このドキュメントでは、Spanner Graph データ エージェント アプリケーションで QueryData の精度を高めるために役立つコンテキスト セットを作成して最適化する方法について説明します。コンテキスト エンジニアリング エージェントは、Graph Query Language(GQL)コンテキスト セットの作成と最適化を自動化することで、コンテキスト セットの構築、評価、改善を支援します。
Spanner Graph のコンテキスト セットと QueryData については、コンテキスト セットの概要と QueryData の概要をご覧ください。
エンタープライズ グラフデータ アプリケーションを構築するには、通常、自然言語から GQL への変換精度がほぼ 100% の品質を達成する必要があります。グラフ トラバーサル パターンが正しくない場合や、エッジフィルタが欠落している場合は、アプリケーションのユーザビリティとユーザー エクスペリエンスに影響します。説明可能でビジネスに関連する回答を高い精度で得るには、コンテキスト エンジニアリングが必要です。これは、コンテキスト セットを作成し、繰り返し最適化するプロセスです。
Spanner Graph スキーマとビジネス アプリケーションを対象としたコンテキストを QueryData に提供することで、システムがニュアンスのあるユーザー インテントを解決するために必要な正確なグラフ トラバーサル ルールとドメイン定義を提供します。
このドキュメントの例では、FinGraph プロパティ グラフ スキーマとサンプル データセット(Owns エッジと Transfers エッジで接続された Person ノードと Account ノード)を使用します。FinGraph スキーマを作成してサンプルデータを挿入するには、Spanner Graph を設定してクエリを実行するをご覧ください。
コンテキスト エンジニアリング エージェント
コンテキスト エンジニアリング エージェントは、コンテキスト エンジニアリング ワークフローを自動化します。評価データセットを生成し、コンテキスト セットをブートストラップして、それを反復的に改善します。
次のリストは、エージェントに指示する自然言語プロンプトの例と、エージェントのレスポンスの説明を示しています。
- コンテキストの提案のプロンプトの例: 「Spanner データベースの
FinGraphプロパティ グラフのアプリケーション ドキュメントを読み、追加する GQL コンテキスト アイテムを提案してください。」エージェントは、提供されたデータセット アプリケーション ドキュメントを解析し、ビジネスルールをFinGraphノードラベルとエッジラベルにマッピングして、GQL テンプレートとファセットを提案します。 - ユーザーの質問で期待される結果が返されない場合のギャップ分析のプロンプトの例: 「ユーザーが「transfers from rainy day account」と質問すると、QueryData は
nick_name = 'rainy day account'でフィルタし、何も返しません。この質問に正しく回答できるように、Spanner データベースのFinGraphプロパティ グラフのコンテキストを更新してください。」エージェントはスキーマを検査し、ニックネームがRainy Day Fundとして保存されていることを特定して、Account.nick_nameでの値検索(または、パターンが問題の場合はテンプレートまたはファセット)を推奨します。 一括処理のプロンプトの例: 「Spanner データベースの
FinGraphプロパティ グラフに関する自然言語の質問と GQL クエリを以下に示します。テンプレートに変換する:- Dana が送金したすべてのユーザーと、送金の金額を特定する:
GRAPH FinGraph MATCH (:Person {name: 'Dana'})-[:Owns]->(:Account)-[transfer:Transfers]->(:Account)<-[:Owns]-(to_person:Person) RETURN to_person.name AS recipient, transfer.amount AS amount - Alex が行った高リスクの転送はどれですか?
