Ringkasan set konteks

Set konteks Knowledge Catalog memungkinkan Anda mengemas skema data, definisi semantik, dan pola kueri yang divalidasi ke dalam container pengetahuan terbatas dan spesifik per domain. Anda dapat menggunakan container ini untuk mendasarkan aplikasi AI otonom, seperti Gemini Enterprise dan agen kustom, pada pengetahuan domain yang terverifikasi.

Dokumen ini ditujukan untuk arsitek data, pimpinan tata kelola, dan engineer AI yang ingin memahami cara set konteks menyusun pengetahuan domain untuk agen AI. Untuk membuat dan mengisi set konteks secara langsung, lihat Mengelola set konteks.

Apa itu set konteks?

Set konteks adalah grup entri (type="context-set") Knowledge Catalog khusus, yang merupakan penampung logis untuk entri metadata dan dokumen pengetahuan. Setiap set konteks mengemas kumpulan informasi semantik dan referensi aset data mandiri untuk domain analisis dan agen AI tertentu.

Di dalam penampung ini, pengetahuan diatur ke dalam entri, yang mewakili konsep bisnis, aset data, atau dokumen individual seperti pedoman, petunjuk, dan materi referensi. Entri ini diperkaya dengan aspek, yang merupakan atribut metadata modular yang menyimpan detail spesifik seperti istilah bisnis, template SQL, dan dokumentasi Markdown.

Diagram berikut menunjukkan cara agen AI mengkueri set konteks, termasuk indeks root, entri domain, aspek, dan aset data yang direferensikan:

Daripada memaksa agen menelusuri seluruh katalog perusahaan, yang menyebabkan latensi, membuang token perintah, dan berisiko menghasilkan jawaban halusinasi, set konteks membuat container pengetahuan yang kedap dan tercakup dalam domain yang dapat dikonsultasikan oleh agen dengan presisi tinggi.

Karena set konteks berfungsi sebagai container administratif, Anda dapat mengatur metadata berdasarkan kepemilikan project dan menerapkan kebijakan kontrol akses Identity and Access Management (IAM) di semua entri yang dipaketkan sekaligus tanpa mengonfigurasi izin satu per satu. Untuk mengetahui informasi selengkapnya tentang grup entri, entri, dan aspek, lihat Tentang pengelolaan metadata.

Persyaratan grounding agen AI

Saat organisasi men-deploy agen AI otonom (seperti Gemini Enterprise, Antigravity, dan agen Agent Development Kit kustom) untuk mengorkestrasi alur kerja data dan menghasilkan analisis, agen memerlukan grounding yang andal:

• Definisi semantik: Apa arti kolom atau metrik tertentu dalam istilah bisnis?
• Pola kueri yang divalidasi: Bagaimana pakar domain berhasil membuat kueri dan menggabungkan tabel ini?
• Aturan operasional: Kebijakan bisnis, kriteria pengecualian, dan prosedur operasi standar (SOP) apa yang mengatur data ini?

Cara mengisi set konteks

Anda dapat mengisi entri dalam set konteks dengan menjalankan tugas pengayaan otonom yang menganalisis skema, log kueri, dan sinyal pengetahuan Anda. Untuk mengetahui informasi selengkapnya, lihat Membuat tugas pengayaan.

Karena set konteks adalah grup entri khusus (type="context-set"), Anda juga dapat membuat dan memperbarui entrinya secara terprogram menggunakan Google Cloud CLI, library klien, atau Dataplex API. Untuk mengetahui informasi selengkapnya, lihat Mengelola entri dan menyerap sumber kustom.

Jenis dan struktur entri set konteks

Entri dalam set konteks menggunakan jenis entri sistem Document (projects/dataplex-types/locations/global/entryTypes/document) atau Query Template (projects/dataplex-types/locations/global/entryTypes/query-template), ID entri hierarkis, dan aspek metadata berdasarkan pengetahuan yang disimpan. Bagian berikut menjelaskan struktur entri dan kategori entri inti yang mendasari agen AI.

