Wenn Sie in Ihren Daten-Agent-Anwendungen eine hohe Accuracy der QueryData-Abfragen und eine niedrige Online-Latenz erreichen möchten, können Sie den Context-Engineering-Agenten verwenden, um Kontextsets zu erstellen, zu bewerten und zu optimieren. Durch die Automatisierung der Kontexterstellung, des Uploads und der Optimierung hilft der Agent Ihren Anwendungen, schnelle, deterministische und erklärbare Antworten auf Fragen in natürlicher Sprache zu liefern.
Weitere Informationen zu Kontextsets und QueryData finden Sie unter Kontextsets – Übersicht und QueryData – Übersicht.
Wenn Sie QueryData mit Kontext versorgen, der auf Ihre Geschäftsanwendung zugeschnitten ist, stellen Sie die genauen Geschäftsregeln bereit, die das System benötigt, um nuancierte Nutzerabsichten zu erkennen und eine Abfragequalität von nahezu 100 % zu liefern. Während Sie in Ihrer Befehlszeile oder IDE arbeiten, lädt der Context Engineering-Agent Ihre Kontextsets automatisch in Google Cloud hoch und speichert lokale Dateien in Ihrem Arbeitsbereich für die Versionsverwaltung.
Context Engineering Agent
Der Context Engineering-Agent fungiert als Designzeit-Assistent direkt in Ihrer Befehlszeile oder IDE. Die manuelle Kontexterstellung erfordert das manuelle Schreiben detaillierter Abfragemuster, das Antizipieren jeder Formulierungsvariante und die manuelle Diagnose von Abfragefehlern über Iterationen hinweg. Der Context Engineering-Agent eliminiert diesen Aufwand, indem er einen Baseline-Kontext erstellt, Ground-Truth-Bewertungs-Datasets kuratiert, iterativ die Genauigkeit verbessert und nachweist, dass Ihr Kontext auf neue Fragen verallgemeinert werden kann.
Sie unterhalten sich mit dem KI-Agenten in natürlicher Sprache, um den Optimierungsworkflow zu steuern. Beginnen Sie mit einem Prompt wie „Kontextset für meine Anwendungsanforderungen optimieren“.
Hinweis
Bevor Sie den Context Engineering-Agenten verwenden, müssen Sie die Voraussetzungen in den folgenden Abschnitten erfüllen. Sie können Kontextgruppen in den Regionen us-central1, us-east1, europe-west4 und asia-southeast1 erstellen und speichern, auch wenn sich Ihre Datenbankinstanz in einer anderen Region befindet.
Erforderliche Dienste aktivieren
Aktivieren Sie die folgenden Dienste für Ihr Projekt:
Datenbank vorbereiten
Bereiten Sie Ihre AlloyDB for PostgreSQL-Instanz vor und konfigurieren Sie den Zugriff für den Agent:
- Erstellen Sie einen AlloyDB-Cluster und eine AlloyDB-Instanz und erstellen Sie eine Datenbank oder verwenden Sie eine vorhandene Instanz und Datenbank.
- Aktivieren Sie den Data API-Zugriff auf Ihre AlloyDB-Instanz. Wenn Sie eine private IP-Adresse verwenden, setzen Sie das Feld für den Data API-Zugriff (
dataApiAccess) auf Ihrer primären Instanz aufENABLED, damit der Agent Schemas prüfen und Abfragen validieren kann. Informationen zu Instanzen, die ohne aktivierten Data API-Zugriff erstellt wurden, finden Sie unter Data API-Zugriff aktivieren oder konfigurieren Sie ihn in der Google Cloud Console.
Erforderliche Rollen und Berechtigungen
Bitten Sie Ihren Administrator, Ihnen die folgenden IAM-Rollen (Identity and Access Management) und Datenbankberechtigungen zuzuweisen, um die Berechtigungen zu erhalten, die Sie zur Verwendung des Context Engineering-Agents und zur Verwaltung von Kontextsets benötigen:
- Fügen Sie dem Cluster einen IAM-Nutzer oder ein Dienstkonto hinzu. Weitere Informationen finden Sie unter IAM-Authentifizierung verwalten.
