Аналитический ИИ-агент для управления дорогами, Аналитический ИИ-агент для управления дорогами

Цель

Агент Roads Management Insights (RMI) ADK предоставляет интерфейс на естественном языке для запросов и анализа данных RMI, хранящихся в Google BigQuery. Используя комплект разработки агентов Google (ADK) и большие языковые модели Gemini, он позволяет пользователям извлекать полезную информацию из больших наборов данных о дорожной сети и трафике без необходимости вручную писать сложные SQL-запросы.

Эталонная архитектура

Архитектура представляет собой иерархическую систему агентов, где корневой агент планирует и координирует взаимодействие с пользователем, делегируя конкретные задачи по извлечению данных и генерации SQL-запросов специализированному субагенту.

Диаграмма архитектуры агента RMI

Компоненты

1. Агент RMI (Корневой агент)

  • Роль : Основной участник диалогового взаимодействия и координатор задач.
  • Обязанности :
    • Поддерживает контекст многоходового диалога.
    • Преобразует запросы на естественном языке в практические аналитические задачи.
    • Делегирует задачи по извлечению структурированных данных агенту BigQuery.
    • Обобщает необработанные табличные данные, возвращаемые субагентом, в краткие, удобочитаемые выводы.

2. Агент BigQuery (суб-агент)

  • Должность : Специализированный агент по переводу SQL-запросов и выполнению операций с базой данных.
  • Обязанности :
    • Преобразует инструкции на естественном языке от корневого агента в оптимизированные SQL-запросы BigQuery.
    • Выполняет запросы непосредственно к настроенному набору данных BigQuery.
    • Возвращает необработанные, неизмененные результаты запроса корневому агенту.

3. Набор данных BigQuery

  • Роль : Разработка облачного аналитического хранилища данных.
  • Содержание : Таблицы Roads Management Insights (RMI), включая historical_travel_time и recent_roads_data , структурированные в соответствии со схемой RMI BigQuery.

4. Google GenAI

  • Роль : Основной механизм логического мышления и генерации языка.
  • Модель : Использует модели Google Gemini (например, gemini-3.5-flash ) для управления работой агентов, понимания естественного языка и генерации SQL-запросов.

Последовательность выполнения

  1. Запрос пользователя : Пользователь задает вопрос на естественном языке (например, «Каково было среднее время в пути по трассе 66 вчера?» ).
  2. Планирование и координация : Агент RMI получает запрос, определяет необходимость получения эмпирических данных о трафике и формулирует конкретную инструкцию по их получению для субагента.
  3. Делегирование : Агент RMI вызывает агент BigQuery , передавая ему структурированную инструкцию и соответствующие временные или пространственные ограничения.
  4. Генерация SQL-запроса : Используя свои знания схемы RMI, агент BigQuery генерирует оптимизированный SQL-запрос BigQuery.
  5. Выполнение и извлечение данных : Агент BigQuery выполняет запрос к базовому набору данных BigQuery и извлекает полученные табличные записи.
  6. Синтез ответа : Агент BigQuery возвращает неизмененные исходные данные агенту RMI , который интерпретирует результаты, устраняет недостающие идентификаторы дорог и формирует понятный ответ на естественном языке для пользователя.

Пример сценария

Вызов

Градостроителю необходимо оценить загруженность дорожной сети мегаполиса, чтобы определить, требуется ли корректировка времени работы светофоров в часы пик вечернего движения транспорта.

Рабочий процесс решения

  1. Запрос пользователя : Планировщик взаимодействует с агентом, используя интерфейс командной строки или веб-интерфейс, задавая следующий вопрос:

    «Определите 5 самых загруженных маршрутов в центре Бостона в прошлую пятницу в 17:00».

  2. Обработка агентов :

    • Агент RMI анализирует запрос. Он определяет целевое местоположение («центр Бостона»), временной интервал («прошлая пятница в 17:00») и аналитическую цель («5 самых загруженных маршрутов»). Он определяет, что «загруженность» следует измерять как отношение продолжительности поездки в реальном времени к продолжительности в статическом режиме ( duration_in_seconds / static_duration_in_seconds ).

    • Он делегирует извлечение данных агенту BigQuery с помощью структурированной инструкции:

      «Найдите участки дорог в центре Бостона и предоставьте список из 5 участков с самым высоким коэффициентом загруженности на пятницу, 9 января 2026 года, в 17:00».

  3. Извлечение данных :

    • Агент BigQuery преобразует эту инструкцию в SQL-запрос, нацеленный на таблицу historical_travel_time , вычисляет коэффициент загруженности и упорядочивает результаты для определения 5 наиболее загруженных сегментов.
    • Он выполняет запрос к BigQuery.
    • BigQuery возвращает необработанные табличные результаты, такие как (segment_id, display_name, duration_in_seconds, static_duration_in_seconds, congestion_ratio) .

  4. Генерация аналитических выводов :

    • Агент BigQuery передает необработанный список сегментов обратно агенту RMI .
    • Агент RMI анализирует записи, обрабатывает участки дорог с отсутствующими отображаемыми названиями или ссылками только на идентификаторы и обобщает данные в сводную информацию для руководства.

    • Агент формирует окончательный ответ:

      «В пятницу, 9 января 2026 года, в 17:00 на самых загруженных участках дорог в центре Бостона время в пути было значительно больше, чем обычно. Вот 5 самых загруженных участков, исходя из соотношения времени в пути с учетом дорожной ситуации и времени в статическом режиме: Route roads/CgkJZ-tTXuNcW4s: Это был самый загруженный участок, время в пути составило 66 секунд по сравнению с 6 секундами в статическом режиме (коэффициент загруженности 11,0x)...»

Пример чата с агентом RMI

Заключение

Благодаря разделению диалогового взаимодействия и синтеза повествования от генерации низкоуровневых SQL-запросов и извлечения данных, иерархическая архитектура RMI ADK Agent устраняет разрыв между сложными хранилищами геопространственных данных и конечными пользователями. Изоляция выполнения базы данных в рамках специализированного субагента способствует модульности, удобству сопровождения и операционной безопасности, позволяя лицам, принимающим решения, быстро извлекать проверяемые данные с помощью естественного языка.

Следующие шаги

  • Настройте под свои нужды : адаптируйте эту многоагентную архитектуру и дизайн подсказок к вашим конкретным геопространственным или организационным задачам.
  • Расширьте возможности с помощью специализированных агентов-планировщиков : интегрируйте выделенного агента-планировщика для организации сложных многоэтапных аналитических рабочих процессов.
  • Интеграция мультимодальных источников данных : обогатите аналитические данные по управлению дорожным движением и дорогами, объединив данные RMI с дополнительными пространственными слоями, такими как погодные явления, графики строительства или данные о происшествиях в режиме реального времени.
  • Развертывание в производственной среде : Переведите свой агент из прототипа в производственную корпоративную среду, следуя руководству по регистрации и управлению агентами ADK, размещенными на платформе Gemini Enterprise Agent Platform .

Авторы

Кел Маркерт | Географ облаков