Datenprodukte mit Agenten-Skills erstellen

Übersicht

In diesem Leitfaden wird beschrieben, wie Sie spezielle Cortex Framework-Agent-Fähigkeiten, die direkt von Cortex Framework im GitHub-Repository bereitgestellt werden, mit einem KI-Programmierassistenten (z. B. Gemini in Kombination mit dem Agent-Entwicklungsframework Antigravity) verwenden, um benutzerdefinierte Datenprodukte zu erstellen, die den Best Practices von Cortex Framework entsprechen.

Das Cortex Framework bietet spezielle Agent Skills, um die Funktionen zu erweitern. So kann Ihr KI-Assistent Sie durch den Prozess der Erstellung von Datenprodukten führen, die den Best Practices des Cortex Frameworks entsprechen. Mit diesen Funktionen können Sie in natürlicher Sprache ein neues Datenprodukt basierend auf bestimmten Geschäftsanforderungen anfordern. Sie können beispielsweise ein Verbrauchsdatenprodukt für die Kreditorenbuchhaltung anfordern, um Einblicke in die fälligen Gesamtbeträge, überfälligen Beträge und den Umsatz zu erhalten. Das Ergebnis ist ein vollständig integriertes Cortex Framework-Datenprodukt, das auf der Grundlage Ihrer kundenspezifischen Anforderungen und Daten erstellt wurde und sofort ausgeführt werden kann.

Agenten-Skills

KI-Agenten-Skills sind ein einfaches, offenes Format, mit dem sich die agentischen Funktionen von KI-Agenten durch spezialisiertes Wissen und spezialisierte Workflows erweitern lassen. Im Kern ist ein Skill ein Ordner, der eine SKILL.md-Datei (mit Metadaten und Anweisungen) sowie optionale Skripts, Referenzen und Assets enthält, die einem Agenten mitteilen, wie er eine bestimmte Aufgabe ausführen soll. Skills bündeln prozedurales Wissen und Kontext in portablen Ordnern, die Agenten bei Bedarf laden. So werden Fachwissen und wiederholbare Workflows bereitgestellt. Cortex Framework-Skills werden im Verzeichnis .agent gespeichert.

Cortex Framework-Agenten-Skills

Der Agent-basierte Datenprodukt-Builder automatisiert den gesamten Entwicklungslebenszyklus von Datenprodukten in Cortex Framework. Wenn Sie Ihren KI-Assistenten anweisen, strukturierte Entwicklungs-Workflows auszuführen, müssen Sie nicht mehr manuell Dateistrukturen erstellen, komplexe SAP-Schemas durchgehen, Foundation-Ebenen konfigurieren, benutzerdefinierte Namespaces verwalten und Boilerplate-Dataform-SQLX-Code schreiben.

Der KI-Assistent übernimmt die folgenden Hauptaufgaben:

  • Planung und Zuordnung von Anforderungen: Konkrete Geschäftsanforderungen werden in einen umsetzbaren Plan für die Datenmodellierung und ‑entwicklung übersetzt.
  • Live-Schema-Lookup: Führt Skripts aus, die replizierte SAP Data Dictionary-Tabellen (DDIC) abfragen, um kundenspezifische Kontextinformationen wie benutzerdefinierte Z-Felder bereitzustellen.
  • Boilerplate-Scaffolding: Generiert automatisch alle erforderlichen Konfigurationsdateien, Metadaten und SQLX- oder JavaScript-Code-Artefakte.
  • Datenqualitäts-Qualitätsprüfpunkte: Validieren Datenprodukte durch Ausführen lokaler Builds, Kompilieren von SQL-Code, Ausführen von Unit- und Integrationstests und Prüfen der Einhaltung von Namensstandards.
  • Dokumentationserstellung: Erstellt automatisch Dokumentations-Assets, einschließlich der Visualisierung der Entity-Relationship-Diagramme (ER-Diagramme) und Primärschlüssel Ihres Datenproduktmoduls.