Struktur entri agen pengayaan otomatis

Saat tugas pengayaan mengisi set konteks, agen pengayaan akan membuat entri yang dihasilkan menggunakan jenis entri sistem Document (projects/dataplex-types/locations/global/entryTypes/document) dengan aspek document dan overview yang diperlukan. Agen mengatur entri yang dihasilkan ini ke dalam hierarki pengungkapan progresif menggunakan ID entri yang dipisahkan garis miring (/) dan membedakan peran setiap entri menggunakan kolom document.type:

Diagram berikut menggambarkan cara set konteks yang diperkaya (thelook-context) mengatur entrinya di bawah indeks root agents (context-set). Tingkat direktori navigasi (knowledge-base-index) mengelompokkan entri konteks tabel (table-context dengan jumlah kueri SQL terlampir) di bawah assets/bigquery/cymbal-style/thelook/* dan mengelompokkan panduan domain (knowledge-base) dan istilah bisnis (concept) di bawah documents/*:

Selain entri Document yang dihasilkan oleh tugas pengayaan, set konteks dapat berisi entri Query Template (projects/dataplex-types/locations/global/entryTypes/query-template) mandiri yang dibuat secara terprogram melalui Google Cloud CLI, library klien, atau Dataplex API. Saat tugas pengayaan berjalan pada set konteks yang berisi entri Template Kueri bersertifikasi, agen pengayaan akan mempertahankan entri tersebut tanpa mengubah atau menghapusnya. Untuk mengetahui informasi selengkapnya, lihat bagian Template kueri dalam dokumen ini.

Aset data

Entri aset data (document.type: "table-context" di assets/bigquery/PROJECT_ID/DATASET_ID/TABLE_ID) menangkap petunjuk khusus domain, peringatan kolom, petunjuk penggabungan, dan contoh SQL terverifikasi untuk tabel tertentu tanpa menimpa deskripsi tabel fisik di BigQuery. Setiap entri aset data ditautkan ke aset katalog targetnya melalui link entri reference terarah (projects/dataplex-types/locations/global/entryLinkTypes/reference).

Contoh representasi resource:

name: projects/cymbal-style/locations/us-central1/entryGroups/online-apparel-store/entries/assets/bigquery/cymbal-style/store/orders
entryType: projects/dataplex-types/locations/global/entryTypes/document
aspects:
  dataplex-types.global.document:
    type: "table-context"
  dataplex-types.global.overview:
    content: "## Orders table context\nJoin `store.orders` to `store.returns` on `order_id` when calculating net sales..."

Konsep bisnis

Entri konsep bisnis (document.type: "concept" di documents/concepts/CONCEPT_ID) menentukan terminologi bisnis, metrik domain, akronim, dan formula penghitungan yang standar.

Kemampuan utamanya meliputi:

• Penyelarasan terminologi: Menghilangkan ambiguitas terminologi di seluruh unit bisnis dan tim analisis.
• Formula KPI: Memberikan formula dan logika matematika untuk indikator performa utama (KPI) khusus domain.
• Penautan aset yang ditargetkan: Menautkan ke tabel yang relevan menggunakan link entri reference sehingga agen mengetahui tempat konsep tersebut berlaku.

Misalnya, dalam kumpulan konteks e-commerce, entri di documents/concepts/net-items-sold menentukan penghitungan unit bersih terjual yang tepat. Saat menerima perintah yang meminta "item bersih yang terjual", agen akan melihat entri konsep untuk menerapkan penghitungan yang diverifikasi, bukan membuat logika SQL.

Contoh representasi resource:

name: projects/cymbal-style/locations/us-central1/entryGroups/online-apparel-store/entries/documents/concepts/net-items-sold
entryType: projects/dataplex-types/locations/global/entryTypes/document
aspects:
  dataplex-types.global.document:
    type: "concept"
  dataplex-types.global.overview:
    content: "Calculates the absolute number of items sold minus customer returns in a given time period."

Dokumen dan aturan pembelajaran mandiri

Entri dokumen (document.type: "knowledge-base" atau "learning" di bagian documents/*) menyimpan konteks naratif dan prosedural dalam Markdown terstruktur (aspek document dan overview).

