Arsitektur dan konsep utama Conversational Analytics API

Dokumen ini menjelaskan konsep utama untuk menggunakan Analisis Percakapan API (diakses melalui geminidataanalytics.googleapis.com atau endpoint regional), yang memungkinkan Anda membuat dan berinteraksi dengan agen data yang menggunakan bahasa alami untuk menjawab pertanyaan tentang data terstruktur Anda. Dokumen ini menjelaskan arsitektur agen, alur kerja umum, mode percakapan, peran Identity and Access Management (IAM), dan desain sistem multi-agen.

Untuk meninjau pendekatan arsitektur yang tersedia untuk Conversational Analytics API dan cara API mengelola konteks percakapan, lihat pola integrasi dan pengelolaan status.

Cara kerja agen data

Agen data Conversational Analytics API menggunakan konteks (informasi dan data bisnis) yang Anda berikan, serta alat (seperti SQL dan Python) untuk menafsirkan pertanyaan bahasa alami dan menghasilkan respons dari data terstruktur Anda.

Diagram berikut mengilustrasikan tahapan alur kerja agen saat pengguna mengajukan pertanyaan:

Diagram arsitektur Analisis Percakapan API, yang menunjukkan alur dari input pengguna melalui mesin penalaran, hingga output akhir.

Seperti yang ditunjukkan dalam diagram, saat pengguna mengajukan pertanyaan, agen akan memproses permintaan dalam tahap berikut:

  1. Input: Pengguna mengirimkan pertanyaan dalam bahasa alami, beserta konteks tambahan yang Anda berikan sebelumnya.
  2. Sumber data: Agen terhubung ke data Anda di Looker, BigQuery (termasuk tabel atau grafik), Data Studio, atau sumber data database (AlloyDB, GoogleSQL untuk Spanner, Cloud SQL untuk MySQL, dan Cloud SQL untuk PostgreSQL dalam Pratinjau di v1beta).
  3. Mesin penalaran: Inti agen memproses pertanyaan pengguna dengan menggunakan alat yang tersedia untuk menghasilkan jawaban.
  4. Output: Agen menampilkan aliran pesan, yang dapat berisi teks, data, atau diagram. Pesan ini mungkin menyertakan kutipan yang menautkan bagian tertentu dari teks respons ke sumber konteks yang Anda berikan, seperti istilah glosarium atau contoh kueri. Untuk beberapa sumber data, pesan teks memberikan insight langkah demi langkah tentang penalaran agen, melaporkan progres tindakan, atau memberikan jawaban akhir untuk kueri Anda.

Alur kerja untuk mendesain dan menggunakan agen

Conversational Analytics API mendukung alur kerja untuk pembuat agen (yang membangun dan mengonfigurasi agen) dan untuk konsumen agen (yang berinteraksi dengan agen yang ada).

Diagram berikut mengilustrasikan proses menyeluruh, mulai dari penyiapan awal oleh pembuat agen hingga interaksi akhir dengan konsumen agen:

Alur kerja end-to-end untuk desain dan penggunaan agen, mulai dari tugas kreator seperti membuat dan membagikan hingga tugas pengguna data seperti berinteraksi dengan agen.

Bagian berikut menjelaskan alur kerja untuk pembuat agen dan konsumen agen secara lebih mendetail.

Alur kerja pembuat agen

Pembuat agen bertanggung jawab untuk menyiapkan dan mengonfigurasi agen. Alur kerja ini melibatkan langkah-langkah berikut:

  1. Membuat agen: Kreator memulai dengan membuat agen baru dan memberikan konteks yang diperlukan, termasuk petunjuk sistem dan koneksi ke sumber data. Langkah ini penting agar agen dapat memahami dan merespons pertanyaan pengguna secara efektif.
  2. Membagikan agen: Setelah agen dikonfigurasi, pembuat akan membagikannya kepada pengguna lain dan menetapkan kontrol akses berbasis peran yang sesuai untuk mengelola izin.

Alur kerja konsumen agen

Konsumen agen biasanya adalah pengguna bisnis yang perlu mendapatkan jawaban dari agen yang dikonfigurasi. Alur kerja ini melibatkan langkah-langkah berikut:

  1. Menemukan agen: Pengguna memulai dengan menemukan agen yang telah dibagikan kepadanya.
  2. Mengajukan pertanyaan: Pengguna mengajukan pertanyaan dalam bahasa alami. Pertanyaan ini dapat berupa kueri tunggal atau bagian dari percakapan multi-turn.
  3. Agen "berpikir": Mesin penalaran agen memproses pertanyaan. Mesin penalaran menggunakan pengetahuan yang telah ditentukan sebelumnya dan alat agen yang tersedia (seperti SQL, Python, dan diagram) dalam "reasoning loop" untuk menentukan cara terbaik menjawab pertanyaan.
  4. Agen merespons: Agen menampilkan aliran pesan, yang dapat berisi teks, data, atau diagram. Untuk beberapa sumber data, pesan teks memberikan insight langkah demi langkah tentang penalaran agen, melaporkan progres tindakan, atau memberikan jawaban akhir untuk kueri Anda.