GRAPH FinGraph MATCH (:Person {name: 'Alex'})-[:Owns]->(src:Account)-[t:Transfers]->(dst:Account {is_blocked: true}) WHERE t.amount >= 200 RETURN dst.id AS destination_account_id, t.amount AS transfer_amount」
エージェントは入力を一括処理し、リテラル値を
?プレースホルダに置き換えて、コンテキスト セット ファイルを更新します。- Dana が送金したすべてのユーザーと、送金の金額を特定する:
ゴールデン データセットの重要性
コンテキストを最適化するには、まず、アプリケーションの自然言語入力と一致するゴールデン データセットを作成する必要があります。エージェントは、ユーザーの質問と想定される GQL クエリを組み合わせたゴールデン データセットの構築を支援します。ゴールデン データセットを使用すると、次のことができます。
- 自然言語から GQL へのクエリ パフォーマンスのベースラインを確立する。
- グラウンド トゥルース GQL クエリに対してコンテキストの更新を検証します。
- 最適化の反復処理全体で精度の向上を測定します。
体系的な山登りプロセス
体系的なヒルクライミングでは、エージェントはゴールデン データセットの評価、ギャップ分析、ターゲットを絞った GQL コンテキストの更新を通じてコンテキスト セットを繰り返し改善し、精度を 100% 近くまで高めます。
- ベースライン コンテキストを自動生成する: Spanner Graph プロパティ グラフ スキーマとアプリケーション アーティファクトから派生した、最初の GQL コンテキスト セットを作成します。
- 山登り最適化ワークフロー: エージェントが
graph_idsを構成して QueryData の精度を評価し、失敗した GQL クエリのギャップ分析を行い、精度を高めるための改善案を自動的に提案します。
次の図は、体系的な山登りワークフローを示しています。
始める前に
コンテキスト エンジニアリング エージェントを使用する前に、次の前提条件を満たす必要があります。
必要なサービスを有効にする
プロジェクトで次のサービスを有効にします。Spanner インスタンスを準備する
- Spanner インスタンスが使用可能であることを確認します。詳細については、インスタンスの作成をご覧ください。
- テーブルを作成するインスタンスにデータベースを作成してください。詳細については、Spanner インスタンスでデータベースを作成するをご覧ください。
必要なロールと権限
- IAM ユーザーまたはサービス アカウントをインスタンスに追加します。詳細については、IAM ロールを適用するをご覧ください。
- プロジェクト レベルで IAM ユーザーに
roles/spanner.databaseReader、roles/serviceusage.serviceUsageConsumer、roles/geminidataanalytics.queryDataUserのロールを付与します。詳細については、プロジェクトの IAM ポリシー バインディングを追加するをご覧ください。 - コンテキスト セットを作成、アップロード、管理するには、プロジェクト レベルで IAM ユーザーに Dataplex Catalog 編集者(
roles/dataplex.catalogEditor)または Dataplex Catalog 管理者(roles/dataplex.catalogAdmin)ロールを付与します。詳細については、コンテキスト セットの権限をご覧ください。 - 必要なデータベースに対して、プロジェクト レベルで IAM ユーザーにロールと権限を付与します。
FinGraph プロパティ グラフ スキーマを設定し、このガイドで使用するサンプル グラフデータを挿入するには、Spanner Graph を設定してクエリを実行するの手順に沿って操作します。
環境を準備する
コンテキスト セット ファイルは、任意のローカル開発環境または IDE から作成できます。環境を準備するには、次の手順を行います。
- コンテキスト エンジニアリング エージェントをインストールします。
- Spanner Graph へのデータベース接続を設定します。
コンテキスト エンジニアリング エージェントをインストールする
コンテキスト エンジニアリング エージェントは、基盤となる Python パッケージを管理するために uv を必要とする Model Context Protocol(MCP)サーバーを実行します。
uvをインストールするの手順に沿って、uvをインストールします。uvがインストールされ、コマンドラインからアクセスできることを確認します。uv --version
環境を準備するには、選択したエージェント ハーネス(Antigravity CLI、Claude Code、Gemini CLI など)にコンテキスト エンジニアリング エージェントをインストールします。
選択したエージェント ハーネスに応じて、対応するインストール手順を行います。
Antigravity CLI
Antigravity CLI にコンテキスト エンジニアリング エージェントをインストールする手順は次のとおりです。
- Antigravity CLI をインストールします。Antigravity CLI の使用を開始するをご覧ください。
- コンテキスト生成のワークフローを含むコンテキスト エンジニアリング エージェント プラグインをインストールします。
agy plugin install https://github.com/GoogleCloudPlatform/db-context-enrichment/tree/main/plugin
- Antigravity CLI を起動します。
agy
- プラグインを更新します。
agy plugin uninstall google-cloud-db-context-engineering agy plugin install https://github.com/GoogleCloudPlatform/db-context-enrichment/tree/main/plugin
Claude Code
Claude Code にコンテキスト エンジニアリング エージェントをインストールする手順は次のとおりです。
- プラグイン マーケットプレイスを追加します。
/plugin marketplace add https://github.com/GoogleCloudPlatform/db-context-enrichment.git
- プラグインをインストールします。
/plugin install db-context-engineering@db-context-enrichment-marketplace
- プラグインを再読み込みして変更を有効にします。
/reload-plugins
- プラグインを更新します。
/plugin update db-context-engineering@db-context-enrichment-marketplace
Gemini CLI(非推奨)
Gemini CLI にコンテキスト エンジニアリング エージェントをインストールする手順は次のとおりです。
- Gemini CLI をインストールします。Gemini CLI の使用を開始するをご覧ください。
- 拡張機能をインストールします。
gemini extensions install https://github.com/GoogleCloudPlatform/db-context-enrichment
- 拡張機能を更新します。
gemini extensions update mcp-db-context-enrichment
データベース接続を設定する
エージェントは、プロパティ グラフ スキーマの取得(spanner-list-graphs)、基盤となるテーブルの検査(spanner-list-tables)、生成された GQL クエリと SQL クエリの構文の検証(spanner-execute-sql)を行うために、データベース接続を必要とします。エージェントが Spanner データベースのプロパティ グラフを操作できるようにするには、認証情報を構成し、データベース接続構成を定義します。
アプリケーションのデフォルト認証情報を構成する
コンテキスト エンジニアリング エージェントから Google Cloud リソースにアクセスするためのユーザー認証情報を提供するように、アプリケーションのデフォルト認証情報(ADC)を構成します。
- ツールボックス MCP サーバー: 認証情報を使用して Spanner データベースに接続し、プロパティ グラフ スキーマを取得して、検証のために GQL クエリを実行します。
- Evalbench: 認証情報を使用して、
graph_idsでQueryDataREST API を呼び出し、評価中に Vertex AI で LLM 評価ツールを実行します。
ターミナルで次のコマンドを実行して認証します。
gcloud auth application-default loginデータベース接続ファイルを構成する
エージェントは、コンテキスト生成のためにデータベース接続を必要とします。これは、MCP ツールボックスがサポートし、構成ファイル(autoctx/tools.yaml)内で定義します。また、アクティブなプロパティ グラフ名(FinGraph など)を記録する状態トラッカー(autoctx/state.md)も必要です。
- エージェント環境を起動します。
エージェントに、Spanner データベースのデータベース接続を設定し、プロパティ グラフ名を指定するよう依頼します。たとえば、次のプロンプトを入力します。
Help me set up the database connection for my Spanner database with the FinGraph property graph.エージェントの指示に沿って、プロジェクト ID、Spanner インスタンス ID、データベース ID、プロパティ グラフ名(
FinGraph)を指定します。エージェントは、autoctx/tools.yaml(spanner-list-graphs、spanner-list-tables、spanner-execute-sqlツールを使用)とautoctx/state.mdを作成します。autoctx/state.mdを開き、## Active Databaseセクションにプロパティ グラフが次の形式で表示されていることを確認します。- **Graph Ids**: ["FinGraph"]評価ワークフローは、この行からのみプロパティ グラフ ID を読み取ります。この行がない、空(
[])、またはこの形式でない場合、評価はgraph_idsなしで QueryData を呼び出し、QueryData は GQL ではなくリレーショナル SQL を生成します。新しい
tools.yaml構成を適用するには、接続を再読み込みします。- Antigravity CLI で
/mcpを実行し、toolboxを選択して再起動します。 - Gemini CLI で
/mcp reloadを実行します。 - Claude Code で
/mcpを実行し、toolboxを選択して、Reconnectを選択します。
- Antigravity CLI で
データベース構成ファイルを手動で構成する方法については、MCP ツールボックスの構成をご覧ください。
コンテキストを生成して最適化する
コンテキスト エンジニアリング エージェントは、一連のエージェント スキルと MCP ツールを提供します。これらを使用して、ベースラインの GQL コンテキスト セットを生成し、ゴールデン GQL データセットに対する有効性を測定して、改善を繰り返し適用します。ワークフローのどの段階からでも開始できます。