Kemampuan utamanya meliputi:

• Prosedur operasi standar (SOP): Mencatat SOP, checklist runbook, dan panduan orientasi langsung dalam katalog.
• Kebijakan kepatuhan: Mendokumentasikan kebijakan kepatuhan, batasan peraturan (seperti aturan penanganan GDPR atau HIPAA), dan kriteria pengecualian.
• Pembelajaran mandiri agen: Menangkap aturan implisit dan disambiguasi (documents/learnings/LEARNING_SLUG) yang diekstrak dari trace percakapan agen downstream.

Misalnya, set konteks pakaian mencakup documents/policies/return-policy-rules untuk menginstruksikan agen tentang cara mengecualikan penjualan yang telah diselesaikan dan item yang rusak dalam pengiriman saat menghitung rasio pengembalian standar.

Contoh representasi resource:

name: projects/cymbal-style/locations/us-central1/entryGroups/online-apparel-store/entries/documents/policies/return-policy-rules
entryType: projects/dataplex-types/locations/global/entryTypes/document
aspects:
  dataplex-types.global.document:
    type: "knowledge-base"
  dataplex-types.global.overview:
    content: "## Return Policy Rules\nItems marked FINAL_SALE or DAMAGED_IN_TRANSIT are excluded from return rates..."

Template kueri

Anda juga dapat melampirkan aspek queries ke entri aset data atau membuat entri Template Kueri (projects/dataplex-types/locations/global/entryTypes/query-template) khusus secara terprogram dalam set konteks untuk menyimpan kueri SQL berparameter yang diverifikasi dan dipetakan ke pertanyaan bahasa alami (aspek dataplex-types.global.query-template).

Kemampuan utamanya meliputi:

• Kueri yang telah divalidasi sebelumnya: Menyimpan jalur gabungan, kondisi filter, dan pola agregasi yang telah diverifikasi dan dipetakan ke intent analitis dan contoh pertanyaan bahasa alami (nlQuery).
• Parameterisasi runtime: Mendukung placeholder parameter yang diketik (seperti @season dan @limit) dengan deskripsi dan nilai contoh (sampleValues) untuk eksekusi agen dinamis.
• Dukungan multi-mesin: Menentukan sourceType target (seperti BIGQUERY, SPANNER, ALLOYDB, CLOUD_SQL, atau LOOKER) dan sourceDialect opsional (GOOGLE_SQL, POSTGRESQL, MYSQL, atau LOOKER_QUERY).

Contoh representasi resource:

name: projects/cymbal-style/locations/us-central1/entryGroups/online-apparel-store/entries/queries/top-categories-by-season
entryType: projects/dataplex-types/locations/global/entryTypes/query-template
aspects:
  dataplex-types.global.query-template:
    intent: "Identify top-performing product categories by revenue for a given season."
    nlQuery: "Which ecommerce product categories performed best in winter?"
    query: "SELECT category, SUM(revenue) FROM store.orders WHERE fiscal_season = @season GROUP BY category ORDER BY 2 DESC LIMIT @limit"
    sourceType: "BIGQUERY"
    sourceDialect: "GOOGLE_SQL"
    parameters:
      - name: "season"
        type: "STRING"
        sampleValues:
          - "WINTER"
      - name: "limit"
        type: "NUMBER"
        sampleValues:
          - "5"

Contoh: Kumpulan konteks toko pakaian online

Untuk menunjukkan cara kerja entri dalam set konteks, pertimbangkan retailer pakaian online yang men-deploy asisten AI untuk merchandiser toko. Tanpa konteks terbatas, agen mungkin mengkueri tabel staging mentah atau salah menghitung item populer karena tidak mengurangi pengembalian pelanggan.

Untuk melakukan grounding pada agen, petugas data membuat dan memperkaya set konteks bernama online-apparel-store:

EntryGroup: projects/cymbal-style/locations/us-central1/entryGroups/online-apparel-store
(EntryGroup.type = "context-set")
│
├── agents (document.type = "context-set")
│     Root directory index for AI agents consulting the context set
│
├── assets/bigquery/cymbal-style/store/* (document.type = "table-context")
│   ├── assets/bigquery/cymbal-style/store/orders
│   │     Linked using entryLinkTypes/reference -> @bigquery .../tables/orders
│   ├── assets/bigquery/cymbal-style/store/products
│   │     Linked using entryLinkTypes/reference -> @bigquery .../tables/products
│   └── assets/bigquery/cymbal-style/store/returns
│         Linked using entryLinkTypes/reference -> @bigquery .../tables/returns
│
├── documents/concepts/* (document.type = "concept")
│   ├── documents/concepts/net-items-sold
│   │     Formula: SUM(orders.quantity) - SUM(returns.quantity)
│   └── documents/concepts/bestseller
│         Definition: Any clothing item with >= 500 net units sold within a 30-day window
│
├── documents/policies/* (document.type = "knowledge-base")
│   └── documents/policies/return-policy-rules
│         Markdown SOP: Exclude items marked 'FINAL_SALE' or 'DAMAGED_IN_TRANSIT' from standard return rates
│
└── documents/learnings/* (document.type = "learning")
    └── documents/learnings/winter-season-date-filter
          Learned rule: Filter winter season queries using fiscal_season = 'WINTER'

Cara agen menyelesaikan perintah

Saat merchandiser bertanya kepada agen, "Apa 5 gaya jaket musim dingin terlaris kami, tidak termasuk pengembalian barang yang rusak?", agen akan menyelesaikan perintah melalui set konteks:

1. Pencarian konsep dan indeks root: Agen membaca indeks root agents dan memeriksa documents/concepts/net-items-sold serta documents/concepts/bestseller untuk mengonfirmasi bahwa item yang dikembalikan harus dikurangi dari total jumlah pesanan.

2. SOP dan penegakan pembelajaran: Agen membaca documents/policies/return-policy-rules dan documents/learnings/winter-season-date-filter, menambahkan kondisi filter WHERE return_reason != 'DAMAGED_IN_TRANSIT' dan fiscal_season = 'WINTER'.

3. Konteks tabel dan validasi gabungan: Dengan menggunakan entri aset data di assets/bigquery/cymbal-style/store/* dan link entri reference ke tabel @bigquery yang mendasarinya, agen menggabungkan store.orders, store.products, dan store.returns menggunakan kunci asing yang diverifikasi dan menjalankan kueri SQL.

Kemampuan arsitektur

Set konteks menyediakan beberapa kemampuan inti untuk lingkungan data perusahaan:

• Batas eksekusi hermetis: Dengan membatasi konteks ke kumpulan aset dan entri semantik yang diseleksi, agen beroperasi dalam sandbox hermetis. Batasan ini menghilangkan derau katalog yang tidak relevan, membantu memastikan evaluasi deterministik, dan meminimalkan penggunaan token.

• Upload cepat dan pengindeksan massal: Tim dapat mengupload dan mengindeks kumpulan konsep, kueri, dan dokumen sebagai satu operasi atomik, yang memungkinkan Anda berintegrasi dengan pipeline continuous integration dan deployment (CI/CD).

• Pengemasan zero-copy: Context set mengemas metadata dan hubungan tanpa menyalin atau memindahkan penyimpanan data yang mendasarinya, sehingga menghindari biaya penyimpanan yang berlebihan dan keterlambatan sinkronisasi data.

Pola konsultasi agen

Agen downstream menggunakan set konteks melalui Model Context Protocol (MCP) atau API Knowledge Catalog langsung. Untuk mengetahui informasi selengkapnya, lihat Mengambil konteks untuk aset data.

Untuk mengoptimalkan latensi respons dan meminimalkan konsumsi token, agen mengikuti hierarki konsultasi pengungkapan progresif:

1. Indeks root dan pencocokan kueri: Agen memeriksa indeks root agents dan aspek queries apa pun yang dilampirkan ke entri aset data. Jika contoh SQL yang diverifikasi cocok dengan intent pengguna, agen akan menyesuaikan kueri dan menjalankannya secara langsung. Pencocokan ini memberikan respons cepat dengan risiko error kueri yang minimal.