- Weisen Sie dem IAM-Nutzer oder -Dienstkonto auf Projektebene die Rollen
roles/alloydb.databaseUser,roles/serviceusage.serviceUsageConsumer,roles/geminidataanalytics.queryDataUserundroles/mcp.toolUserzu. Weitere Informationen finden Sie unter IAM-Richtlinienbindung für ein Projekt hinzufügen. - Wenn Sie Kontextgruppen erstellen, hochladen und verwalten möchten, weisen Sie dem IAM-Nutzer oder -Dienstkonto auf Projektebene die Rolle „Dataplex Catalog Editor“ (
roles/dataplex.catalogEditor) oder „Dataplex Catalog Admin“ (roles/dataplex.catalogAdmin) zu. Weitere Informationen finden Sie unter Berechtigungen für Kontextgruppen. - Wenn Sie semantische Wertesuchen (
google_ml.embedding) verwenden, aktivieren Sie die Vertex AI API und weisen Sie dem Dienstkonto des AlloyDB-Clusters die Rolleroles/aiplatform.userzu. Gewähren Sie dem IAM-Nutzer oder -Dienstkonto Lesezugriff auf die Datenbankberechtigungen, indem Sie sich als Nutzer mit Superuser-Berechtigungen anmelden, z. B. als
postgres-Nutzer:GRANT SELECT ON ALL TABLES IN SCHEMA public TO "USER_NAME";Ersetzen Sie
USER_NAMEdurch die E-Mail-Adresse des Nutzers (lassen Sie bei einem Dienstkonto das Suffix.weg). Wenn sich Ihre Tabellen in einem anderen benutzerdefinierten Schema alspublicbefinden, führen Sie auchGRANT USAGE ON SCHEMA SCHEMA_NAME TO "USER_NAME";undGRANT SELECT ON ALL TABLES IN SCHEMA SCHEMA_NAME TO "USER_NAME";aus. Weitere Informationen finden Sie unter IAM-Nutzern Datenbankberechtigungen erteilen.
Datenbank für die Suche nach Werten vorbereiten
Wenn Sie Trigramm- und semantische Wertsuchen mit geringer Abfragelatenz verwenden möchten, konfigurieren Sie Ihre AlloyDB-Datenbank mit den erforderlichen Erweiterungen, vorkalkulierten Einbettungsspalten und Indexen für Such- oder Dimensionstabellen (weniger als 100.000 Zeilen oder eine aktualisierte materialisierte Ansicht SELECT DISTINCT):
Damit die AlloyDB-Instanz Trigramm-Fuzzy-Wertsuchen (
%und<->) ausführen kann, aktivieren Sie die Erweiterungpg_trgmund erstellen Sie einenGiST-Trigramm-Index für die Zielsuchspalte:CREATE EXTENSION IF NOT EXISTS pg_trgm; CREATE INDEX IF NOT EXISTS idx_properties_address_trgm ON properties USING GiST (address gist_trgm_ops);Mit dem Index kann
ORDER BY column <-> $value::text LIMIT 25einen KNN-Indexscan (K-Nearest-Neighbor) anstelle eines Scans der gesamten Tabelle verwenden.So ermöglichen Sie der AlloyDB-Instanz, semantische Wertesuchen (
<=>undgoogle_ml.embedding) durchzuführen:Aktivieren Sie die Vertex AI API und weisen Sie Ihrem AlloyDB-Dienstkonto die Rolle
roles/aiplatform.userzu. Weitere Informationen finden Sie unter In Vertex AI einbinden.Aktivieren Sie die Erweiterungen
vectorundgoogle_ml_integrationin Ihrer Datenbank:CREATE EXTENSION IF NOT EXISTS vector; CREATE EXTENSION IF NOT EXISTS google_ml_integration;Fügen Sie der Suchtabelle eine
vector(768)-Spalte hinzu, berechnen Sie Einbettungen für vorhandene Zeilen vor und erstellen Sie einenHNSW-Kosinusindex (vector_cosine_ops), anstattgoogle_ml.embeddingpro Zeile zur Abfragezeit aufzurufen:ALTER TABLE properties ADD COLUMN IF NOT EXISTS city_embedding vector(768); UPDATE properties SET city_embedding = l2_normalize(subvector(google_ml.embedding('gemini-embedding-001', city)::vector, 1, 768))::vector(768) WHERE city IS NOT NULL AND city_embedding IS NULL; CREATE INDEX IF NOT EXISTS idx_properties_city_embedding_hnsw ON properties USING hnsw (city_embedding vector_cosine_ops);
Umgebung vorbereiten
Sie können Kontext-Sets in Ihrer lokalen Entwicklungsumgebung oder IDE erstellen und optimieren.
uv installieren
Der Context Engineering-Agent benötigt uv, um die zugrunde liegenden Python-Pakete zu verwalten:
Installieren Sie
uvgemäß der Anleitung unteruvinstallieren.Prüfen Sie, ob
uvinstalliert und über die Befehlszeile zugänglich ist:uv --version
Context Engineering-Agent installieren
Installieren Sie das Kontext-Engineering-Agent-Plug-in in Ihrer bevorzugten Entwicklungsumgebung:
Antigravity CLI
- Installieren Sie die Antigravity CLI. Weitere Informationen finden Sie unter Erste Schritte mit der Antigravity CLI.
