Google 于 2026 年 11 月 5 日表示,Gemini 正在为工程师添加数据和机器学习工具,并为业务用户提供自然语言报告功能。Google 还表示,Knowledge Catalog 现已在 Gemini 中默认启用,目前处于预览版,可确保数据问题的答案以受治理的业务背景为依据。这些功能共同将 Gemini 工作流与 Google Cloud 数据服务连接起来,包括 BigQuery 和无边界 Lakehouse。
在近期举行的 Gemini at Work 活动上,Google 面向技术团队和业务用户推出了两项功能。对于数据和机器学习工程师,Gemini 新增了机器学习技能和工具,旨在通过一组智能体为数据科学家和数据工程师提供支持。工程师可以用日常语言描述预期结果,随后 Gemini 会生成 PySpark 代码,提供可用于编辑和测试代码的笔记本,训练模型,并自主排查和修复管道问题。
对于业务用户,Gemini 可以根据自然语言请求生成实时运营报告。其运营报告技能与 BigQuery 和 Knowledge Catalog 集成,可构建并保存查询。查询保存后,团队无需承担令牌成本即可按需运行报告,并获得一致且经过验证的答案。
Google 还宣布,Data Agent Kit 已全面推出,供偏好使用自己工具的开发者使用。它将 Google Data Cloud 工具集成到 IDE 和 CLI 中,包括 VS Code、Claude Code 和 Antigravity。借助原生 MCP 工具,专业人员可以定义业务意图,并让智能体生成、调整和测试数据管道。
Google 表示,Gemini 现在可直接运行于其无边界 Lakehouse 上,业务用户能够通过自然语言跨云查询记录,同时智能体可基于相关背景进行推理并推动业务工作流。Lakehouse 基于开放的 Apache Iceberg 格式构建,旨在激活多云环境、本地系统以及 Confluent、SAP、Salesforce 和 Workday 等 SaaS 平台中的数据。过去一年中,受管理的 Apache Iceberg 数据量增长了逾两倍。
适用于 AWS 和 Azure 的跨云互连与缓存现已全面推出。它支持通过私密、安全的连接跨云查询,且不收取可变出站流量费用,并会自动将检索到的远程数据块缓存到 Google Cloud 本地。客户还可以使用开放式 Iceberg 目录联合功能连接 Databricks Unity、Snowflake Horizon 和 AWS Glue,以及使用与 SAP、Workday 和 Salesforce 的零拷贝集成。
无边界 Lakehouse 与 Knowledge Catalog 集成,可自动为云存储中的分布式和非结构化数据建立索引。Google 表示,这项集成能为智能体提供背景信息,帮助其准确作答,同时有助于控制令牌成本。Delivery Hero 旗下 talabat 表示,通过无边界 Lakehouse 将 Amazon S3 表中的单副本 Apache Iceberg 数据联合到 BigQuery,数据移动成本降低了约 40%。此外,生产环境中的流式事务事件在数分钟内即可跨两朵云进行查询。
Google 还宣布了 AlloyDB 与无边界 Lakehouse 的集成。AlloyDB 中的直接 Iceberg 访问功能让用户无需 ETL 管道或复制数据,即可查询存储在云存储中的 Iceberg 表,并在单个 PostgreSQL 查询中联接实时运营数据与历史 Lakehouse 数据。该功能与 Lakehouse 运行时目录集成,允许在 AlloyDB 中将 Iceberg 表与其他表一同注册;这些表也会自动显示在 Knowledge Catalog 中。Google 表示,在聚合查询方面,AlloyDB 直接 Iceberg 访问速度最高可达 Amazon 同类 PostgreSQL 兼容服务的 7 倍。已全面推出的 Spanner Omni 为本地、边缘节点和多云环境中的混合智能体应用带来 Google 级别的一致性、扩展能力和多模型功能。