Mode percakapan

Agen Conversational Analytics API mendukung berbagai mode percakapan yang menentukan cara agen menangani histori percakapan dan persistensi konteks di seluruh interaksi. Mode percakapan berikut tersedia:

  • Mode stateless: Agen tidak menyimpan histori percakapan. Setiap interaksi diperlakukan secara independen. Mode ini berguna untuk aplikasi yang tidak memerlukan pemeliharaan konteks di beberapa giliran.
  • Mode stateful: Agen mempertahankan konteks dan histori percakapan, sehingga memungkinkan interaksi yang lebih kontekstual. Mode ini berguna untuk aplikasi yang mengharuskan Anda mempertahankan konteks di beberapa giliran. Sebaiknya gunakan mode stateful untuk akurasi yang lebih baik dan respons yang dipersonalisasi.

Pilih mode percakapan berdasarkan persyaratan aplikasi Anda untuk histori percakapan dan persistensi konteks.

Berbagai mode chat untuk agen Analisis Percakapan API.

Peran IAM

Peran IAM mengontrol siapa saja yang dapat membuat, mengelola, membagikan, dan berinteraksi dengan agen Analisis Percakapan API. Tabel berikut menjelaskan peran IAM utama untuk API Analisis Percakapan:

Peran Cakupan umum Hal yang diizinkan oleh peran tersebut Orang yang dapat menggunakan peran ini
Gemini Data Analytics Data Agent Creator (roles/geminidataanalytics.dataAgentCreator) Project Membuat agen dan mewarisi izin pemilik pada agen. Setiap analis data
Pemilik Agen Data Gemini Data Analytics (roles/geminidataanalytics.dataAgentOwner) Project, Agen Mengedit, membagikan, atau menghapus agen kepada pengguna lain. Analis data senior
Gemini Data Analytics Data Agent Editor (roles/geminidataanalytics.dataAgentEditor) Agen, Project Memperbarui konfigurasi atau konteks agen. Analis data junior
Gemini Data Analytics Data Agent User (roles/geminidataanalytics.dataAgentUser) Agen, Project Chat dengan agen. Pemasar, pemilik toko
Gemini Data Analytics Data Agent Viewer (roles/geminidataanalytics.dataAgentViewer) Project, Agen Mencantumkan agen dan mendapatkan detailnya. Anda tidak dapat mengedit agen. Semua pengguna
Gemini Data Analytics Query Data User (roles/geminidataanalytics.queryDataUser) Project Membuat kueri data dari sumber database yang didukung menggunakan metode QueryData. Developer aplikasi, Analis data
Gemini Data Analytics Stateless Chat User (roles/geminidataanalytics.dataAgentStatelessUser) Project Melakukan percakapan dengan agen tanpa penyimpanan konteks atau histori percakapan. Semua pengguna

Sistem dengan beberapa agen

Anda dapat mendesain sistem yang kompleks dengan mengintegrasikan beberapa agen API Analisis Percakapan. Pola yang umum adalah menggunakan agen "orkestrator" utama yang mendelegasikan tugas ke satu atau beberapa agen khusus yang menangani domain tertentu, seperti data penjualan atau pemasaran. Pendekatan ini memungkinkan Anda membangun sistem yang dapat menangani berbagai pertanyaan dengan menggabungkan kekuatan beberapa agen.

Conversational Analytics API mendukung protokol Agent-to-Agent (A2A) terbuka, yang menyediakan antarmuka standar untuk menemukan kemampuan, mendelegasikan kueri, dan menstreaming SQL terstruktur serta artefak diagram di seluruh agen. Untuk mempelajari cara menerapkan alur kerja multi-agen menggunakan protokol A2A, lihat Mengorkestrasi agen data dengan A2A.

Diagram berikut mengilustrasikan pola multi-agen ini dan menunjukkan cara agen utama dapat mendelegasikan pertanyaan data ke agen Analisis Percakapan khusus:

Agen orkestrator utama mendelegasikan pertanyaan data ke agen penjualan khusus, yang kemudian memberikan jawaban kepada pengguna.

Alur kerja umum untuk sistem multi-agen melibatkan langkah-langkah berikut:

  1. Pengguna bisnis atau analis data mengajukan pertanyaan dalam bahasa alami, seperti "Tampilkan tiga toko teratas berdasarkan pendapatan".
  2. Agen "orkestrator" utama mendelegasikan permintaan ke agen khusus yang sesuai.
  3. Agen khusus menerima permintaan yang didelegasikan, terhubung ke sumber data yang relevan, menggunakan alatnya untuk membuat kueri SQL dan diagram yang diperlukan, serta menghasilkan respons.
  4. Respons agen khusus ditampilkan kepada pengguna, seperti "Toko 4, 9, dan 3 memiliki pendapatan tertinggi. Berikut diagramnya."

Langkah berikutnya

Setelah memahami konsep inti Conversational Analytics API, pelajari cara menerapkan fitur berikut: