连接到 Data Cloud

借助 Gemini Enterprise Data Cloud 连接器，您可以将 Gemini Enterprise 应用直接连接到 Google Cloud 分析和运营数据源。以下 Data Cloud 连接器可用：

当您在联合查询 模式下连接 BigQuery、Spanner、 Cloud SQL 或 AlloyDB for PostgreSQL 数据存储区时， Knowledge Catalog （预览版）会在 Gemini Enterprise 应用的 Assistant （助理）标签页中自动启用，而不是作为单独的数据存储区，以便为 智能体提供工具来搜索用户有权访问的数据并查找上下文。

使用场景

Data Cloud 连接器旨在为对话式分析提供支持，让业务用户和分析师能够在 Gemini Enterprise 应用中使用自然语言提问、探索数据和生成洞见。示例使用场景包括：

  • BigQuery 分析：使用自然语言 提示查询和分析 BigQuery 中驻留的或可在 BigQuery 中使用的结构化数据。
  • 实时运营数据库洞见（Spanner、Cloud SQL 和 AlloyDB for PostgreSQL）: 跨关系型数据库和分布式数据库运行实时分析查询和授权的数据库操作。

Data Cloud 连接器的工作原理

在数据注入模式下，Data Cloud 连接器会将数据从数据源复制到 Gemini Enterprise 数据存储区。

在联合查询模式下，Data Cloud 连接器会就地查询数据，而无需将其复制到 Gemini Enterprise 数据存储区或在其中建立索引：

  1. Model Context Protocol (MCP) 和按用户身份验证：每个 Data Cloud 连接器均由第一方 (1P) MCP 服务器提供支持。当用户提出问题时，Gemini Enterprise 会使用用户自己的凭据（Identity and Access Management (IAM) 权限或 OAuth 2.1）对请求进行身份验证，并直接针对基础数据源执行查询。
  2. 使用 Knowledge Catalog 进行语义发现和上下文检索：当 用户提出数据问题时，Gemini Enterprise 根智能体会使用 内置的 Knowledge Catalog 工具搜索用户有权访问的数据资产并查找 上下文，包括相关表、架构、业务术语库术语和 丰富元数据（源自技术元数据、历史查询 模式和 LLM 推理）。
  3. 实时查询制定和执行：智能体使用从 Knowledge Catalog 检索到的架构和业务 上下文制定 SQL 查询，并调用连接器的 MCP 工具以返回受治理的 实时结果。

与自定义 MCP 服务器相比，第一方 Data Cloud 连接器的优势

与使用通用自定义 MCP 服务器数据存储区连接到公共或自行管理的 MCP 服务器相比，第一方 Data Cloud 连接器具有以下优势：

  1. 内置技能，可提高响应质量：第一方连接器 包含针对每个数据引擎量身定制的预配置智能体技能（例如 针对 BigQuery 和 数据库的高级 SQL 和 AI 函数生成），以提高查询准确性和响应质量。
  2. 简化的设置和托管式身份验证：第一方连接器 提供引导式设置体验，并为 Google Cloud 数据库和 BigQuery 提供托管式身份验证，无需 部署 MCP 中间件或管理自己的 OAuth 客户端配置 Google Cloud 服务。 此外，连接器专用设置（例如确定性地 为 BigQuery 查询执行指定默认 Google Cloud 结算项目）有助于管理员强制执行治理和管理查询 费用。

Data Cloud 连接器与对话式分析数据智能体的适用场景

您可以使用 Data Cloud 连接器 （在 Gemini Enterprise 中直接建立低摩擦、广泛访问的连接）或对话式分析数据智能体 （专门构建的领域专家，限定于经过整理的数据集以确保高准确性）将数据连接到 Gemini Enterprise。

下表对这两种方法进行了比较，可帮助您为自己的使用场景选择合适的方法：

特征 Data Cloud 连接器 对话式分析数据智能体
适用场景 在 Gemini Enterprise 中直接跨多个数据库、数据仓库和 BI 来源进行广泛、低摩擦的数据访问，无需预先整理架构。 经过整理的特定领域分析，其中高查询准确性至关重要，并且专用专家智能体需要严格确定性地限定于特定数据。
查询准确性和验证 使用目录元数据和通用技能跨广泛架构动态制定查询。对于没有明确表范围或经过验证的查询的复杂或规范化关系型数据库架构，查询准确性可能会有所不同。 使用经过整理的架构、重点表和列范围以及经过验证的查询（黄金 SQL），在目标数据集上提供高查询准确性和确定性结果。
资源范围 广泛访问：访问经过身份验证的用户有权查询的连接数据源中的所有资源（由 Knowledge Catalog 和技能引导）。 确定性范围：确定性地将智能体限定于一组预先选择的数据集或表。
多来源查询和上下文 可以在单个对话中联接和查询多个连接的数据源；Gemini Enterprise 根智能体在整个对话和所有 Gemini Enterprise 体验（聊天、提示、智能体和工作流设计器以及项目）中保留完整上下文。 每个数据智能体都限定于单个数据源（例如，BigQuery 数据智能体仅查询 BigQuery）；用户必须发现并路由到特定智能体，并且子智能体切换可能无法保留完整的根对话上下文。
设置和维护 快速配置：为每种数据源类型配置一个连接器，以便立即提供所有用户可访问的数据，而无需手动整理架构。 预先整理的权衡：需要选择表、定义指标和 KPI，以及编写经过验证的查询。这种预先整理会产生确定性、可靠的查询结果。
性能和结算注意事项 跨广泛数据资产发现表可能会引入额外的延迟，并且需要维护良好的元数据和技能才能确保准确性。 领域整理的上下文可以在目标工作负载上产生更高的准确性，但对话式分析数据智能体会产生数据令牌费用。

创建和发布对话式分析数据智能体

如需在关系型数据库和目标业务指标上实现高查询准确性，您可以创建限定范围的对话式分析数据智能体并将其发布到 Gemini Enterprise：

限制

  • 创建新应用或向现有应用添加数据存储区时，建议仅将一个数据存储区与属于单个连接器类型的操作相关联。

  • 关系型数据库上的联合查询没有表范围或经过验证的查询。对于复杂的事务型数据库（例如 AlloyDB for PostgreSQL、Cloud SQL、Spanner）架构，查询准确性可能会有所不同。

后续步骤