Knowledge Catalog 是 Google Cloud 的通用背景信息引擎,可将原始数据转化为供智能体共享的业务背景信息。Google 表示,正在通过自学习、可复用的背景信息集以及重新设计的用户体验,扩展由 AI 驱动的背景信息整理功能。根据 Google 的内部基准测试,Knowledge Catalog 可使 AI 智能体的准确度提高近 4 倍,同时将延迟降低最多 33%,令牌使用量减少最多 75%。
Knowledge Catalog 的自学习增强功能现已推出预览版。它通过挖掘 Google Workspace、GitHub、Jira、Confluence 和 SharePoint 等非结构化来源,从用户意图以及人与智能体的交互中学习,并将领域知识打包为可复用的 Open Knowledge Format (OKF) 背景信息集。全新的 Knowledge Catalog 工作室体验也已推出预览版,提供对话式界面,支持用自然语言探索背景信息、可视化跨云环境和 SaaS 应用的数据资产,以及通过版本控制和回滚功能审查、审核并批准建议的增强更新。
Knowledge Catalog 现已在 Gemini 中默认启用,目前处于预览版。用户连接 BigQuery、AlloyDB、Cloud SQL 或 Spanner 后,Knowledge Catalog 会在 Gemini 生成 SQL 之前解析业务术语、定位可信表并确定联接路径,同时遵循每位用户各自的访问权限。Google 还宣布,Knowledge Catalog 对可信语义模型的支持现已全面推出。它可以基于 BigQuery、Looker (LookML)、Databricks、Snowflake、dbt 和 SAP 中的模型为智能体提供背景信息,无需移动数据。其元数据发现和联合功能也扩展至 Oracle AI Database@Google Cloud、Snowflake、Databricks Unity Catalog 以及 Atlan 和 Collibra 等第三方目录。
AlloyDB Express 面向专注于快速测试和原型开发的构建者与编程智能体,目前处于预览版。它提供不到 2 秒的即时配置、缩减至零时暂停及恢复功能、安全的私有 IP 连接、集成式可观测性,以及采用 1–2 个 vCPU 和 20GB 存储空间的小型资源配置。
面向智能体的 AlloyDB PostgreSQL 现已在生产环境推出预览版。它支持数千个协作 AI 智能体在实现完整工作负载隔离的情况下查询实时事务数据。Google 表示,这种智能体数据库架构可提供亚毫秒级 I/O 和每秒太比特级的聚合扫描吞吐量,支持每秒超过 300 万次查询。计算资源会根据活跃推理会话自动扩展,并在空闲时缩减至零,且不会影响生产系统。
通过对 Lightning Engine 的改进,Managed Service for Apache Spark 相比市场上的替代方案,将其价格性能优势扩大到 3 倍以上。近期的 Spark 4.0 增强功能包括加快启动速度,且无需额外费用,适用于交互式工作负载和小批量 ETL 作业。其高级层将升级硬件与 Lightning Engine 软件加速相结合,并默认启用。
Google 表示,过去一年 BigQuery 查询速度提高了逾 40%,同时通过弹性扩缩和内置工作负载加速等优化,查询处理成本下降了 50% 以上。BigQuery Graph 现已全面推出,可将拍字节级图分析直接引入关系表,无需 ETL。Google Research 推出的两款模型 TimesFM 3.0 和 TabFM 可在 BigQuery 中原生运行,目前均处于预览版。TimesFM 3.0 可直接在 SQL 中生成预测,无需训练或管理自定义模型;TabFM 则将预测性机器学习直接引入 BigQuery。
工程师可以用日常语言描述预期结果。Gemini 会生成 PySpark 代码,提供可用于编辑和测试代码的笔记本,训练模型,并自主排查和修复管道问题。
Gemini 使用与 BigQuery 和 Knowledge Catalog 集成的运营报告技能,根据业务用户的请求构建并保存查询。查询保存后,团队即可按需运行报告,无需承担令牌成本。
用户连接 BigQuery、AlloyDB、Cloud SQL 或 Spanner 后,Knowledge Catalog 会在 Gemini 生成 SQL 之前解析业务术语、查找可信表并确定联接路径。该流程遵循每位用户各自的访问权限。
相关快讯