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。以下是可用的 Data Cloud 连接器：
- BigQuery（在数据注入模式和联合查询模式 [预览版] 中可用）
- Spanner（在数据注入模式和联合查询模式 [预览版] 中可用）
- Cloud SQL（在数据注入模式和联合查询模式 [预览版] 中可用）
- AlloyDB for PostgreSQL（在数据注入模式和联合查询模式 [预览版] 中可用）
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）会自动在 Gemini Enterprise 应用的助理标签页中启用，而不是作为单独的数据存储区启用，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 连接器旨在助力对话式分析，让企业用户和分析师能够使用自然语言提问、探索数据，并在 Gemini Enterprise 应用中生成分析洞见。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 中或可在 BigQuery 中使用的结构化数据。
- 实时运营数据库分析洞见（Spanner、Cloud SQL 和 AlloyDB for PostgreSQL）：跨关系型和分布式数据库运行实时分析查询和授权数据库操作。
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，而不会将其复制或编入 Gemini Enterprise 数据存储区：
- Model Context Protocol (MCP) 和每用户身份验证：每个 Data Cloud 连接器都由第一方 (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证（Identity and Access Management [IAM] 权限或 OAuth 2.1）对请求进行身份验证，并直接针对底层数据源执行查询。
- 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（派生自技术元数据、历史查询模式和 LLM 推理）。
- 实时查询构建和执行：智能体使用从 Knowledge Catalog 检索到的架构和业务上下文，构建 SQL 查询并调用连接器的 MCP 工具，以返回受管控的实时结果。
第一方 Data Cloud 连接器相比自定义 MCP 服务器的优势
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：
- 内置技能，可提高回答质量：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），可提高查询准确性和回答质量。
- 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 中间件或为Google Cloud 服务管理自己的 OAuth 客户端配置。此外，连接器专属设置（例如确定性地指定用于 BigQuery 查询执行的默认 Google Cloud 结算项目）可帮助管理员实施治理并管理查询费用。
何时使用 Data Cloud 连接器，何时使用对话式分析数据智能体
您可以使用 Data Cloud 连接器（直接在 Gemini Enterprise 中提供低摩擦、广泛访问的连接）或对话式分析数据智能体（专为精选数据集打造的领域专家，可确保高准确性），将数据连接到 Gemini Enterprise。
下表比较了这两种方法，可帮助您选择适合自己应用场景的方法：
| 特征 | Data Cloud 连接器 | 对话式分析数据智能体 |
|---|---|---|
| 适用场景 | 直接在 Gemini Enterprise 中跨多个数据库、数据仓库和 BI 来源实现广泛、低摩擦的数据访问，无需预先进行架构整理。 | 精选的特定领域分析，其中高查询准确率至关重要，并且专用专家智能体需要对特定数据进行严格、确定的范围限定。 |
| 查询准确性和验证 | 使用目录元数据和一般技能，在广泛的架构中动态制定查询。在没有明确表范围或经过验证的查询的情况下，复杂或规范化的关系型数据库架构的查询准确率可能会有所不同。 | 使用精选架构、重点关注的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率和确定性结果。 |
| 资源范围 | 广泛访问权限：访问关联数据源中经过身份验证的用户有权查询的所有资源（由 Knowledge Catalog 和技能引导）。 | 确定性范围限定：以确定性方式将代理限制为一组特定的预选数据集或表。 |
| 多来源查询和上下文 | 可以在单次对话中联接和查询多个关联的数据源；Gemini Enterprise 根智能体会在整个对话和所有 Gemini Enterprise 体验（对话、提示、智能体和工作流设计器以及项目）中保留完整上下文。 | 每个数据智能体仅限于单个数据源（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，并且子智能体交接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，即可立即提供所有用户可访问的数据，而无需手动整理架构。 | 前期精选权衡：需要选择表、定义指标和 KPI，以及编写经过验证的查询。这种预先整理可产生确定、可靠的查询结果。 |
| 性能和结算注意事项 | 在庞大的数据资产中发现表可能会导致额外的延迟，并且需要依赖维护良好的元数据和技能来确保准确性。 | 领域精选上下文可以提高目标工作负载的准确率，但对话分析数据智能体会产生数据 token 费用。 |
创建和发布对话式分析数据智能体
为了在关系型数据库和目标业务指标上实现高查询准确率，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：
- 将 Spanner 数据智能体发布到 Gemini Enterprise
- 将 Cloud SQL 数据智能体发布到 Gemini Enterprise
- 将 AlloyDB for PostgreSQL 数据智能体发布到 Gemini Enterprise
- BigQuery 中的对话式分析
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一连接器类型的操作相关联。
- 针对关系型数据库的联合查询没有表范围或经过验证的查询。查询准确率可能会因复杂的事务型数据库（例如 AlloyDB for PostgreSQL、Cloud SQL、Spanner）架构而异。
后续步骤
- 如需了解内置分析工具的工作原理，以及如何通过技能和 Knowledge Catalog 提供组织背景信息，请参阅使用对话式分析的 Data Cloud 连接器的最佳实践。
- 如需了解支持的安全控制措施（DRZ、CMEK 和 VPC Service Controls）以及组织政策配置，请参阅保护 Data Cloud 连接器。
- 如需了解 Knowledge Catalog 如何与 Data Cloud 连接器搭配使用，以及如何在应用的助理配置中管理 Knowledge Catalog，请参阅连接到 Knowledge Catalog。
- 如需创建和配置与 BigQuery 的连接器，请参阅连接到 BigQuery。
- 如需使用 Spanner 创建和配置连接器，请参阅连接到 Spanner。
- 如需使用 Cloud SQL 创建和配置连接器，请参阅连接到 Cloud SQL。
- 如需创建和配置 AlloyDB for PostgreSQL 连接器，请参阅连接到 AlloyDB for PostgreSQL。