- コンテキスト セットがすでにある場合は、評価に直接進むことができます。
- 失敗した GQL クエリを修正する場合は、ギャップ分析に直接進むことができます。
どの段階でも、ターゲットが Spanner データベースのプロパティ グラフであることをエージェントに伝え、グラフに名前(FinGraph など)を付けて、GQL 固有のワークフローに留まるようにします。
評価データセットを構築して拡張する
パフォーマンスを改善するには、まずパフォーマンスを測定する必要があります。ゴールデン データセットは、ユーザーの質問と、それに対応する想定される GQL クエリのペアのセットです。これがないと、コンテキスト エンジニアリングに体系的な検証が欠けてしまいます。これがあれば、コンテキストの変更はすべて、グラウンド トゥルースに対して検証できる測定可能な改善となります。
代表的なゴールデン データセットを手動で作成するには時間がかかります。また、小さなデータセットでは、ユーザーの言い回しのバリエーションを見逃す可能性があります。エージェントは、次の方法でこの問題を解決します。
- プロパティ グラフ スキーマに基づいて、自然言語の質問と GQL クエリの候補ペアを生成する。
- フィルタのバリエーション、類義語、マルチホップ パスの言い換えを使用して、シード データセットを拡張する。
- 生成された GQL クエリを Spanner データベースに対して実行し、すべてのクエリが正常に実行され、有効な結果が返されることを確認します。
Spanner Graph クエリの概要の FinGraph クエリに基づき、ゴールデン データセット(autoctx/golden.json)は、次のような自然言語の質問と GQL のペアを含む JSON ファイルです。
[
{
"id": "fingraph_001",
"database": "example-db",
"nlq": "Find everyone that Dana transferred money to, along with the account IDs and transfer amounts.",
"golden_sql": "GRAPH FinGraph MATCH (from_person:Person {name: 'Dana'})-[:Owns]->(from_account:Account)-[transfer:Transfers]->(to_account:Account)<-[:Owns]-(to_person:Person) RETURN to_person.name AS to_account_owner, to_account.id AS to_account_id, transfer.amount AS amount;"
},
{
"id": "fingraph_002",
"database": "example-db",
"nlq": "Find all money transfers involving a blocked account.",
"golden_sql": "GRAPH FinGraph MATCH (account:Account)-[transfer:Transfers]-(:Account {is_blocked: true}) RETURN transfer.order_number, transfer.amount;"
},
{
"id": "fingraph_003",
"database": "example-db",
"nlq": "Find destination accounts that are 1 to 3 transfers away from account 7, and show the path length.",
"golden_sql": "GRAPH FinGraph MATCH (src:Account {id: 7})-[e:Transfers]->{1, 3}(dst:Account) WHERE src != dst RETURN dst.id AS dst_account_id, ARRAY_LENGTH(e) AS path_length;"
},
{
"id": "fingraph_004",
"database": "example-db",
"nlq": "Find all high-risk transfers initiated by Alex.",
"golden_sql": "GRAPH FinGraph MATCH (p:Person {name: 'Alex'})-[:Owns]->(src:Account)-[t:Transfers]->(dst:Account {is_blocked: true}) WHERE t.amount >= 200 RETURN dst.id AS destination_account_id, t.amount AS transfer_amount ORDER BY t.amount DESC;"
}
]
承認されたペアは、ワークスペースの autoctx/golden.json ファイルに入力され、評価の準備が整います。各エントリで、database は Spanner データベース ID(example-db など)と一致する必要があります。
次のプロンプト例を使用して、FinGraph が Spanner データベースのプロパティ グラフであることを指定して、エージェントに指示できます。
- 「Spanner データベースの
FinGraphプロパティ グラフから GQL 評価データセットを生成して。」 - 「Spanner データベースの
FinGraphプロパティ グラフのシード質問と GQL クエリを次に示します。これをより広範な GQL 評価データセットに拡張し、クエリが実行されることを確認します。
ベースライン コンテキスト セットを生成する
