Mengintegrasikan QueryData dengan aplikasi

Tutorial ini menjelaskan cara menyiapkan dan menggunakan QueryData di Cloud SQL untuk MySQL menggunakan konsol Google Cloud dan mengintegrasikannya dengan aplikasi Anda. Pelajari cara membangun file set konteks, membuat set konteks yang menggunakan file set konteks, menggunakan MCP Toolbox untuk memanggil metode QueryData di Conversational Analytics API guna membuat kueri SQL untuk pertanyaan bahasa alami, dan mengintegrasikannya dengan aplikasi Anda.

Untuk mengetahui informasi selengkapnya, lihat Ringkasan QueryData.

Tujuan

Tutorial ini membahas tujuan berikut:

  • Membuat database dan mengisinya dengan data.
  • Membuat file set konteks dengan agen rekayasa konteks.
  • Membuat set data konteks dan mengupload file set data konteks.
  • Menguji QueryData dan membuat kueri SQL di Cloud SQL Studio.
  • Integrasikan QueryData dengan aplikasi Anda menggunakan alat Gemini Data Analytics QueryData di MCP Toolbox.
  • Menambahkan grounding ke respons LLM menggunakan kueri penelusuran nilai.

Biaya

Dalam dokumen ini, Anda akan menggunakan komponen Google Cloudyang dapat ditagih berikut:

Untuk membuat perkiraan biaya berdasarkan proyeksi penggunaan Anda, gunakan kalkulator harga.

Pengguna Google Cloud baru mungkin memenuhi syarat untuk mendapatkan uji coba gratis.

Untuk menghindari penagihan berkelanjutan, hapus resource yang Anda buat setelah menyelesaikan tugas dalam dokumen ini. Untuk informasi selengkapnya, lihat Pembersihan.

Sebelum memulai

Selesaikan prasyarat berikut sebelum membuat set konteks.

Mengaktifkan layanan yang diperlukan

Aktifkan layanan berikut untuk project Anda:

Menyiapkan instance Cloud SQL

Peran dan izin yang diperlukan

Memberikan izin executesql ke instance Cloud SQL

Untuk memberikan izin executesql ke instance Cloud SQL dan mengaktifkan Cloud SQL Data API, jalankan perintah berikut: 
gcloud config set project PROJECT_ID
gcloud components update
gcloud beta sql instances patch INSTANCE_ID --data-api-access=ALLOW_DATA_API
Ganti kode berikut:
  • PROJECT_ID: ID project Google Cloud Anda.
  • INSTANCE_ID: ID instance Cloud SQL Anda.
Untuk melakukan langkah-langkah dalam tutorial ini, login ke Google Cloud, lalu lakukan autentikasi ke database menggunakan autentikasi IAM.

Membuat skema dan tabel flights dan airports

Di bagian ini, Anda akan membuat tabel database flights dan airports untuk tutorial ini.

  1. Di konsol Google Cloud , buka halaman Cloud SQL.

    Buka Cloud SQL

  2. Pilih instance dari daftar.

  3. Di menu navigasi, klik Cloud SQL Studio.

  4. Login ke Studio menggunakan autentikasi Identity and Access Management.

  5. Klik Authenticate. Panel Explorer menampilkan daftar objek dalam database Anda.

  6. Klik New SQL editor tab atau New tab untuk membuka tab baru.

  7. Untuk membuat tabel dan skema airports, jalankan pernyataan SQL berikut:

    CREATE TABLE IF NOT EXISTS airports (
  id INT PRIMARY KEY,
  iata TEXT,
  name TEXT,
  city TEXT,
  country TEXT
  );

  8. Buat tabel dan skema flights:

    CREATE TABLE IF NOT EXISTS flights (
  id INT PRIMARY KEY,
  airline VARCHAR(10),
  flight_number INT,
  departure_airport VARCHAR(5),
  arrival_airport VARCHAR(5),
  departure_time TIMESTAMP,
  arrival_time TIMESTAMP,
  departure_gate VARCHAR(10),
  arrival_gate VARCHAR(10)
);

Mengisi tabel flights dan airports

Di bagian ini, Anda akan mengisi tabel flights dan airports menggunakan skrip SQL yang disediakan.

  1. Isi tabel airports.

  2. Isi tabel flights.

  3. Jalankan kueri berikut untuk memverifikasi bahwa tabel telah diisi:

    SELECT * FROM flights LIMIT 10;
SELECT * FROM airports LIMIT 10;

Menyiapkan database untuk penelusuran nilai

Untuk menggunakan penelusuran nilai semantik dan trigram, Anda harus mengonfigurasi instance Cloud SQL untuk MySQL agar mendukung embedding vektor dan pengindeksan n-gram.

  1. Agar instance Cloud SQL untuk MySQL dapat melakukan penelusuran nilai semantik, Anda harus mengaktifkan flag berikut.

    1. Aktifkan flag cloudsql_vector.

      gcloud sql instances patch INSTANCE_NAME --database-flags=cloudsql_vector=on

    2. Aktifkan flag enable-google-ml-integration agar instance Cloud SQL untuk MySQL dapat berintegrasi dengan Vertex AI.

      gcloud sql instances patch INSTANCE_NAME --enable-google-ml-integration

    3. Membuat kolom vektor untuk menyimpan embedding kota

      ALTER TABLE `airports` 
ADD COLUMN `city_embedding` VECTOR(768);

    4. Membuat dan menyimpan embedding vektor untuk nama kota

      UPDATE `airports` 
SET `city_embedding` = mysql.ml_embedding('text-embedding-005', `city`) 
WHERE `city` IS NOT NULL;

  2. Agar instance Cloud SQL untuk MySQL dapat melakukan penelusuran nilai trigram, lakukan langkah-langkah berikut.

    1. Aktifkan flag ngram_token_size.

      gcloud sql instances patch INSTANCE_NAME --database-flags=ngram_token_size=3

    2. Membuat indeks FULLTEXT untuk pencocokan trigram pada nama bandara

      CREATE FULLTEXT INDEX `idx_ngram_airports_name` 
ON `airports`(`name`) 
WITH PARSER ngram;

Membuat set konteks di Cloud SQL Studio

Di bagian ini, buat set konteks bernama flights-assistant. Set konteks ini tidak menyertakan file set konteks yang diupload ke dalamnya.

  1. Di konsol Google Cloud , buka halaman Cloud SQL.

    Buka Cloud SQL

  2. Pilih instance dari daftar.

  3. Di menu navigasi, klik Cloud SQL Studio.

  4. Login ke Studio menggunakan autentikasi IAM.

  5. Di panel Explorer, di samping Context sets, klik View actions ().

  6. Klik Create context set.

  7. Di Context set name, masukkan flights-assistant.

  8. Klik Create.

Menguji QueryData di Studio

Di bagian ini, gunakan set konteks flights-assistant dengan mengajukan pertanyaan dalam bahasa alami untuk membuat kueri SQL. Karena set konteks tidak memiliki file set konteks yang diupload, bahkan setelah mengajukan pertanyaan dengan konteks seperti nighttime traffic, QueryData akan menghasilkan kueri yang kurang optimal.

  1. Di panel Explorer, di samping set konteks Anda, klik View actions ().
  2. Klik Test context set.
  3. Di editor kueri, klik Generate SQL using QueryData with: flights-assistant.

  4. Masukkan pertanyaan bahasa alami berikut untuk membuat kueri SQL, lalu klik Generate.

    Find flights from SFO to JFK.

    Tinjau kueri SQL. Perhatikan bahwa QueryData menghasilkan SQL yang benar untuk pertanyaan yang tidak ambigu ini.

      SELECT
    *
  FROM
    "flights"
  WHERE
    "departure_airport" = 'SFO' AND "arrival_airport" = 'JFK';

  5. Di jendela Generate SQL using QueryData with: flights-assistant, klik Edit.

  6. Masukkan pertanyaan bahasa alami berikut untuk membuat kueri SQL, lalu klik Update.

    Tell me flights that can help me beat nighttime traffic if traveling from New York

    Database gagal memahami istilah traffic nighttime. Hal ini dapat mencegahnya membuat kueri SQL atau menyebabkannya membuat kueri yang mengabaikan istilah tersebut, seperti yang ditunjukkan oleh kueri berikut. 

    -- The database schema does not contain information about traffic.
-- Returning all flights departing from New York airports.
SELECT
  f.airline,
  f.flight_number,
  a.name AS departure_airport_name,
  f.departure_time,
  b.name AS arrival_airport_name,
  f.arrival_time
FROM
  flights AS f
JOIN
  airports AS a
  ON f.departure_airport = a.iata
JOIN
  airports AS b
  ON f.arrival_airport = b.iata
WHERE
  a.city = 'New York'
ORDER BY
  f.departure_time;

  7. Di jendela Generate SQL using QueryData with: flights-assistant, klik Edit.

  8. Masukkan pertanyaan bahasa alami berikut untuk membuat kueri SQL, lalu klik Update.

    Find flights heading into Manhattan

    Logika set konteks menghasilkan kueri untuk menemukan bandara dengan nama "Manhattan". Karena bandara atau kota tersebut tidak ada dalam database, kueri tidak akan menampilkan baris apa pun.

    SELECT
  `skybot`.`flights`.*
FROM
  `skybot`.`flights`
JOIN
  `skybot`.`airports`
ON
  `skybot`.`flights`.`arrival_airport` = `skybot`.`airports`.`iata`
WHERE
  `skybot`.`airports`.`city` = 'Manhattan';

Membuat konteks untuk set data konteks

Di bagian ini, Anda akan menyiapkan lingkungan dan membuat file konteks yang membantu meningkatkan kemampuan kueri set konteks.

Menyiapkan lingkungan Anda

Sebelum dapat mulai membuat konteks, Anda harus menyiapkan lingkungan Anda.

Untuk menyiapkan lingkungan Anda, lakukan langkah-langkah berikut:

  1. Instal Antigravity CLI. Untuk mengetahui informasi selengkapnya, lihat Memulai Antigravity CLI.
  2. Menginstal Google Cloud CLI.

  3. Siapkan Kredensial Default Aplikasi (ADC). Jalankan perintah berikut di terminal Anda untuk melakukan autentikasi dan memilih project Anda:

    gcloud auth application-default login

  4. Instal uv, paket Python dan pengelola project yang merupakan prasyarat untuk agen rekayasa konteks. Jika Anda belum memiliki Python di sistem, uv dapat menginstalnya untuk Anda.

  5. Menginstal agen rekayasa konteks:

    agy plugin install https://github.com/GoogleCloudPlatform/db-context-enrichment/tree/main/plugin

  6. Di terminal Anda, mulai Antigravity CLI.

    agy

  7. Menyiapkan koneksi database untuk pembuatan konteks menggunakan MCP Toolbox. Koneksi ditentukan dalam file konfigurasi tools.yaml.

    Untuk membuat file konfigurasi tools.yaml di direktori Anda saat ini, masukkan perintah seperti: 

    Help me set up a database connection.

    Ikuti petunjuk yang diberikan oleh skill. Untuk mengetahui informasi selengkapnya tentang file tools.yaml, lihat dokumentasi MCP Toolbox.

  8. Untuk memuat ulang konfigurasi setelah file tools.yaml dibuat, jalankan perintah berikut di Antigravity CLI dan ikuti petunjuk untuk memuat ulang server MCP toolbox:

    /mcp

    1. Pilih db-context-engineering_toolbox.

    2. Pilih Restart.

  9. Pastikan toolbox MCP dan plugin agen rekayasa konteks terhubung dan siap digunakan.

    /mcp

Membuat konteks template

Di bagian ini, untuk mengatasi masalah dari bagian sebelumnya, yaitu QueryData tidak mengenali istilah nighttime traffic, tentukan istilah tersebut dalam file set konteks sebagai traffic yang terjadi antara 5:00 PM dan 7:00 PM.

Untuk membuat konteks template, lakukan langkah-langkah berikut:

  1. Masukkan perintah berikut ke Antigravity CLI:

    Generate a template for the question: "Tell me flights that can help me beat nighttime traffic if traveling from New York" with the following SQL query:

SELECT
  f.airline,
  f.flight_number,
  a.name AS airport_name,
  f.departure_time
FROM
  flights f
JOIN
  airports a
  ON f.departure_airport = a.iata
WHERE
  a.city = 'New York'
  AND (
    EXTRACT(HOUR FROM f.departure_time) < 17
    OR EXTRACT(HOUR FROM f.departure_time) >= 19
  )
ORDER BY
  f.departure_time;

  2. Agen mengonversi input Anda ke dalam format tertentu yang meningkatkan performa set konteks di berbagai kueri pengguna. Untuk mengetahui informasi selengkapnya, lihat Ringkasan set konteks.

  3. Tinjau template kueri yang dihasilkan. Anda dapat menyimpan template kueri sebagai file konteks agen baru atau menambahkannya ke file konteks agen yang ada.

  4. Minta agen untuk menyimpan template:

    Save it to context_set.json.

    Agen akan membuat file di direktori yang sama, dengan konten berikut:

    {
  "templates": [
    {
      "nl_query": "Tell me flights that can help me beat nighttime traffic if traveling from New York",
      "sql": "SELECT f.airline, f.flight_number, a.name AS airport_name, f.departure_time FROM flights f JOIN airports a ON f.departure_airport = a.iata WHERE a.city = 'New York' AND (EXTRACT(HOUR FROM f.departure_time) < 17 OR EXTRACT(HOUR FROM f.departure_time) >= 19) ORDER BY f.departure_time;",
      "intent": "Tell me flights that can help me beat nighttime traffic if traveling from New York",
      "manifest": "Tell me flights that can help me beat nighttime traffic if traveling from a given city",
      "parameterized": {
        "parameterized_sql": "SELECT f.airline, f.flight_number, a.name AS airport_name, f.departure_time FROM flights f JOIN airports a ON f.departure_airport = a.iata WHERE a.city = ? AND (EXTRACT(HOUR FROM f.departure_time) < 17 OR EXTRACT(HOUR FROM f.departure_time) >= 19) ORDER BY f.departure_time;",
        "parameterized_intent": "Tell me flights that can help me beat nighttime traffic if traveling from ?"
      }
    }
  ]
}

Membuat konteks penelusuran nilai

Di bagian ini, Anda akan membuat konteks penelusuran nilai untuk membantu logika set konteks memetakan frasa nilai ke nilai tertentu yang disimpan di kolom database Anda. Misalnya, jika pengguna meminta "penerbangan menuju Manhattan", Manhattan akan diekstrak terlebih dahulu sebagai frasa nilai, dan penelusuran kesamaan semantik akan mengaitkan Manhattan dengan "New York", yang disimpan di kolom airports.city.

Untuk membuat konteks penelusuran nilai, lakukan langkah-langkah berikut:

  1. Masukkan perintah berikut ke dalam infrastruktur pengelola agen.

  2. Masukkan mysql untuk memilih MySQL sebagai database.

  3. Masukkan versi MySQL yang ingin Anda gunakan. Pilih default untuk memilih MySQL 8.0.

    Generate a trigram value search on table "airports" for column "name" with concept "airport name". Then generate a semantic value search on table "airports" for column "city" with concept "airport city" using embedding column "city_embedding".

  4. Tinjau definisi penelusuran nilai yang dihasilkan. Anda dapat menyimpan definisi penelusuran nilai sebagai file set konteks baru atau menambahkannya ke file set konteks yang ada.

  5. Berikan perintah kepada agen dengan Append the context to context_set.json. Tindakan ini akan menambahkan definisi penelusuran nilai ke file konteks yang dibuat di bagian sebelumnya.

  6. Masukkan instance database dan nama database tempat file set konteks dibuat.

    File konteks yang ada diperbarui dengan definisi penelusuran nilai, dengan konten berikut:

      {
"templates": [
  {
    "nl_query": "Tell me flights that can help me beat nighttime traffic if traveling from New York",
    "sql": "SELECT f.airline, f.flight_number, a.name AS airport_name, f.departure_time FROM flights f JOIN airports a ON f.departure_airport = a.iata WHERE a.city = 'New York' AND (EXTRACT(HOUR FROM f.departure_time) < 17 OR EXTRACT(HOUR FROM f.departure_time) >= 19) ORDER BY f.departure_time;",
    "intent": "Tell me flights that can help me beat nighttime traffic if traveling from New York",
    "manifest": "Tell me flights that can help me beat nighttime traffic if traveling from a given city",
    "parameterized": {
      "parameterized_sql": "SELECT f.airline, f.flight_number, a.name AS airport_name, f.departure_time FROM flights f JOIN airports a ON f.departure_airport = a.iata WHERE a.city = ? AND (EXTRACT(HOUR FROM f.departure_time) < 17 OR EXTRACT(HOUR FROM f.departure_time) >= 19) ORDER BY f.departure_time;",
      "parameterized_intent": "Tell me flights that can help me beat nighttime traffic if traveling from ?"
    }
  }
],
"facets": [],
"value_searches": [
  {
    "query": "SELECT * FROM (  WITH TrigramMetrics AS (    SELECT T.`name` AS original_value,     MATCH(T.`name`) AGAINST($value IN NATURAL LANGUAGE MODE) AS raw_score     FROM `airports` AS T     WHERE MATCH(T.`name`) AGAINST($value IN NATURAL LANGUAGE MODE) > 0     ORDER BY raw_score DESC LIMIT 10  ),   NormalizationParams AS (    SELECT MAX(raw_score) AS max_score     FROM TrigramMetrics  )   SELECT original_value AS value, 'name' AS `columns`,   'airport city' AS concept_type,   (CASE WHEN n.max_score > 0 THEN (1 - (m.raw_score / n.max_score)) ELSE 0 END) AS distance,   JSON_OBJECT() AS context   FROM TrigramMetrics m, NormalizationParams n) AS wrapped_query ",
    "concept_type": "airport city",
    "description": null
  },
  {
    "query": "SELECT * FROM (  WITH search_embedding AS (    SELECT mysql.ml_embedding('text-embedding-005', $value) AS val  )   SELECT T.`city` AS value, 'city' AS `columns`,   'airport name' AS concept_type,   COSINE_DISTANCE(T.`city_embedding`, search_embedding.val) AS distance,   JSON_OBJECT() AS context   FROM `airports` AS T, search_embedding   WHERE T.`city_embedding` IS NOT NULL) AS wrapped_query ",
    "concept_type": "airport name",
    "description": null
  }
]
}

Mengupload file set konteks ke QueryData

Di bagian ini, Anda akan mengupload file set konteks ke QueryData, sehingga meningkatkan kemampuan pembuatan SQL QueryData di database Anda.

Untuk mengupload konteks, lakukan langkah-langkah berikut:

  1. Di konsol Google Cloud , buka halaman Cloud SQL.

    Buka Cloud SQL

  2. Pilih instance dari daftar.

  3. Di menu navigasi, klik Cloud SQL Studio.

  4. Login ke Studio menggunakan autentikasi Identity and Access Management.

  5. Di panel Explorer, di bagian Context sets dan di samping set konteks flights-assistant, klik ikon View actions ().

  6. Klik Edit context set.

  7. Klik Browse di bagian Upload context file, lalu pilih file set konteks yang dibuat sebelumnya.

  8. Klik Simpan.

Membuat kueri SQL menggunakan QueryData

Di bagian ini, Anda akan menggunakan file set konteks yang telah diupload untuk mengajukan pertanyaan dalam bahasa alami. Dengan demikian, Anda dapat memverifikasi bahwa QueryData memahami dan menerapkan definisi dengan benar untuk istilah seperti nighttime traffic dan frasa terkait lainnya.

Untuk membuat kueri SQL, lakukan langkah-langkah berikut:

  1. Di panel Explorer, di samping set konteks Anda, klik View actions ().
  2. Klik Test context set.
  3. Di editor kueri, klik Generate SQL using QueryData with: flights-assistant.

  4. Untuk membuat kueri SQL, masukkan pertanyaan bahasa alami berikut, lalu klik Generate.

    Tell me flights that can help me beat nighttime traffic if traveling from New York

    Kueri SQL yang dihasilkan akan terlihat mirip dengan berikut ini:

    SELECT
  f.airline,
  f.flight_number,
  a.name AS airport_name,
  f.departure_time
FROM
  flights f
JOIN
  airports a ON f.departure_airport = a.iata
WHERE
  a.city = 'New York'
  AND (
    EXTRACT(HOUR FROM f.departure_time) < 17
    OR EXTRACT(HOUR FROM f.departure_time) >= 19
  )
ORDER BY
  f.departure_time;

    Ini adalah pertanyaan yang sama dengan yang Anda tambahkan ke konteks QueryData. Perhatikan bahwa QueryData kini dapat menafsirkan istilah nighttime traffic secara akurat.

    Meskipun konteksnya berasal dari satu pertanyaan tertentu, QueryData menggunakannya untuk meningkatkan pembuatan SQL untuk berbagai pertanyaan serupa.

  5. Di jendela Generate SQL using QueryData with: flights-assistant, klik Edit.

  6. Masukkan pertanyaan serupa berikut untuk membuat kueri SQL, lalu klik Update.

    What are the flights that can help me avoid evening traffic if departing from Boston

    Karena pertanyaan mengganti istilah nighttime traffic dengan istilah yang serupa, evening traffic, QueryData memberikan jawaban yang konsisten untuk pertanyaan ini dengan menerapkan interpretasi yang sama.

    Kueri SQL yang dihasilkan akan terlihat mirip dengan berikut ini:

    -- What are the flights that can help me avoid evening traffic if departing from Boston
SELECT
  f.airline,
  f.flight_number,
  a.name AS airport_name,
  f.departure_time
FROM
  flights f
JOIN
  airports a
ON
  f.departure_airport = a.iata
WHERE
  a.city = 'Boston'
  AND (
    EXTRACT(HOUR FROM f.departure_time) < 17
    OR EXTRACT(HOUR FROM f.departure_time) >= 19
  )
ORDER BY
  f.departure_time;

  7. Di jendela Generate SQL using QueryData with: flights-assistant, klik Edit.

  8. Masukkan pertanyaan berikut untuk membuat kueri SQL, lalu klik Update.

    Find flights heading into Manhattan

    Kueri SQL yang dihasilkan akan terlihat mirip dengan berikut ini:

    SELECT
  *
FROM `skybot`.`flights` AS t1
INNER JOIN `skybot`.`airports` AS t2
  ON t1.`arrival_airport` = t2.`iata`
WHERE t2.`city` = 'New York';

    Perhatikan bahwa QueryData kini dapat menafsirkan secara akurat bahwa "Manhattan" terkait dengan "New York" dalam database menggunakan pencocokan semantik.

Mengintegrasikan QueryData dengan aplikasi Anda

Di bagian ini, Anda akan membuat agen data untuk aplikasi pencarian penerbangan. Agen data ini menyediakan antarmuka percakapan ke tabel flights dan airports yang Anda buat sebelumnya. Dokumen ini juga menjelaskan cara membuat dan mengintegrasikan agen data ini ke dalam aplikasi Anda menggunakan Agent Development Kit (ADK), alat MCP QueryData Gemini Data Analytics, dan set data konteks untuk meningkatkan kualitas respons.