Die Entwicklung von Datenprodukten mit diesen agentischen Fähigkeiten ist ein iterativer Prozess. Sie können mit Ihren ursprünglichen Zielen beginnen, den vom KI-Agenten vorgeschlagenen Implementierungsplan einschließlich ER-Diagrammen und Schemas prüfen und den KI-Assistenten bitten, die Logik im Laufe des Prozesses zu verfeinern. Der KI-Agent beschleunigt zwar die Entwicklung, aber Sie behalten die volle Kontrolle und können den gesamten generierten Code prüfen und genehmigen, bevor Sie ihn in Ihr Repository übertragen. Da diese agentischen Skripts lokal mit Ihren authentifizierten Anmeldedaten ausgeführt werden, werden Ihre bestehenden Zugriffsbeschränkungen für Google Cloud und BigQuery automatisch berücksichtigt.

Vorbereitung

Bevor Sie die agentischen Fähigkeiten verwenden, müssen Sie prüfen, ob Ihre Entwicklungsumgebung die folgenden Anforderungen erfüllt, um Live-Schemaabfragen, Datenkompilierung und automatisierte Validierung zu ermöglichen:

  1. Google Cloud SDK (gcloud): Installieren und authentifizieren Sie die (gcloud) CLI mit Ihrem Nutzerkonto. Weitere Informationen finden Sie in der Bereitstellungsdokumentation.

  2. Standardanmeldedaten für Anwendungen (Application Default Credentials, ADC): Konfigurieren Sie Ihre lokalen ADC- und Projektziele, damit lokale Kompilierungstools und pytest-Suites mit BigQuery kommunizieren können. Weitere Informationen finden Sie unter Standardprojekt in Google Cloud vorbereiten.

  3. Replizierte SAP Data Dictionary-Tabellen (DDIC): Damit der Agent Schemaprüfungen ohne Berücksichtigung der Groß-/Kleinschreibung durchführen und Feldlängen genau prüfen kann, replizieren Sie die folgenden SAP-Metadatentabellen in Ihrem BigQuery-Rohziel-Dataset:

    • DD03L (Tabellenfelder)
    • DD04T (Texte für Datenelemente)
    • DD08L (Tabellenbeziehungen)
    • DD01L (Domains)
    • DD07L (Domainwerte – optional)
    • DD07T (Domain Value Texts - optional)

  4. Lokale Python-Umgebung: Installieren Sie lokale Abhängigkeiten und führen Sie das Synchronisierungstool mit uv aus, um sicherzustellen, dass Validierungsbibliotheken und Unit-Tests ordnungsgemäß funktionieren. Weitere Informationen finden Sie in der Dokumentation.

Einrichtung und IDE-Konfiguration

Lesen Sie vor Beginn die Dokumentation Ihres bevorzugten KI-Programmierassistenten, um Installations- und Einrichtungsanleitungen zu erhalten (z. B. Antigravity).

  1. Erforderliche Installationsartefakte zusammenstellen und Repository klonen Weitere Informationen finden Sie unter Installationsartefakte.

  2. Öffnen Sie den geklonten Quellcode des Google Cloud Cortex Framework in Ihrem KI-Programmierassistenten.

Das Google Cloud Cortex Framework stellt seine agentischen Funktionen über eine Reihe spezialisierter Skills bereit, die sich im Verzeichnis .agents/skills/ des Repositorys befinden. Sie können diese Fähigkeiten in mehreren Entwicklungsumgebungen einsetzen:

  • Antigravity-Framework: Antigravity erkennt, indexiert und aktiviert beim Start automatisch alle Workspace-Skills. Hierfür ist keine zusätzliche Konfiguration erforderlich. Frage Assistant, um das zu überprüfen:

    Welche Skills stehen Ihnen zur Verfügung?

  • VSCode mit Gemini Code Assist:

    1. Installieren Sie die Gemini Code Assist-Erweiterung aus dem VS Code Marketplace.
    2. Öffnen Sie den Ordner cortex-framework-core als Arbeitsbereich. Der Assistent scannt und lädt die Skills automatisch aus dem Verzeichnis .agents/skills/.

  • Andere KI-CLI-Tools: Verweisen Sie in Ihren Anweisungs-Prompts nativ auf das Skills-Verzeichnis. Beispiel:

    Read the create-data-product skill inside the .agents/skills/ directory and scaffold...

