Tác nhân AI của Roads Management Insights

Lưu ý quan trọng: Trước khi có thể truy vấn dữ liệu Roads Management Insights, trước tiên, bạn phải đăng ký tập dữ liệu Chia sẻ bản minh hoạ RMI của Boston (hoặc mua gói thuê bao tập dữ liệu RMI cho vị trí của bạn) và có quyền truy cập vào Gemini API.

Mục tiêu

Tác nhân ADK của Roads Management Insights (RMI) cung cấp một giao diện ngôn ngữ tự nhiên để truy vấn và phân tích dữ liệu RMI được lưu trữ trong Google BigQuery. Bằng cách tận dụng Agent Development Kit (ADK) và các mô hình ngôn ngữ lớn Gemini của Google, ứng dụng này cho phép người dùng trích xuất thông tin chi tiết hữu ích từ các tập dữ liệu giao thông và mạng lưới đường bộ quy mô lớn mà không cần viết các truy vấn SQL phức tạp theo cách thủ công.

Kiến trúc tham chiếu

Cấu trúc này bao gồm một hệ thống tác nhân phân cấp, trong đó một tác nhân gốc lập kế hoạch và điều phối các hoạt động tương tác của người dùng, uỷ quyền các tác vụ truy xuất dữ liệu và tạo SQL cụ thể cho một tác nhân phụ chuyên biệt.

Thành phần

1. Tác nhân RMI (Tác nhân gốc)

• Vai trò: Giao diện trò chuyện chính và công cụ điều phối tác vụ.
• Trách nhiệm:
  • Duy trì ngữ cảnh trò chuyện nhiều lượt.
  • Phân tích các yêu cầu bằng ngôn ngữ tự nhiên thành các nhiệm vụ phân tích có thể hành động.
  • Uỷ quyền các tác vụ truy xuất dữ liệu có cấu trúc cho BigQuery Agent.
  • Tổng hợp dữ liệu thô dạng bảng do tác nhân phụ trả về thành thông tin chi tiết ngắn gọn, dễ đọc.

2. Tác nhân BigQuery (Tác nhân phụ)

• Vai trò: Tác nhân chuyên biệt về dịch SQL và thực thi cơ sở dữ liệu.
• Trách nhiệm:
  • Dịch các chỉ dẫn bằng ngôn ngữ tự nhiên từ Tác nhân gốc thành các truy vấn SQL được tối ưu hoá của BigQuery.
  • Thực hiện các truy vấn trực tiếp dựa trên tập dữ liệu BigQuery đã định cấu hình.
  • Trả về kết quả truy vấn thô, không thay đổi cho Root Agent.

3. Tập dữ liệu BigQuery

• Vai trò: Kho dữ liệu phân tích gốc trên đám mây.
• Nội dung: Bảng Roads Management Insights (RMI), bao gồm historical_travel_time và recent_roads_data, được cấu trúc theo lược đồ RMI BigQuery.

4. Google GenAI

• Vai trò: Công cụ tạo ngôn ngữ và lập luận cốt lõi.
• Mô hình: Tận dụng các mô hình Google Gemini (ví dụ: gemini-3.5-flash) để hỗ trợ việc điều phối tác nhân, hiểu ngôn ngữ tự nhiên và tạo SQL.

Luồng thực thi

1. Yêu cầu của người dùng: Người dùng gửi một câu hỏi bằng ngôn ngữ tự nhiên (ví dụ: "Thời gian di chuyển trung bình trên Quốc lộ 66 hôm qua là bao nhiêu?").
2. Lập kế hoạch và điều phối: RMI Agent nhận được yêu cầu, xác định rằng cần có dữ liệu lưu lượng truy cập thực nghiệm và đưa ra một chỉ dẫn truy xuất cụ thể cho tác nhân phụ.
3. Uỷ quyền: Tác nhân RMI gọi Tác nhân BigQuery bằng hướng dẫn có cấu trúc và các ràng buộc tạm thời hoặc không gian có liên quan.
4. Tạo SQL: Tận dụng kiến thức về giản đồ RMI, BigQuery Agent sẽ tạo một truy vấn SQL BigQuery được tối ưu hoá.
5. Thực thi và truy xuất dữ liệu: BigQuery Agent thực thi truy vấn dựa trên tập dữ liệu BigQuery cơ bản và truy xuất các bản ghi dạng bảng thu được.
6. Tổng hợp câu trả lời: BigQuery Agent trả về dữ liệu thô chưa được sửa đổi cho RMI Agent. RMI Agent sẽ diễn giải kết quả, giải quyết các giá trị nhận dạng đường bị thiếu và tạo một câu trả lời rõ ràng bằng ngôn ngữ tự nhiên cho người dùng.

Tình huống ví dụ

Thách thức

Một nhà quy hoạch đô thị cần đánh giá tình trạng tắc nghẽn giao thông trên mạng lưới đường bộ của một đô thị để xác định xem có cần điều chỉnh thời gian của tín hiệu giao thông trong giờ cao điểm đi làm về vào buổi tối hay không.