  1. Download MCP Toolbox versi 1.14.0 atau yang lebih baru. MCP Toolbox mengekspos agen data sebagai alat yang dapat dihubungkan oleh aplikasi. MCP Toolbox berbeda dengan agen rekayasa konteks yang Anda instal sebelumnya, yang menghasilkan konteks.

  2. Siapkan Kredensial Default Aplikasi (ADC).

    gcloud auth application-default login

  3. Temukan ID set konteks yang Anda buat sebelumnya. Untuk mengetahui informasi selengkapnya tentang cara menemukan ID set konteks, lihat Menemukan ID set konteks.

  4. Tambahkan kode berikut ke konfigurasi tools.yaml untuk terhubung ke agen data menggunakan MCP Toolbox. Untuk mengetahui informasi selengkapnya, lihat Sumber Analisis Data Gemini dan Alat QueryData Analisis Data Gemini.

    kind: source
name: gda-api-source
type: cloud-gemini-data-analytics
projectId: "PROJECT_ID"
---
kind: tool
name: cloud_gda_query_tool
type: cloud-gemini-data-analytics-query
source: gda-api-source
description: Use this tool to send natural language queries to the Gemini Data Analytics API and receive SQL, natural language answers, and explanations.
location: "REGION_ID"
context:
  datasourceReferences:
    cloudSqlReference:
      databaseReference:
        engine: "MYSQL"
        projectId: "PROJECT_ID"
        region: "REGION_ID"
        instanceId: "INSTANCE_ID"
        databaseId: "DATABASE_ID"
      agentContextReference:
        contextSetId: "CONTEXT_SET_ID"
generationOptions:
  generateQueryResult: true
  generateNaturalLanguageAnswer: true
  generateExplanation: true
  generateDisambiguationQuestion: true

    Ganti kode berikut:

    • PROJECT_ID: Project ID Google Cloud Anda.
    • REGION_ID: Region instance Cloud SQL Anda (misalnya us-central1).
    • INSTANCE_ID: ID instance Cloud SQL Anda.
    • DATABASE_ID: Nama database yang akan dihubungkan.
    • CONTEXT_SET_ID: ID set konteks. Untuk mengetahui informasi selengkapnya tentang cara menemukan ID set konteks, lihat Menemukan ID set konteks.

  5. Jalankan server MCP Toolbox dengan file tools.yaml.

    ./toolbox --config PATH_TO_TOOLS_YAML

    Ganti PATH_TO_TOOLS_YAML dengan jalur ke file tools.yaml yang Anda buat sebelumnya.

  6. Membuat aplikasi ADK yang memanggil alat QueryData Gemini Data Analytics menggunakan Python SDK MCP Toolbox. Untuk mengetahui informasi selengkapnya tentang cara menggunakan SDK Python MCP Toolbox, lihat panduan memulai Toolbox dan untuk ADK Python, lihat panduan memulai ADK.

    1. Buat direktori untuk menyimpan aplikasi, misalnya flight-assistant-app.

    2. Ubah direktori ke direktori flight-assistant-app.

      mkdir flight-assistant-app
cd flight-assistant-app

    3. Jalankan perintah berikut di direktori flight-assistant-app untuk membuat lingkungan virtual dan menginstal komponen yang diperlukan.

      uv init
uv add google-adk toolbox-core google-genai

    4. Menyiapkan agen ADK.

      1. Membuat agen ADK.

        uv run adk create my_agent

      2. Pilih model gemini-2.5-flash, atau yang lebih baru.

      3. Pilih Google AI, lalu masukkan kunci Gemini API Anda. Untuk mengetahui informasi selengkapnya tentang cara menemukan kunci API Anda, lihat Menggunakan kunci Gemini API. (Atau, jika Anda tidak memerlukan uji coba gratis, Anda dapat memilih Vertex AI dan menentukan project Google Cloud dengan penagihan yang diaktifkan).

    5. Ganti konten file agent.py dengan kode aplikasi contoh Flight Data Assistant berikut.

      from typing import cast

from google.adk.agents.llm_agent import Agent
from google.adk.agents.llm_agent import ToolUnion

from toolbox_core import ToolboxSyncClient

TOOLBOX_URL = "http://127.0.0.1:5000"

INSTRUCTION = """
# ROLE
You are a friendly and factual flight data assistant. Your goal is to help users find the best flights for their needs by providing accurate information with a helpful, professional tone.
- use the Query Data Tool to answer the user's question, if the tool fails to generate a valid query, ask the user to clarify their question.

# OPERATIONAL CONSTRAINTS
- TOOL LIMITATION: You only have access to the Query Data Tool. Do not claim to have capabilities beyond what this tool provides.
- TRANSPARENCY POLICY: Maintain a seamless user experience. Never mention that you are using a tool, querying a database, or generating SQL. Frame all responses as your own direct assistance.
- SCOPE MANAGEMENT: If a user asks for something beyond your capabilities, politely state that you cannot perform that specific task. Guide the user towards what you can help with.

