谷歌在其BigQuery数据仓库中新增了对话式分析功能，该公司表示这将允许企业数据团队和业务用户以自然语言的方式询问数据相关问题，从而加速AI应用场景的数据分析工作。
对话式分析智能体的工作原理
这个目前处于预览阶段的智能体，可以在BigQuery新的智能体中心内的对话标签页中找到，通过指向数据表来激活。分析师表示，它扩展了数据仓库现有的文本转SQL功能。
Avasant首席分析师Abhisekh Satapathy说："BigQuery已经提供了数据画布等功能来简化查询生成和可视化探索。智能体带来的改变不是用简单语言提问的能力，而是能够与数据进行多步骤的上下文对话，这可以定义为对话式分析。"
Satapathy补充道："新智能体不再把每个提示当作一次性请求来处理，而是记住之前问过的问题，包括数据集、筛选条件、时间范围和假设，并在回答后续问题时使用这些上下文信息。这让用户能够逐步完善分析，而不必每次都从头开始。"
Satapathy指出，这减轻了开发人员预建仪表板或预定义业务逻辑来回答数据分析师或业务用户可能提出的每个问题的压力。
他说："团队不需要预先编码所有场景，而是可以让智能体动态解释用户意图，同时仍然执行已在BigQuery中定义的访问控制、指标定义和治理规则。"
自定义智能体工具的企业应用
除了智能体功能外，谷歌还在智能体中心增加了通过API端点构建、部署和管理跨应用程序和操作工作流程的自定义智能体的工具。
据Satapathy介绍，这些工具解决了三个实际的企业需求："它减少了工具间分析逻辑的重复，确保所有分析用户的定义和策略一致，并集中访问控制和审计，而不是在每个应用程序中单独实现。"
Satapathy补充说，重复工作的减少也解放了开发人员，因为他们不再需要重复构建解释用户问题、将问题映射到数据集、应用安全规则或解释结果的逻辑。
自定义智能体也可以通过具有内置对话式分析功能的Looker来部署。
BigQuery的自然语言功能发展历程
在过去几个月中，谷歌一直在向BigQuery添加自然语言和SQL功能，以帮助开发人员和数据分析师进行SQL查询。
本月早些时候，谷歌预览了注释转SQL功能，旨在让开发人员和数据分析师在SQL注释中编写自然语言指令，并通过Gemini在BigQuery Studio内将其翻译为可执行查询。
去年11月，谷歌新增了三个基于AI的SQL托管函数——AI.IF、AI.CLASSIFY和AI.SCORE——以帮助企业用户降低运行大规模分析的复杂性，特别是对非结构化数据的分析。8月份，谷歌对BigQuery中的数据工程和数据科学智能体进行了增量更新。
Snowflake和Databricks等竞争对手也一直在为其产品准备自然语言转SQL功能。
虽然Databricks已经提供了AI函数，可以直接从SQL或Python应用生成式AI或大语言模型推理，但Snowflake提供AI_PARSE_DOCUMENT、AISQL和Cortex函数，用于文档解析、语义搜索和AI驱动的分析。其他数据仓库，如甲骨文的自主数据仓库，也支持AI工作流程和SQL。
Q&A
Q1：BigQuery的对话式分析智能体有什么特别之处？
A：BigQuery的对话式分析智能体不仅能理解自然语言查询，更重要的是它具备上下文记忆能力。它会记住之前的问题、数据集、筛选条件和时间范围，在回答后续问题时利用这些上下文信息，让用户能够进行多步骤的连续对话分析。
Q2：自定义智能体工具能解决什么企业问题？
A：自定义智能体工具主要解决三个企业需求：减少跨工具的分析逻辑重复、确保所有分析用户的定义和策略一致性、集中管理访问控制和审计功能。这样开发人员就不必重复构建解释用户问题、数据映射和安全规则的逻辑。
Q3：目前有哪些竞争对手也在开发类似的功能？
A：Snowflake和Databricks等主要竞争对手都在开发自然语言转SQL功能。Databricks提供AI函数用于生成式AI推理，Snowflake提供文档解析、语义搜索等AI功能，甲骨文的自主数据仓库也支持AI工作流程。