Benutzerdefiniertes Datenprodukt erstellen

In den folgenden Schritten wird der strukturierte Entwickler-Workflow für die Verwendung agentischer Fähigkeiten zum Erstellen eines benutzerdefinierten Datenprodukts beschrieben.

Schritt 1: Anforderungen und Kontext angeben

Geben Sie in der Chatoberfläche Ihres KI-Programmierassistenten einen Prompt ein, der Ihre spezifischen Datenanforderungen beschreibt. Beispiel:

Erstellen Sie ein Cortex Framework-Datenprodukt für Accounts Payable Insights, das auf SAP S/4HANA und ECC ausgerichtet ist. Verwenden Sie den Namespace „custom_finance“. Die wichtigste Geschäftsanforderung besteht darin, die fälligen und überfälligen Gesamtbeträge für alle Anbieter zu erfassen und die Umschlagshäufigkeit der Verbindlichkeiten nach Buchungskreis zu berechnen.

Sie können auch direkt in Ihrem Prompt auf vorhandene Anforderungs- oder Spezifikationsdokumente verweisen. Diese Dokumente (die im Markdown-Format oder in anderen strukturierten Formaten vorliegen können) liefern dem KI-Agenten wichtige Kontextinformationen, z. B.:

  • Geschäftskontext und Domain: Detaillierte Ziele, User Stories und Zielgruppen.
  • Spezifikationen für Eingabedaten: Liste der Quelltabellen (z.B. LFA1, BSIK, BSEG, Z...), Versionsdetails (ECC im Vergleich zu S/4HANA), Ausschlussregeln, benutzerdefinierte Felder und mehr.
  • Transformationslogik und Geschäftsregeln: Kernzuordnungsbeschränkungen, Clientfilterung (mandt), Soft Deletes (loekz), Umgang mit Zuordnungen für Zahlungssperrkennzeichen (zlspr) und Abstimmungsregeln (z. B. Ausschluss von konzerninternen Lieferantentransaktionen, um verzerrte Umsatzraten zu vermeiden).
  • Datenintegrität und Test-Assertions: Verifizierungsszenarien (z. B. Überprüfung der Eindeutigkeit der Granularität und Sicherstellung, dass die Summe der offenen Rechnungsbeträge in der endgültigen Ausgabe genau mit den Rohquelltabellen übereinstimmt).

Schritt 2: Implementierungsplan überprüfen

Nachdem Sie die Anforderungen beschrieben haben, verwendet der Agent mehrere Skills, z. B. den Skill query-sap-ddic, um Ihre BigQuery-DDIC-Metadatentabellen abzufragen. So kann der KI-Agent die erforderlichen Quelltabellen identifizieren und validieren und sicherstellen, dass Feldtypen und Beziehungen korrekt sind. Der Agent kann auch andere Skills aufrufen, um sicherzustellen, dass Ihre Anforderungen perfekt mit den Best Practices des Cortex Framework übereinstimmen.

Bevor der KI-Agent mit der Implementierung beginnt, stellt er Ihnen einen kurzen Implementierungsplan zur Verfügung. Dieser Plan enthält die identifizierten Quelltabellen, Zuordnungen und die vorgeschlagene Architekturstruktur des Datenprodukts. Prüfen Sie diesen Plan und fordern Sie gegebenenfalls Anpassungen an, bevor Sie ihn bestätigen.

Schritt 3: Datenprodukt generieren

Nachdem Sie den Implementierungsplan bestätigt haben, verwendet der KI-Agent den Skill create-data-product, um die Verzeichnisstruktur zu erstellen. Dadurch werden Ihre neuen benutzerdefinierten Entwicklungen von den Updates der Kernplattform unter Ihrem festgelegten benutzerdefinierten Namespace isoliert:

src/data_modules/<custom_namespace>/products/<dataproductname>/
├── manifest.yaml
├── table_settings.default.yaml
├── README.md
├── definitions/
│   └── [ecc|s4]/
│       └── <product_name>.js
└── annotations/
    └── [ecc|s4]/
        └── <product_name>.yaml

Weitere Informationen zur Ordnerstruktur und den einzelnen Dateien finden Sie in der Dokumentation Extensibility Guide.

In dieser Phase können Sie den Agenten auch bitten, die Beziehungen mithilfe des Skills „generate-er-diagram“ automatisch zu visualisieren oder mithilfe des Skills „create-python-tests“ Assertions zu erstellen.