# COMMUNICATION STYLE
- Be concise and scannable when listing answers.
- Maintain a helpful, professional persona.

=====

# QUERY DATA TOOL

Inputs:
1. query: A natural language formulation of a database query.

Outputs: (all optional)
1. disambiguation_question: Clarification questions or comments where the tool needs the users' input.
2. generated_query: The generated query for the user query.
3. intent_explanation: An explanation for why the tool produced `generated_query`.
4. query_result: The result of executing `generated_query`.
5. natural_language_answer: The natural language answer that summarizes the `query` and `query_result`.

Usage guidance:
1. If `disambiguation_question` is produced, then solicit the needed inputs from the user and try the tool with a new `query` that has the needed clarification.
2. If `natural_language_answer` is produced, use `intent_explanation` and `generated_query` to see if you need to clarify any assumptions for the user.
3. If the tool output indicates failure or empty results, explain that clearly using the provided reasoning.
"""

client = ToolboxSyncClient(TOOLBOX_URL)

mcp_tool = client.load_tool("cloud_gda_query_tool")

root_agent = Agent(
    model="gemini-2.5-flash",  # Or newer.
    name="root_agent",
    instruction=INSTRUCTION,
    tools=cast(list[ToolUnion], [mcp_tool]),
)

  7. Untuk memulai aplikasi, jalankan perintah berikut di direktori flight-assistant-app. Akses server web ADK di http://127.0.0.1:8000.

    uv run adk web --port 8000

  8. Masukkan teks apa pun, seperti hello, untuk mulai berinteraksi dengan agen.

    Agen ADK menjawab pertanyaan umum dan memanggil alat MCP yang diperlukan.

  9. Masukkan pertanyaan terkait penerbangan berikut.

    How many flights depart from the west side?

    Alat MCP dipanggil untuk menjawab pertanyaan ini. Namun, karena istilah the west ambigu dan tidak menentukan bandara mana pun, alat MCP menampilkan pertanyaan disambiguasi yang digunakan agen untuk membuat respons.

    I cannot determine how many flights depart from the 'west side' as the database does not contain information about which airports are considered to be on the 'west side'. However, I can help you with questions like:

1. How many flights depart from a specific airport?

2. What are the departure airports for all flights?

3. How many flights depart from each airport? Would you like to rephrase your question based on these options?

  10. Masukkan pertanyaan yang mirip dengan pertanyaan di template kueri yang dibuat untuk agen.

    Help me find flights from San Francisco that avoid the evening rush hour.

    Berdasarkan konteks QueryData yang ditambahkan sebelumnya, alat MCP memahami bahwa evening traffic terjadi antara pukul 17.00 dan 19.00. Alat MCP menampilkan data terkait untuk digunakan agen dalam menyusun responsnya.

    Here are the flights departing from San Francisco that avoid the evening rush hour (defined as 5 PM to 7 PM):

* UA 1532 departing at 05:50:00
* UA 1158 departing at 05:57:00
* CY 922 departing at 06:38:00
* OO 5441 departing at 07:08:00
* UA 616 departing at 07:14:00
* AA 24 departing at 07:14:00
* B6 434 departing at 08:00:00
* AA 242 departing at 08:18:00
* UA 1739 departing at 08:22:00
* OO 6336 departing at 08:32:00
* US 1784 departing at 08:47:00
* DL 1631 departing at 09:00:00
* DL 1106 departing at 09:06:00
* OO 5427 departing at 09:06:00
* CY 352 departing at 09:25:00

  11. Masukkan pertanyaan berdasarkan jenis konsep yang Anda tambahkan dalam konteks agen.

    Find flights heading into Manhattan

    Berdasarkan konteks penelusuran nilai yang ditambahkan sebelumnya, agen memahami bahwa "Manhattan" terkait dengan kota "New York" dan menampilkan data terkait untuk digunakan agen dalam menyusun responsnya.

    There are 6 flights heading into New York City, specifically arriving at JFK airport, which serves Manhattan.

Here are the details for these flights:

AA 24 from SFO, departing 2025-01-01 07:14:00 and arriving 2025-01-01 15:46:00.
UA 758 from SFO, departing 2025-01-02 07:07:00 and arriving 2025-01-02 15:53:00.
AA 24 from SFO, departing 2025-01-02 07:06:00 and arriving 2025-01-02 15:29:00.
DL 2040 from SFO, departing 2025-01-02 15:09:00 and arriving 2025-01-02 23:20:00.
DL 1370 from SFO, departing 2025-01-02 23:04:00 and arriving 2025-01-03 07:36:00.
CY 34 from SFO, departing 2025-01-02 23:15:00 and arriving 2025-01-03 07:54:00.