2. Konteks tabel dan perakitan skema: Jika tidak ada contoh kueri yang sama persis, agen akan membaca entri aset data (assets/*) dan aspek schema-nya untuk memahami hubungan entity dan membuat pernyataan SQL multi-tabel.

3. Konsultasi dokumen dan konsep: Untuk kasus ekstrem yang ambigu (seperti batas kalender fiskal atau pengecualian sengketa), agen membaca entri konsep (documents/concepts/*), pembelajaran (documents/learnings/*), dan pusat informasi (documents/*) untuk menerapkan aturan bisnis. Jika definisi dalam entri set konteks bertentangan dengan definisi dalam istilah glosarium bisnis, agen yang menggunakan akan memprioritaskan definisi set konteks.

Menggunakan konteks dalam aplikasi AI generatif

Aplikasi AI generatif menggunakan set konteks yang diseleksi untuk memahami semantik domain perusahaan, menavigasi skema yang kompleks, dan menghasilkan SQL yang andal tanpa halusinasi. Aplikasi biasanya menggunakan set konteks ini melalui dua pola utama:

• Penemuan konteks dinamis: Dalam lingkungan analisis percakapan atau layanan mandiri, pengguna mengajukan pertanyaan ad hoc dalam bahasa alami. Aplikasi ini secara dinamis mengevaluasi intent pengguna untuk mengidentifikasi dan mengambil set konteks yang paling relevan dari Knowledge Catalog, lalu memasukkan pengetahuan domain yang diambil ke dalam perintah aktif.

  Untuk melakukan grounding aplikasi Gemini Enterprise dalam konteks Knowledge Catalog, konfigurasikan konektor data BigQuery dalam mode kueri gabungan di aplikasi Gemini Enterprise Anda dan pastikan tombol Enable Knowledge Catalog diaktifkan di setelan asisten Gemini Enterprise Anda. Untuk mengetahui informasi selengkapnya, lihat Menghubungkan ke BigQuery dan Menghubungkan ke Knowledge Catalog.

  Jika pengguna memiliki akses ke beberapa project Google Cloud dengan tabel serupa, tentukan project ID dan nama set data target dalam keahlian kustom atau di kolom Additional LLM system instructions Gemini Enterprise untuk mencakup kueri ke set data yang diinginkan. Untuk informasi selengkapnya, lihat Mengonfigurasi asisten.

• Set konteks yang telah dikonfigurasi sebelumnya: Untuk aplikasi agen khusus, Anda dapat mengonfigurasi agen sebelumnya dengan referensi set konteks eksplisit dengan menentukan nama resource grup entrinya (projects/PROJECT_ID/locations/LOCATION/entryGroups/CONTEXT_SET_ID) dalam petunjuk sistem atau konfigurasi alat agen. Agen kemudian dapat membaca indeks root entries/agents dan mengambil entri langsung dari set konteks tersebut menggunakan ListEntries, LookupEntry, atau lookupContext tanpa overhead penelusuran katalog yang luas. Agen secara otomatis mewarisi peningkatan kualitas karena alur kerja pengayaan berulang menyempurnakan set konteks seiring waktu.

  Untuk mengoptimalkan kemampuan pengayaan dan pembelajaran mandiri ini, sebaiknya tentukan model Gemini 3.8 Flash atau yang lebih baru di aplikasi Gemini Enterprise. Untuk mengetahui informasi selengkapnya tentang langkah-langkah pemilihan model, lihat bagian "Membuat agen menggunakan flow builder" di Mendesain agen di Agent Studio.

Perbandingan set konteks dengan konstruksi terkait

Untuk memilih konstruksi metadata yang tepat untuk arsitektur Anda, bandingkan set konteks Knowledge Catalog dengan kemampuan platform terkait:

Set konteks dibandingkan dengan grafik konteks

Grafik konteks dan set konteks adalah dua konstruksi terpisah dengan peran yang berbeda dalam arsitektur Knowledge Studio:

• Grafik konteks: Topologi semantik yang komprehensif dan live di seluruh organisasi Anda. Silsilah data menautkan aset data yang mendasarinya, istilah glosarium bisnis, dan trace interaksi. Anda dapat menjelajahi dan melintasi grafik terbuka ini secara interaktif di Knowledge Studio. Untuk mengetahui informasi selengkapnya, lihat Menjelajahi aset data di Knowledge Studio.

