Google Cloud đã công bố bộ công cụ (toolset) chính thức dành cho BigQuery, giúp các nhà phát triển tăng tốc xây dựng các AI agent (tác tử AI) có khả năng tương tác an toàn và thông minh với dữ liệu doanh nghiệp. Công cụ này giải quyết bài toán phải tự xây dựng các giải pháp tùy chỉnh vốn tốn kém, rủi ro và làm chậm quá trình đổi mới, cho phép lập trình viên tập trung vào việc tạo ra giá trị kinh doanh.

Khi sự quan tâm dành cho AI agent lan rộng đến các khách hàng doanh nghiệp, một câu hỏi quan trọng được đặt ra: Làm thế nào để trao quyền cho các agent này tương tác một cách an toàn và thông minh với các hệ thống dữ liệu doanh nghiệp như Google Cloud BigQuery? Trước đây, các nhà phát triển xây dựng ứng dụng agentic (ứng dụng sử dụng AI tác tử) buộc phải tự xây dựng và duy trì các công cụ tùy chỉnh của riêng mình, một quy trình chậm chạp, rủi ro và làm họ sao lãng việc xây dựng các ứng dụng sáng tạo.

Để giải quyết vấn đề này, Google Cloud đã giới thiệu một bộ công cụ chính thức mới cho BigQuery bao gồm các công cụ để lấy siêu dữ liệu (metadata) và thực thi các truy vấn:

• list_dataset_ids: Lấy ID của các dataset BigQuery trong một dự án GCP.
• get_dataset_info: Lấy metadata về một dataset BigQuery.
• list_table_ids: Lấy ID của các bảng trong một dataset BigQuery.
• get_table_info: Lấy metadata về một bảng BigQuery.
• execute_sql: Chạy một truy vấn SQL trong BigQuery và lấy kết quả.

Các công cụ chính thức này do Google duy trì, cung cấp một cầu nối an toàn và đáng tin cậy đến dữ liệu của bạn. Doanh nghiệp có thể sử dụng chúng theo hai cách: như một bộ công cụ tích hợp sẵn trong Agent Development Kit (ADK) của Google hoặc thông qua MCP Toolbox for Databases mã nguồn mở và linh hoạt.

Hướng dẫn: Xây dựng AI Agent phân tích dữ liệu

Bài viết hướng dẫn cách xây dựng một agent phân tích hội thoại có thể trả lời các câu hỏi bằng ngôn ngữ tự nhiên. Agent này sẽ truy vấn bộ dữ liệu công khai của BigQuery là thelook_ecommerce – một bộ dữ liệu thương mại điện tử tổng hợp bao gồm chi tiết khách hàng, hàng tồn kho và lịch sử đơn hàng.

Để bắt đầu, bạn cần tạo một môi trường Python và cài đặt ADK. Sau đó, bạn có thể gọi tiện ích adk để tạo một ứng dụng ADK mới có tên bq-agent-app.

Sau khi tạo ứng dụng, bạn cần trang bị cho agent các công cụ để tương tác với BigQuery. Có hai lựa chọn chính để sử dụng bộ công cụ chính thức này.

Lựa chọn 1: Sử dụng bộ công cụ tích hợp sẵn của ADK cho BigQuery

Đây là bộ công cụ chính thức do Google sở hữu và duy trì. Để gán các công cụ này cho agent của bạn, bạn cần nhập BigQueryToolset từ mô-đun agents.tools và sau đó khởi tạo bộ công cụ. Cách tiếp cận này giúp agent kết nối trực tiếp với BigQuery.

Khi các công cụ được triển khai trực tiếp trong một agent, agent hoặc ứng dụng đó phải chịu trách nhiệm quản lý xác thực của nó với BigQuery. Sự coupling (liên kết chặt chẽ) này tạo ra thách thức: các bản cập nhật cho một công cụ hoặc thay đổi trong phương thức kết nối BigQuery của nó sẽ yêu cầu sửa đổi thủ công và triển khai lại cho mọi agent, có thể dẫn đến sự không nhất quán và chi phí bảo trì.

Lựa chọn 2: Sử dụng các công cụ dựng sẵn của BigQuery trong MCP Toolbox for Databases

MCP (Model Context Protocol) Toolbox for Databases là một máy chủ mã nguồn mở giúp tập trung hóa việc lưu trữ và quản lý các bộ công cụ, decoupling (tách biệt) các ứng dụng agentic khỏi tương tác trực tiếp với BigQuery. Thay vì tự quản lý logic công cụ và xác thực, các agent hoạt động như các client của MCP, yêu cầu các công cụ từ Toolbox. MCP Toolbox xử lý tất cả các phức tạp bên dưới, bao gồm kết nối an toàn đến BigQuery, xác thực và thực thi truy vấn.

Cách tiếp cận tập trung này giúp đơn giản hóa việc tái sử dụng công cụ trên nhiều agent, hợp lý hóa việc cập nhật và cung cấp một điểm duy nhất để thực thi các chính sách bảo mật. Để sử dụng, bạn cần cài đặt MCP Toolbox và khởi động máy chủ.

Chạy AI Agent phân tích của bạn

Sau khi gán bộ công cụ (từ ADK hoặc MCP) cho agent, bạn đã sẵn sàng. Bạn có thể chạy agent của mình bằng lệnh adk run hoặc adk web và bắt đầu đặt câu hỏi về dữ liệu của mình.

Agent của bạn sẽ tận dụng các công cụ được xây dựng sẵn để trích xuất siêu dữ liệu của dataset, sau đó tạo và thực thi một truy vấn SQL trong BigQuery để lấy kết quả trả về cho bạn.

Bắt đầu ngay

Doanh nghiệp có thể tham khảo các hướng dẫn chi tiết và bắt đầu xây dựng agent phân tích hội thoại của riêng mình ngay hôm nay:

• Repo với agent mẫu sử dụng bộ công cụ chính thức trong ADK
• Codelab về MCP Toolbox cho BigQuery
• 10 mẹo để bảo vệ dữ liệu (và ngân sách) khi xây dựng agent cho BigQuery