Melakukan iterasi performa agen

UI web ADK memungkinkan Anda memeriksa permintaan dan respons dari alat MCP QueryData Analisis Data Gemini. Anda dapat menggunakan respons ini untuk mengamati respons alat seperti kueri SQL yang dihasilkan, set hasil, penjelasan intent, pertanyaan disambiguasi, dan jawaban natural language, untuk membantu Anda mengonfirmasi kebenaran respons agen.

Misalnya, untuk teks input How many flights depart from the west side? yang Anda masukkan sebelumnya, klik balon agen. Di tab Event di navigasi kiri, luaskan functionResponse untuk melihat respons berikut.

"{"disambiguationQuestion": ["[NOT_ENOUGH_INFO] The database schema does not
contain information about which airports are on the 'west side'. Therefore, I
cannot determine how many flights depart from the west side.Possible alternative
questions: 1. How many flights depart from a specific airport? 2. What are the
departure airports for all flights? 3. How many flights depart from each
airport?"]}"

Mempertajam akurasi respons

Anda dapat terus meningkatkan akurasi respons dari alat QueryData Gemini Data Analytics dengan menambahkan konteks tambahan. Gunakan agen rekayasa konteks untuk membuat konteks, lalu upload file set konteks yang diperbarui ke agen data flights-assistant yang ada. Untuk mengetahui informasi selengkapnya, lihat Mengelola set konteks di Cloud SQL Studio. Konsol akan segera menyerap konteks baru setelah Anda menguploadnya, sehingga Anda dapat meningkatkan akurasi agen tanpa waktu nonaktif aplikasi.

Beberapa agen

Di lingkungan pengembangan, Anda dapat melakukan pengujian A/B pada beberapa konteks agen data dengan menetapkan nama yang berbeda untuk alat dalam file tools.yaml. Misalnya, Anda dapat membuat konfigurasi tools.yaml yang unik dengan menentukan dua alat cloud-gemini-data-analytics-query dengan nama yang berbeda, seperti cloud_gda_query_tool_v1 dan cloud_gda_query_tool_v2. Penyiapan ini memungkinkan Anda menerapkan logika aplikasi yang secara terprogram memilih versi konteks yang diperlukan dengan memilih nama alat yang sesuai.

Contoh tools.yaml berikut menunjukkan cara menyiapkan beberapa agen data untuk sumber database:

kind: source
name: gda-api-source
type: cloud-gemini-data-analytics
projectId: PROJECT_ID
---
kind: tool
name: cloud_gda_query_tool_v1
type: cloud-gemini-data-analytics-query
source: gda-api-source
context:
  datasourceReferences:
    DB_SOURCE:
      databaseReference: ...
      agentContextReference:
        contextSetId: "V1_YOUR_CONTEXT_SET_ID"
generationOptions: ...
---
kind: tool
name: cloud_gda_query_tool_v2
type: cloud-gemini-data-analytics-query
source: gda-api-source
context:
  datasourceReferences:
    DB_SOURCE:
      databaseReference: ...
      agentContextReference:
        contextSetId: "V2_YOUR_CONTEXT_SET_ID"
generationOptions: ...

Ganti kode berikut:

  • PROJECT_ID: Project ID Google Cloud Anda.
  • V1_YOUR_CONTEXT_SET_ID: ID set konteks untuk versi 1.
  • V2_YOUR_CONTEXT_SET_ID: ID set konteks untuk versi 2.
  • DB_SOURCE: konfigurasi sumber database.

Pembersihan

Setelah Anda selesai mengikuti tutorial ini, hapus resource yang Anda buat untuk menghindari biaya berkelanjutan. Bagian berikut menjelaskan cara menghapus resource ini.

Menghapus set konteks

Sebelum menghapus instance, hapus set konteks yang Anda buat.

  1. Di konsol Google Cloud , buka halaman Cloud SQL.

    Buka Cloud SQL

  2. Pilih instance dari daftar.

  3. Di menu navigasi, klik Cloud SQL Studio.

  4. Login ke Studio menggunakan autentikasi Identity and Access Management.

  5. Di panel Explorer, di samping set konteks Anda, klik View actions ().

  6. Klik Hapus set konteks.

  7. Di jendela Delete context set, masukkan flights-assistant.

  8. Klik Konfirmasi.

Menghapus instance

Saat menghapus instance yang Anda buat di bagian sebelum memulai, Anda juga menghapus semua objek yang Anda buat.

  1. Di konsol Google Cloud , buka halaman Cloud SQL.

    Buka Cloud SQL

  2. Pilih instance dari daftar.

  3. Klik Hapus.

  4. Konfirmasi bahwa Anda ingin menghapus instance dengan memasukkan nama instance dan mengklik Delete.

Langkah berikutnya