KI-Agent für Roads Management Insights

Wichtig :Bevor Sie Daten aus Roads Management Insights abfragen können, müssen Sie zuerst das Boston RMI Demo Sharing-Dataset abonnieren (oder ein Abo für das RMI-Dataset für Ihren Standort erwerben) und Zugriff auf die Gemini API haben.

Ziel

Der RMI-ADK-Agent (Roads Management Insights) bietet eine Schnittstelle in natürlicher Sprache zum Abfragen und Analysieren von RMI-Daten, die in Google BigQuery gespeichert sind. Mithilfe des Agent Development Kit (ADK) von Google und der Large Language Models von Gemini können Nutzer umsetzbare Statistiken aus umfangreichen Straßennetz- und Verkehrsdatasets extrahieren, ohne manuell komplexe SQL-Abfragen schreiben zu müssen.

Referenzarchitektur

Die Architektur besteht aus einem hierarchischen Agentsystem, in dem ein Stamm-Agent Nutzerinteraktionen plant und orchestriert und bestimmte Aufgaben zum Abrufen von Daten und zum Generieren von SQL an einen spezialisierten Sub-Agenten delegiert.

Komponenten

1. RMI-Agent (Root-Agent)

• Rolle: Primäre dialogorientierte Schnittstelle und Aufgaben-Orchestrator.
• Verantwortlichkeiten:
  • Der Kontext von Multi-Turn-Unterhaltungen wird beibehalten.
  • Zerlegt Anfragen in natürlicher Sprache in umsetzbare Analyseaufgaben.
  • Delegiert Aufgaben zum Abrufen strukturierter Daten an den BigQuery-Agent.
  • Fasst die vom Sub-Agent zurückgegebenen tabellarischen Rohdaten in prägnante, menschenlesbare Insights zusammen.

2. BigQuery-Agent (Unteragent)

• Rolle: Spezialisierter Agent für die SQL-Übersetzung und die Ausführung von Datenbanken.
• Verantwortlichkeiten:
  • Übersetzt Anweisungen in natürlicher Sprache vom Root Agent in optimierte BigQuery-SQL-Abfragen.
  • Führt Abfragen direkt für das konfigurierte BigQuery-Dataset aus.
  • Gibt unveränderte Rohdaten der Abfrageergebnisse an den Root-Agenten zurück.

3. BigQuery-Dataset

• Rolle: Cloudnatives analytisches Data Warehouse.
• Inhalte: RMI-Tabellen (Roads Management Insights), einschließlich historical_travel_time und recent_roads_data, die gemäß dem RMI-BigQuery-Schema strukturiert sind.

4. Google GenAI

• Rolle: Kern-Engine für Reasoning und Sprachgenerierung.
• Modell: Nutzt Google Gemini-Modelle (z.B. gemini-3.5-flash) für die Agent-Orchestrierung, das Verarbeiten natürlicher Sprache und die SQL-Generierung.

Ablauf der Ausführung

1. Nutzeranfrage: Der Nutzer stellt eine Frage in natürlicher Sprache, z.B. „Wie hoch war die durchschnittliche Reisezeit auf der Route 66 gestern?“.
2. Planung und Orchestrierung: Der RMI-Agent empfängt die Anfrage, stellt fest, dass empirische Verkehrsdaten erforderlich sind, und formuliert eine spezifische Abrufanweisung für den Sub-Agent.
3. Delegierung: Der RMI-Agent ruft den BigQuery-Agenten mit der strukturierten Anleitung und den relevanten zeitlichen oder räumlichen Einschränkungen auf.
4. SQL-Generierung: Der BigQuery-Agent nutzt sein Wissen über das RMI-Schema, um eine optimierte BigQuery-SQL-Abfrage zu generieren.
5. Ausführung und Datenabruf: Der BigQuery-Agent führt die Abfrage für das zugrunde liegende BigQuery-Dataset aus und ruft die resultierenden tabellarischen Datensätze ab.
6. Antwortsynthese: Der BigQuery-Agent gibt die unveränderten Rohdaten an den RMI-Agent zurück, der die Ergebnisse interpretiert, fehlende Straßen-IDs auflöst und eine klare Antwort in natürlicher Sprache für den Nutzer erstellt.

Beispielszenario

Die Herausforderung

Ein Stadtplaner muss die Verkehrsstaus in einem städtischen Straßennetz bewerten, um festzustellen, ob die Ampelzeiten während der Hauptverkehrszeiten am Abend angepasst werden müssen.