コンテキストを最初から作成するのではなく、エージェントがプロパティ グラフ スキーマとアプリケーション アーティファクト(ビジネスルール、サンプル GQL クエリ、設計ドキュメントなど)から初期 GQL コンテキスト セット(bootstrap_context.json)を導出するようにできます。データセットは Spanner データベース内のプロパティ グラフであるため、エージェントはテンプレートとファセットを生成する際に、リレーショナル SQL 結合よりも GQL パターン(GRAPH FinGraph MATCH ...)を優先します。
次のプロンプト例を使用して、エージェントに指示できます。
- 「Spanner データベースの
FinGraphプロパティ グラフからベースライン GQL コンテキスト セットを生成して。」 - 「プロパティ グラフ スキーマと
requirements.mdのビジネスルールを使用して、Spanner データベースのFinGraphプロパティ グラフの初期 GQL コンテキストを生成してください。」
エージェントからテストの名前(fingraph_tuning など)を指定するよう求められます。これにより、生成されたアーティファクトが autoctx/experiments/fingraph_tuning/ に整理されます。エージェントが bootstrap_context.json を生成したら、Spanner Studio でコンテキスト セットを管理するの手順に沿って、コンテキスト セット ファイルをアップロードします。
コンテキストの有効性を評価する
コンテキスト セットとゴールデン データセットを確立したら、各ゴールデン質問で QueryData API をクエリして、エージェントにコンテキストのパフォーマンスを測定させることができます。エージェントは、Evalbench を使用して、生成された GQL と実行結果を想定されるゴールデン アンサーと比較します。
Spanner Graph の場合、評価は QueryData REST API を直接呼び出すため、各リクエストに graph_ids を含めることができます。
autoctx/state.md に - **Graph Ids**: ["FinGraph"] が含まれている場合、エージェントは REST API を使用する Evalbench モデル構成ファイル(autoctx/experiments/fingraph_tuning/eval_configs/model_config.yaml)を生成し、次のように spanner_reference.database_reference に graph_ids を含めます。
generator: query_data_api
project_id: PROJECT_ID
location: global
use_rest_api: true
context:
datasource_references:
spanner_reference:
database_reference:
engine: GOOGLE_SQL
project_id: PROJECT_ID
instance_id: INSTANCE_ID
database_id: DATABASE_ID
graph_ids:
- FinGraph
agent_context_reference:
context_set_id: projects/PROJECT_ID/locations/REGION/contextSets/CONTEXT_SET_ID
評価を実行する前に、model_config.yaml を開き、use_rest_api が true であること、graph_ids にプロパティ グラフが一覧表示されていることを確認します。
評価を実行すると、次の情報が得られます。
- 合格 / 不合格の結果や集計スコアなどの定量的な指標。GQL コンテキストのイテレーション全体の進捗状況を追跡します。
- インラインの会話の要約と、テストフォルダの
eval_reports/ディレクトリに書き込まれた詳細な CSV レポート。
評価を開始するには、ゴールデン データセットのパス(autoctx/golden.json)とコンテキスト セット ID を指定します。コンテキスト セット ID を確認する方法については、コンテキスト セット ID を確認するをご覧ください。
次のプロンプト例を使用して、エージェントに指示できます。
- 「Spanner データベースの FinGraph プロパティ グラフのコンテキストを
autoctx/golden.jsonに対して評価してください。graph_idsをFinGraphに設定して QueryData REST API を呼び出します。 - 「前回のテストの構成を使用して、Spanner データベースの FinGraph プロパティ グラフの評価を再実行して。」
以前に生成された評価構成をワークスペースのルートから直接再実行するには、次のコマンドを実行します。
uvx google-evalbench --experiment_config=autoctx/experiments/fingraph_tuning/eval_configs/run_config.yaml評価構成スキーマと評価実行のカスタマイズ方法の詳細については、Evalbench のドキュメントをご覧ください。
ギャップ分析を実施して改善点を提案する
GQL クエリの失敗を解決するには、次のような根本原因を特定します。
- 逆のエッジ方向(
-[:Owns]->と<-[:Owns]-) - 定量化されたパスの境界(
->{1, 3})がありません - マッピングされていないビジネス定義(
high-risk transfersなど) - 未解決のプロパティ値
クエリ構文については、Spanner Graph クエリの概要と GQL リファレンスをご覧ください。
このエージェントは、Spanner データベース内のプロパティ グラフに対して、この分析と修正のループを自動化します。
- ギャップ分析: エージェントは、評価結果とコンテキスト セットを読み取り、類似した GQL 障害をグループ化して、GQL テンプレート、ファセット、ノードとエッジのプロパティに対する
