 Google Cloud中特定于 AI 和机器学习工作负载的架构原则和建议，请参阅 Well-Architected Framework 中的 AI 和机器学习视角。
如需查看更多参考架构、图表和最佳实践，请浏览 Cloud 架构中心。

作者：Samantha He | 技术文档工程师

其他贡献者：