Lösungs-Workflow

1. Nutzeranfrage: Der Planer interagiert mit dem Agenten über die Befehlszeile oder die Web-UI und fragt:

   „Ermittle die fünf am stärksten überlasteten Routen in der Innenstadt von Boston am letzten Freitag um 17:00 Uhr.“

2. Agent-Verarbeitung:

   • Der RMI-Agent parst die Anfrage. Sie gibt den Zielort („downtown Boston“), das Zeitfenster („last Friday at 5PM“) und das analytische Ziel („top 5 most congested routes“) an. Sie legt fest, dass „Stau“ als Verhältnis der Echtzeit-Fahrtdauer zur statischen Dauer (duration_in_seconds / static_duration_in_seconds) gemessen werden soll.

   • Die Daten werden mit einer strukturierten Anleitung an den BigQuery-Agent delegiert:

     „Finde Straßenabschnitte in der Innenstadt von Boston und gib die fünf mit dem höchsten Stauverhältnis für Freitag, den 9. Januar 2026, um 17:00 Uhr zurück.“

3. Datenabruf:

   • Der BigQuery-Agent übersetzt diese Anweisung in eine SQL-Abfrage, die auf die Tabelle historical_travel_time ausgerichtet ist. Dabei wird das Stauverhältnis berechnet und die Ergebnisse werden sortiert, um die fünf wichtigsten Segmente zu ermitteln.
   • Die Abfrage wird für BigQuery ausgeführt.
   • BigQuery gibt tabellarische Rohdaten zurück, z. B. (segment_id, display_name, duration_in_seconds, static_duration_in_seconds, congestion_ratio).

4. Insight-Generierung:

   • Der BigQuery-Agent gibt die Rohliste der Segmente an den RMI-Agent zurück.
   • Der RMI-Agent analysiert die Datensätze, verarbeitet Straßensegmente mit fehlenden Anzeigenamen oder Referenzen, die nur aus Kennungen bestehen, und fasst die Daten in einer Zusammenfassung zusammen.

   • Der Agent erstellt die endgültige Antwort:

     „Am Freitag, 9. Januar 2026, um 17:00 Uhr, waren die Reisezeiten auf den am stärksten überlasteten Routen in der Innenstadt von Boston deutlich länger als die üblichen statischen Reisezeiten. Hier sind die fünf am stärksten überlasteten Segmente, basierend auf dem Verhältnis von verkehrsabhängiger Dauer zu statischer Dauer: Route roads/CgkJZ-tTXuNcW4s: Dies war das am stärksten überlastete Segment mit einer Reisezeit von 66 Sekunden im Vergleich zu einer statischen Dauer von nur 6 Sekunden (ein Überlastungsverhältnis von 11,0x)...“

Fazit

Durch die Entkopplung von Konversationsinteraktion und Narrativsynthese von der SQL-Generierung und dem Datenabruf auf niedriger Ebene schließt die hierarchische RMI-ADK-Agentenarchitektur die Lücke zwischen komplexen georäumlichen Data Warehouses und Endnutzern. Durch die Isolierung der Datenbankausführung in einem spezialisierten Sub-Agenten werden Modularität, Wartungsfreundlichkeit und Betriebssicherheit gefördert. Gleichzeitig können Entscheidungsträger schnell überprüfbare Erkenntnisse in natürlicher Sprache gewinnen.

Nächste Schritte

• An Ihren Anwendungsfall anpassen: Passen Sie diese Architektur mit mehreren Agenten und das Prompt-Design an Ihre spezifischen raumbezogenen oder organisatorischen Anwendungsfälle an.
• Mit speziellen Planner-Agents erweitern: Sie können einen speziellen Planner-Agent einbinden, um komplexe, mehrstufige Analyse-Workflows zu orchestrieren.
• Multimodale Datenquellen einbinden: Sie können die Erkenntnisse zum Verkehrs- und Straßenmanagement verbessern, indem Sie RMI-Daten mit zusätzlichen räumlichen Layern wie Wetterereignissen, Bauzeitplänen oder Live-Feeds zu Vorfällen kombinieren.
• In der Produktion bereitstellen: Überführen Sie Ihren Agenten vom Prototyp in eine Produktionsumgebung für Unternehmen. Folgen Sie dazu der Anleitung zum Registrieren und Verwalten von ADK-Agenten, die auf der Gemini Enterprise Agent Platform gehostet werden.

Beitragende

Kel Markert | Cloud Geographer