- Installieren Sie das Kontext-Engineering-Agent-Plug-in:
agy plugin install https://github.com/GoogleCloudPlatform/db-context-enrichment/tree/main/plugin
- Starten Sie die Antigravity CLI:
agy
Wenn Sie das Plug-in später aktualisieren möchten, führen Sie agy plugin uninstall db-context-engineering und dann agy plugin install https://github.com/GoogleCloudPlatform/db-context-enrichment/tree/main/plugin aus.
Claude Code
- Fügen Sie den Plug-in-Marktplatz hinzu:
/plugin marketplace add https://github.com/GoogleCloudPlatform/db-context-enrichment.git
- Installieren Sie das Plug-in:
/plugin install db-context-engineering@db-context-enrichment-marketplace
- Laden Sie die Plug-ins neu, um die Änderungen zu aktivieren:
/reload-plugins
Führen Sie /plugin update db-context-engineering@db-context-enrichment-marketplace aus, um das Plug-in später zu aktualisieren.
Gemini CLI (eingestellt)
- Installieren Sie die Gemini CLI. Weitere Informationen finden Sie unter Erste Schritte mit der Gemini CLI.
- Installieren Sie die Erweiterung:
gemini extensions install https://github.com/GoogleCloudPlatform/db-context-enrichment
Wenn Sie die Erweiterung später aktualisieren möchten, führen Sie gemini extensions update google-cloud-db-context-engineering aus.
Mit Google Cloudauthentifizieren
Konfigurieren Sie Standardanmeldedaten für Anwendungen (ADC), um Ihre Entwicklungsumgebung zu authentifizieren:
gcloud auth application-default loginLegen Sie das Kontingentprojekt für Ihre Anmeldedaten fest, damit die MCP-Tools (Model Context Protocol) Ihr Google Cloud -Projekt verwenden können:
gcloud auth application-default set-quota-project PROJECT_IDErsetzen Sie dabei
PROJECT_IDdurch die ID Ihres Projekts in Google Cloud .
Verbindung zur Datenbank herstellen
Starten Sie Ihre Agent-Umgebung und bitten Sie den Agenten, die Datenbankverbindung herzustellen (z. B. „Hilf mir, die Datenbankverbindung einzurichten“). Der Agent führt Sie durch die Erstellung der Konfigurationsdatei
.context-engineering/tools.yaml, damit er Schemas lesen und SQL validieren kann. (Bevor.context-engineering/tools.yamlerstellt wird, wird beim Start eine erste Warnung zur MCP-Serververbindung vontoolboxerwartet.)Laden Sie die MCP-Serververbindung neu, um die
.context-engineering/tools.yaml-Konfiguration anzuwenden:- Antigravity CLI: Führen Sie
/mcpaus und wählen Sietoolbox(oderdb-context-engineering_toolbox) aus, um den Neustart durchzuführen. - Claude Code: Führen Sie
/mcpaus, wählen Sietoolboxund dannReconnectaus. - Gemini CLI: Führen Sie
/mcp refresh(oder/mcp reload) aus.
- Antigravity CLI: Führen Sie
Kontext erstellen und optimieren
Der Context Engineering Agent führt Ihr Kontextset durch einen End-to-End-Lebenszyklus, vom ersten Bootstrapping bis zur verifizierten Generalisierbarkeit.
Baseline-Kontextset bootstrappen
Damit der Kontext nicht von einer leeren Seite aus erstellt werden muss, prüft der Agent Ihr Datenbankschema sowie alle verfügbaren Anwendungsartefakte, z. B. Geschäftsanforderungen, Dokumentation oder SQL-Beispielabfragen. Der KI-Agent leitet einen ersten Baseline-Kontext ab, der grundlegende Abfragevorlagen und Abfragefacetten enthält, die auf Ihrem Datenbankmodell basieren.
Nachdem der Agent den Baseline-Kontext generiert und validiert hat, lädt er ihn direkt in Google Cloud hoch und gibt den Ressourcennamen des Kontextsets zurück.
Bewertungs- und Holdout-Datasets aus Anwendungsartefakten erstellen
Um die Accuracy systematisch zu verbessern, benötigen Sie Grundwahrheitsfragen, die mit verifizierten SQL-Abfragen verknüpft sind. Wenn Sie noch keinen Bewertungs-Benchmark haben, kann der Agent einen generieren, indem er Geschäftsszenarien aus Ihrem Anwendungscode, Ihren bisherigen Abfragen und Ihrem Datenbankschema extrahiert.