• Set konteks: Unit pengemasan yang dibatasi dan diseleksi. Alat ini mengekstrak dan mengemas subset pengetahuan domain tertentu secara hermetis ke dalam grup entri (type="context-set") agar dapat dikueri oleh agen AI downstream melalui Model Context Protocol (MCP). Set konteks bertindak sebagai sub-grafik yang kohesif dan berkepadatan tinggi dalam grafik konteks yang lebih luas. Untuk mengetahui informasi selengkapnya, lihat Tentang server MCP di Knowledge Catalog.

Set konteks Knowledge Catalog dibandingkan dengan set konteks database

Knowledge Catalog dan database operasional Google Cloud menggunakan istilah set konteks untuk merujuk pada informasi yang diseleksi yang mendasari model AI generatif.

Meskipun kedua variasi memiliki arsitektur dasar yang sama—keduanya disimpan secara native sebagai set konteks Knowledge Catalog (grup entri yang dapat diperluas dengan type="context-set") dan menggunakan API Knowledge Catalog standar—keduanya menargetkan lapisan stack data perusahaan yang berbeda:

• Set konteks database (QueryData): Dibuat untuk melayani database operasional dan transaksional (seperti AlloyDB untuk PostgreSQL, Cloud SQL, dan Spanner). Set konteks ini sangat dioptimalkan untuk konfigurasi SQL. Agen ini menggabungkan template golden query, metadata skema, dan faset pemfilteran yang dievaluasi oleh agen rekayasa konteks khusus untuk meningkatkan terjemahan natural language ke SQL (NL2SQL) dalam runtime operasional.
• Set konteks Knowledge Catalog (Knowledge Studio): Dibuat untuk melayani estate data analisis (seperti BigQuery, data lakehouse, dan produk data Knowledge Catalog). Set konteks ini mengemas pengetahuan multimodal yang lebih luas di berbagai kategori entri, termasuk entri aset data, konsep bisnis, wiki dokumentasi Markdown, dan aturan pembelajaran mandiri. Data ini diseleksi menggunakan alur kerja pengayaan Knowledge Studio dan disajikan ke agen analisis downstream melalui Model Context Protocol (MCP).

Set konteks dibandingkan dengan produk data

Memahami cara set konteks berinteraksi dengan produk data Knowledge Catalog membantu Anda menetapkan batasan tata kelola data dan AI yang jelas. Untuk mengetahui informasi selengkapnya, lihat Tentang produk data.

• Produk data mengelola resource yang mendasarinya: Produk data menggabungkan resource konkret seperti tabel, bucket, dan aliran data BigQuery dengan aman, sehingga menetapkan unit utama untuk berbagi data, kontrak data, dan kontrol akses bidang data.

• Set konteks menggabungkan semantik percakapan: Set konteks tidak memberikan akses data; melainkan menggabungkan pengetahuan domain seperti konsep, template kueri, dan dokumen yang diperlukan oleh agen AI dan manusia untuk memahami data. Petugas data dapat menautkan set konteks ke produk data dengan mendeklarasikannya dalam referensi additional_context produk.

Keamanan dan tata kelola perusahaan

Set konteks terintegrasi dengan Google Cloud kontrol keamanan dan tata kelola untuk membantu melindungi metadata perusahaan yang sensitif:

• Peran IAM set konteks: Karena set konteks sering kali berisi informasi semantik yang sensitif, akses diatur oleh peran IAM khusus yang diterapkan ke project atau langsung ke grup entri context-set. Kontrol ini memungkinkan Anda mengatur pengetahuan yang diseleksi berdasarkan wilayah geografis dan kepemilikan domain. Untuk mengetahui informasi selengkapnya, lihat bagian Peran yang diperlukan di Mengelola set konteks.