Schritt 4: Quality Gates ausführen und Daten prüfen

Je nach den erteilten Berechtigungen führt der KI-Agent die folgenden obligatorischen Validierungs-Gates entweder automatisch aus oder fordert Sie auf, sie auszuführen. Während dieses Prozesses generiert der KI-Agent detaillierte Statusberichte, damit Sie die Ergebnisse überprüfen können:

  1. Build-Validierung: Führt uv run cortex-build --config config/config.yaml aus, um sicherzustellen, dass alle generierten SQL-Modelle erfolgreich kompiliert werden, und erstellt eine Build-Zusammenfassung.
  2. Pytest-Ausführung: Führt die gesamte Suite von Python-Unittests aus und gibt einen Testausführungsbericht aus, mit dem Ihre Kerngeschäftslogik und Assertions überprüft werden.
  3. Linter und Audits: Nutzt die validate-data-product-Fähigkeit, um strenge Feldparitätsprüfungen durchzuführen und die Einhaltung von Namenskonventionen zu überprüfen. Abschließend wird ein detaillierter Bereitschaftsbericht erstellt.

Schritt 5: Bereitstellen und ausführen

Nachdem Sie die Validierungsberichte geprüft und den generierten Code genehmigt haben, können Sie Ihre Datenprodukt-Assets bereitstellen.

  • Assets bereitstellen: Übertragen Sie die kompilierten Datenproduktdefinitionen in Ihren konfigurierten Dataform-Arbeitsbereich, indem Sie das Bereitstellungsskript lokal ausführen (z. B. uv run cortex-deploy --config config/config.yaml).
  • Daten materialisieren: Schließen Sie den letzten Workflow nach der Bereitstellung ab, um die generierten Dataform-Pipelines auszuführen und Ihre neuen Tabellen und Ansichten direkt in BigQuery zu materialisieren.
  • Erkenntnisse liefern: Nach der Materialisierung ist Ihr benutzerdefiniertes Datenprodukt bereit, mit nachgelagerten Analyseanwendungen wie Gemini Enterprise verbunden zu werden, um intelligente, umsetzbare Antworten auf Ihre ursprünglichen geschäftlichen Fragen zu liefern.

Vorhandenes Datenprodukt aktualisieren

Nachdem Ihr benutzerdefiniertes Datenprodukt erstellt wurde, müssen Sie nicht von vorn beginnen, um Änderungen vorzunehmen. Sie können den Skill update-data-product nutzen, um iterativ neue Felder hinzuzufügen, die Geschäftslogik anzupassen oder völlig neue Quelltabellen zu integrieren. Beispiel:

Aktualisieren Sie mein AP-Datenprodukt „custom_finance“. Fügen Sie das Feld für die Zahlungsbedingungen (ZTERM) aus der Quelltabelle LFA1 hinzu und achten Sie darauf, dass es der endgültigen Ausgabeansicht richtig zugeordnet ist. Führen Sie die Build-Validierung aus, wenn Sie fertig sind.

Der Agent sucht die Konfiguration, fragt das BigQuery-DDIC nach den genauen Feldanforderungen ab, aktualisiert Ihren Dataform-Code und führt die erforderlichen Build-Prüfungen aus, um die Änderung zu verifizieren.

Best Practices und Einschränkungen

  • Fehler bei Schemaabfragen: Wenn der Agent keine SAP-Metadatenschemas abrufen kann, prüfen Sie, ob Ihre lokalen Standardanmeldedaten für Anwendungen (Application Default Credentials, ADC) aktiv sind und die IAM-Rolle „BigQuery Data Viewer“ für das Ziel-Roh-Dataset haben.
  • Kontextlimits: Wenn Sie ein außergewöhnlich großes Datenprodukt mit Dutzenden von Tabellen erstellen, verliert der Agent möglicherweise den Kontext. Erhöhen Sie die Erfolgsquote, indem Sie kleinere, atomare Anweisungen geben (z. B. den Agenten anweisen, zuerst die Dimensionen auf Kopfebene zu erstellen und dann in einem separaten, nachfolgenden Prompt Fakten auf Artikelebene hinzuzufügen).