Während der Dataset-Generierung erstellt der Agent zwei verschiedene Sets:
- Trainings-Benchmark: Eine Sammlung repräsentativer Frage-SQL-Paare, die während der iterativen Optimierung verwendet werden.
- Zurückgehaltenes Dataset: Ein separater Satz von Fragen, die in Bezug auf die Domain Ihrem Trainings-Benchmark ähneln und für Tests zur Generalisierbarkeit reserviert sind.
Accuracy mit Hill-Climbing optimieren
Bei der Hill-Climbing-Optimierung verfeinert der KI-Agent Ihren Kontextsatz iterativ, um die Accuracy von QueryData auf nahezu 100 % zu steigern:
- Bewerten: Der Agent testet Ihr aktuelles Kontextset anhand des Trainings-Benchmarks mithilfe der QueryData API und bewertet die Genauigkeit.
- Lücken diagnostizieren: Der KI-Agent analysiert Abfragefehler, identifiziert die Ursachen (z. B. fehlende Tabellenverknüpfungen, nicht verknüpfte private Entitäten oder komplexe Filterbedingungen) und formuliert gezielte Korrekturen.
- Verfeinern und hochladen: Der Agent fügt Abfragevorlagen, Abfragefacetten und Wertesuchen hinzu oder verbessert sie, um die Lücken zu schließen, und lädt das aktualisierte Kontextset automatisch über Ihre Befehlszeile in Google Cloud hoch.
- Iterieren: Der Agent wiederholt diesen Zyklus über mehrere Runden, bis die Genauigkeit den optimalen Wert erreicht.
Das folgende Diagramm zeigt den systematischen Hill-Climbing-Workflow:
Generalisierbarkeit mit dem zurückgehaltenen Dataset nachweisen
Eine hohe Genauigkeit bei einem Trainings-Benchmark ist notwendig, aber der Produktionstraffic umfasst Formulierungen und komplexe zusammengesetzte Fragen, die während der Entwicklung nie aufgetreten sind.
Nachdem die Hill-Climbing-Optimierung konvergiert ist, testet der Agent den resultierenden Kontextsatz mit dem zurückgehaltenen Dataset. In diesem Schritt wird überprüft, ob der Kontextsatz sauber auf neue Nutzereingaben verallgemeinert wird, ohne dass es zu einer Überanpassung an den ursprünglichen Benchmark kommt. Der Agent erstellt einen Bericht zur Generalisierbarkeit, der die Genauigkeit bei unbekannten Fragenvariationen und zusammengesetzten Filtern zeigt (z. B. „Suche nach Häusern in der Nähe guter Schulen in Del Mar für eine junge Familie mit Meerblick“).
On-Demand-Erstellung und -Schlussfolgerung
Zusätzlich zu vollständigen Optimierungsläufen können Sie mit dem Agenten kommunizieren, um gezielte Aktualisierungen vorzunehmen, wenn sich die Geschäftsanforderungen ändern:
Zielgerichtetes Erstellen: Beschreiben Sie eine bestimmte Geschäftsanforderung in natürlicher Sprache. Der KI-Agent formatiert das Kontextelement und lädt es direkt über Ihre Befehlszeile hoch, ohne dass Sie es manuell bearbeiten müssen:
- „Erstelle eine Vorlage für: ‚Finde Häuser in der Nähe guter Schulen in Del Mar‘ mit SQL:
SELECT p.property_id, p.address FROM properties AS p JOIN schools AS s ON p.school_id = s.school_id WHERE p.city = 'Del Mar' AND s.rating >= 7.“ - „Erstelle eine Facette für den Filter
properties.bedrooms BETWEEN 3 AND 4 AND properties.square_feet BETWEEN 1500 AND 2500mit dem Label ‚für eine junge Familie‘.“ - „Erstelle eine Wertsuche für
properties.city.“
- „Erstelle eine Vorlage für: ‚Finde Häuser in der Nähe guter Schulen in Del Mar‘ mit SQL:
Bulk-Updates für einen Kontextsatz: Wenn Datenbankspalten umbenannt oder Tabellenstrukturen geändert werden, kann der Agent alle betroffenen Kontextelemente gleichzeitig aktualisieren, ohne nicht zugehörige Einträge zu ändern:
- „Ersetze in meinem Kontextset
properties.property_type = 'SFR'durchproperties.property_type = 'Single Family Residential'für alle Elemente, die sich auf Einfamilienhäuser beziehen. Lassen Sie nicht zusammenhängende Elemente in Ruhe.“
- „Ersetze in meinem Kontextset