• Keamanan data pokok tanpa salinan: Memberikan akses ke set konteks kepada agen memungkinkan agen membaca metadata semantik dan template kueri, tetapi tidak mengabaikan kontrol akses pada tabel pokok. Untuk menjalankan kueri SQL terhadap BigQuery atau membaca file di Cloud Storage, identitas yang menjalankan kueri harus memiliki izin IAM bidang data yang diperlukan pada resource yang mendasarinya.

• Tata kelola human-in-the-loop: Saat tugas pengayaan Knowledge Studio otonom mengekstrak konsep, SOP, atau template kueri baru dari log operasional, proposal akan dipentaskan sebagai permintaan perubahan yang dapat ditinjau. Petugas data memeriksa perbandingan perbedaan dan skor evaluasi sebelum menyetujui perubahan pada set konteks produksi. Untuk mengetahui informasi selengkapnya tentang peninjauan proposal, lihat Mengevaluasi dan menyetujui proposal pengayaan.

• Identitas eksekusi yang dikelola pengguna: Tugas pengayaan otomatis yang mengisi set konteks dijalankan di akun layanan yang dikelola pengguna yang ditiru oleh Agen Layanan Dataplex melalui peran Pembuat Token Akun Layanan (roles/iam.serviceAccountTokenCreator).

Melihat pratinjau cakupan dan batasan

Selama Pratinjau, set konteks beroperasi dalam batasan berikut:

• Cakupan regional: Set konteks satu region (seperti us-central1) harus selaras dengan region aset yang dipaketkan. Set konteks multi-region (seperti us atau eu) dan global dapat mereferensikan aset di seluruh region yang kompatibel; saat mengonfigurasi tugas pengayaan untuk set konteks multi-region atau global, Anda memilih satu region eksekusi untuk tugas tersebut.

• Satu tugas pengayaan per set konteks: Setiap set konteks hanya dapat diperkaya oleh satu tugas pengayaan.

• Referensi lintas set konteks: Mereferensikan subset entri dari satu set konteks di dalam set konteks lain tidak didukung.

• Antarmuka penulisan dan penggunaan: Anda dapat membuat dan mengelola set konteks melalui Knowledge Studio di konsol Google Cloud atau secara terprogram sebagai grup entri (type="context-set"). Anda mengisi set konteks melalui alur kerja pengayaan Knowledge Studio atau dengan mengelola entri secara terprogram. Agen AI downstream dapat menemukan dan mengkueri set konteks secara terprogram menggunakan Knowledge Catalog API (ListEntries dan LookupEntry) serta Model Context Protocol (MCP). Untuk mengetahui informasi selengkapnya, lihat Tentang server MCP di Katalog Pengetahuan.

• Kuota bersama: Karena set konteks pada dasarnya adalah grup entri khusus (type="context-set"), set konteks menggunakan dan berbagi kuota resource yang sama dengan grup entri Knowledge Catalog standar. Untuk mengetahui informasi selengkapnya, lihat Kuota dan batas.

Harga

Set konteks disimpan sebagai grup entri Knowledge Catalog standar serta entri dan aspek kustom. Grup entri set konteks yang kosong atau permintaan perubahan batch pengayaan yang tidak disetujui tidak dikenai biaya penyimpanan metadata. Saat entri dibuat dalam set konteks (misalnya, saat Anda menyetujui permintaan perubahan pengayaan atau membuat entri secara langsung), biaya penyimpanan metadata Knowledge Catalog standar berlaku untuk project yang menghosting grup entri.

Selama Pratinjau, menjalankan tugas pengayaan dan melakukan staging permintaan perubahan batch yang tidak disetujui ditawarkan tanpa biaya. Biaya penggunaan standar, termasuk pemrosesan kueri BigQuery serta pembacaan dan penulisan staging Cloud Storage, berlaku dalam project Anda saat tugas pengayaan menggunakan resource opsional yang dikelola pelanggan, seperti bucket Cloud Storage untuk sinyal pengetahuan atau set evaluasi dan tabel trace BigQuery Agent Analytics untuk pembelajaran mandiri.

Langkah berikutnya