GRAPH_TABLE値検索など、ターゲットを絞った追加を推奨します。 - 提案された修正: エージェントは具体的な GQL コンテキストの編集を提案し、
spanner-execute-sqlを使用して生成された GQL を Spanner データベースに対してテストして、解決策を検証します。 - ベースラインの保持: エージェントは、ベースライン コンテキストとともに改善を新しい JSON ファイル(
improved_context_v1.json)に書き込み、元のファイルを保持します。
次のプロンプト例を使用して、データセットが Spanner データベースのプロパティ グラフであることを指定し、GQL 固有のコンテキスト エンジニアリング ワークフローをトリガーするようにエージェントに指示できます。
- 「Spanner データベースの FinGraph プロパティ グラフの最後の評価でギャップ分析を実行し、GQL コンテキストの修正を提案してください。」
- 「Spanner データベースの FinGraph プロパティ グラフのこのコンテキスト セットを
autoctx/golden.jsonに対して最適化して。」
次のイテレーションに備えるため、コンテキスト セットを編集するの手順に沿って、改善されたコンテキスト セット ファイル(improved_context_v1.json)を Spanner Studio のターゲット コンテキスト セットにアップロードします。
オンデマンドで作成者固有のコンテキスト アイテム
必要なコンテキスト アイテム(特定のグラフ トラバーサルの GQL テンプレート、繰り返しエッジフィルタのファセット、ノードまたはエッジ プロパティの GRAPH_TABLE 値検索など)がすでにわかっている場合、エージェントは完全な評価を実行せずに、適切にパラメータ化された JSON オブジェクトをオンデマンドで生成できます。
次のプロンプト例を使用して、Spanner データベースのプロパティ グラフをエージェントに指示できます。
- 「Spanner データベースの FinGraph プロパティ グラフで、GQL クエリ
GRAPH FinGraph MATCH (p:Person {name: 'Alex'})-[:Owns]->(src:Account)-[t:Transfers]->(dst:Account {is_blocked: true}) WHERE t.amount >= 200 RETURN dst.id AS destination_account_id, t.amount AS transfer_amount ORDER BY t.amount DESC;を使用して『Alex が開始した高リスクの送金をすべて検索する』テンプレートを作成して。」 - 「Spanner データベースの FinGraph プロパティ グラフに、GQL 句
MATCH (account:Account)-[transfer:Transfers]-(:Account {is_blocked: true})のファセットを作成し、'ブロックされたアカウントに関連する送金' というラベルを付けてください。」 - 「Spanner データベースの FinGraph プロパティ グラフで、コンセプト タイプが「アカウントのニックネーム」の
Accountノードのnick_nameプロパティで、ニックネームを大文字と小文字を区別せずに照合するGRAPH_TABLE値検索を作成します。」
コンテキスト タイプの選択に関する理由
適切なコンテキスト タイプ(GQL テンプレート、ファセット、値検索)を選択すると、コンテキストの肥大化とクエリの回帰を防ぐことができます。クエリパターンに基づいて適切なコンテキスト タイプを推奨するようにエージェントに指示できます。
- 「Spanner データベースの FinGraph プロパティ グラフで、多くの GQL クエリにわたって
MATCH (account:Account)-[transfer:Transfers]-(:Account {is_blocked: true})を含むブロックされたアカウントに関連する送金をフィルタリングし続けています。これをキャプチャする最適な方法は何ですか?」 - 「ユーザーは、Spanner データベースの FinGraph プロパティ グラフ内のアカウントを、「Vacation Fund」や「Rainy Day Fund」などのニックネームで参照しています。
Account.nick_nameでどのようなGRAPH_TABLE値の検索を設定すればよいですか?」 - 「Spanner Graph のコンテキスト セットにおける GQL テンプレートとファセットの違いは何ですか?また、それぞれをどのような場合に使用すべきですか?」
コンテキスト セット全体に一括オペレーションを適用する
エージェントは、プロパティ グラフのラベルが更新された場合や、複数のテンプレートとファセットでビジネスしきい値が変更された場合など、大規模な GQL コンテキスト セットを一貫して管理するための一括更新をサポートしています。
- 「Spanner データベースの FinGraph プロパティ グラフの
golden.jsonを読み取り、すべての質問と GQL のペアをテンプレートに変換して。」 - 「Spanner データベースの FinGraph プロパティ グラフの
context_set.jsonで、「高リスクの転送」を参照する GQL アイテムのt.amount >= 200をt.amount >= 300に置き換えてください。関係のないアイテムはそのままにしておきます。
次のステップ
- コンテキスト セットの詳細を確認する。
- Spanner Studio でコンテキスト セットを作成または削除する方法を確認する。
- Spanner Graph の QueryData をテストする方法を確認する。
- エンドツーエンドのチュートリアルに沿って、QueryData をアプリケーションと統合します。