Quy trình giải pháp

1. Truy vấn của người dùng: Lập kế hoạch tương tác với tác nhân bằng CLI hoặc giao diện người dùng trên web, yêu cầu:

   "Xác định 5 tuyến đường tắc nghẽn nhất ở trung tâm thành phố Boston vào lúc 5 giờ chiều thứ Sáu tuần trước."

2. Xử lý yêu cầu của nhân viên hỗ trợ:

   • RMI Agent phân tích cú pháp yêu cầu. Câu hỏi này xác định vị trí mục tiêu ("trung tâm thành phố Boston"), khung thời gian ("5 giờ chiều thứ Sáu tuần trước") và mục tiêu phân tích ("5 tuyến đường tắc nghẽn nhất"). Nó xác định rằng "tình trạng tắc nghẽn" phải được đo lường bằng tỷ lệ giữa thời gian di chuyển theo thời gian thực và thời gian tĩnh (duration_in_seconds / static_duration_in_seconds).

   • Công cụ này uỷ quyền truy xuất dữ liệu cho Tác nhân BigQuery bằng một chỉ dẫn có cấu trúc:

     "Tìm các đoạn đường ở trung tâm Boston và trả về 5 đoạn đường có tỷ lệ tắc nghẽn cao nhất vào lúc 5 giờ chiều thứ Sáu, ngày 9 tháng 1 năm 2026."

3. Truy xuất dữ liệu:

   • Tác nhân BigQuery sẽ dịch chỉ dẫn này thành một truy vấn SQL nhắm đến bảng historical_travel_time, tính toán tỷ lệ tắc nghẽn và sắp xếp kết quả để xác định 5 đoạn đường hàng đầu.
   • Thao tác này sẽ thực thi truy vấn đối với BigQuery.
   • BigQuery trả về kết quả dạng bảng thô, chẳng hạn như (segment_id, display_name, duration_in_seconds, static_duration_in_seconds, congestion_ratio).

4. Tạo thông tin chi tiết:

   • BigQuery Agent sẽ chuyển danh sách phân khúc thô trở lại RMI Agent.
   • Tác nhân RMI phân tích các bản ghi, xử lý các đoạn đường có tên hiển thị bị thiếu hoặc chỉ có thông tin nhận dạng tham chiếu và tổng hợp dữ liệu thành bản tóm tắt.

   • Tác nhân tạo phản hồi cuối cùng:

     "Vào lúc 5 giờ chiều thứ Sáu, ngày 9 tháng 1 năm 2026, những tuyến đường tắc nghẽn nhất ở trung tâm thành phố Boston có thời gian di chuyển cao hơn đáng kể so với thời gian di chuyển tĩnh thông thường. Sau đây là 5 đoạn đường có mức độ tắc nghẽn cao nhất dựa trên tỷ lệ giữa thời gian có tính đến tình trạng giao thông và thời gian tĩnh: Đường trên tuyến đường/CgkJZ-tTXuNcW4s: Đây là đoạn đường tắc nghẽn nhất, với thời gian di chuyển là 66 giây so với thời gian tĩnh chỉ 6 giây (tỷ lệ tắc nghẽn là 11 lần)..."

Kết luận

Bằng cách tách rời tương tác trò chuyện và tổng hợp nội dung tường thuật khỏi quá trình tạo SQL cấp thấp và truy xuất dữ liệu, kiến trúc RMI ADK Agent theo phân cấp sẽ thu hẹp khoảng cách giữa các kho dữ liệu không gian địa lý phức tạp và người dùng cuối. Việc tách biệt quá trình thực thi cơ sở dữ liệu trong một tác nhân phụ chuyên biệt giúp tăng tính mô-đun, khả năng duy trì và an toàn khi vận hành, đồng thời cho phép người đưa ra quyết định nhanh chóng trích xuất thông tin chi tiết có thể xác minh thông qua ngôn ngữ tự nhiên.

Các bước tiếp theo

• Tuỳ chỉnh cho trường hợp sử dụng của bạn: Điều chỉnh kiến trúc nhiều tác nhân và thiết kế câu lệnh này cho các trường hợp sử dụng cụ thể về không gian địa lý hoặc tổ chức của bạn.
• Mở rộng bằng các tác nhân lập kế hoạch chuyên biệt: Kết hợp một tác nhân lập kế hoạch chuyên dụng để điều phối các quy trình công việc phân tích phức tạp, nhiều bước.
• Tích hợp các nguồn dữ liệu đa phương thức: Làm phong phú thông tin chi tiết về việc quản lý giao thông và đường bộ bằng cách kết hợp dữ liệu RMI với các lớp không gian bổ sung, chẳng hạn như sự kiện thời tiết, lịch trình xây dựng hoặc nguồn cấp dữ liệu sự cố trực tiếp.
• Triển khai cho hoạt động sản xuất: Chuyển tác nhân của bạn từ nguyên mẫu sang môi trường doanh nghiệp sản xuất bằng cách làm theo hướng dẫn để đăng ký và quản lý các tác nhân ADK được lưu trữ trên Nền tảng tác nhân Gemini Enterprise.

Người đóng góp

Kel Markert | Nhà địa lý học về đám mây