编码智能体早已能生成 SQL、PySpark 和流水线代码，真正拖慢开发的往往不是语法，而是环境上下文：有哪些表、分区键是什么、团队认可哪份数据、昨晚的任务为何失败。Google Cloud Data Agent Kit 现已正式 GA，通过 MCP 工具和开源技能，把这些上下文带给 Claude Code、Codex、Antigravity 以及 VS Code 兼容编辑器中的智能体。
这次 GA 不只是扩大服务列表，还新增了 BigQuery Graph、Bigtable，以及通过 Managed Service for Apache Spark 访问开放 Lakehouse 的能力。对数据团队而言，它更像一层连接智能体与真实云环境的受控操作面，而不只是又一个聊天窗口。
两层能力：连接环境，再教会智能体如何工作
Data Agent Kit 的核心可以拆成两部分。
MCP 工具负责连接。 它覆盖 15 种以上的 Google Data Cloud 服务，让智能体能够检查 Schema、运行查询、读取作业日志和管理资源。这样，开发者不必反复复制表结构、错误堆栈和任务配置到对话框里。
Google 编写的技能负责方法。 这些开源指令告诉智能体如何优化 BigQuery SQL、设计 Bigtable Row Key、构建 dbt 模型，或者排查 Spark 与 Airflow 任务。工具回答“能访问什么”，技能回答“应该怎样做”。
这一区分很重要。单纯给模型数据库权限，只会让它更方便地执行猜测；把实时元数据、操作工具和领域规则放在一起，智能体才有机会先检查事实，再提出方案。
例如，当用户要求预测热销商品下月需求并核对库存时，智能体可以先通过 Knowledge Catalog 查找团队信任的销售与库存表，再在 BigQuery 中完成预测、到 AlloyDB for PostgreSQL 查询库存，最后把结果带回编辑器。所有步骤仍使用当前用户权限，或者使用用户模拟的服务账号权限。
GA 新能力覆盖图、实时数据库与开放 Lakehouse
BigQuery Graph：先验证关系，再创建图
属性图适合分析共同购买、供应链连接和实体关系，但手写 CREATE PROPERTY GRAPH DDL、学习 GQL、确认边对应的键并不轻松。
GA 提供的 bigquery-graph-author 技能可以把关系表映射为节点和边，并使用实际数据检查候选关系。创建资源前，智能体会展示计划供开发者批准；已有 ER 图或数据模型也可以作为起点。图创建后，bigquery-graph-query 技能负责生成 GQL，IDE 中的可视化工具则用于浏览查询结果。
这里最值得保留的流程不是“让智能体自动建图”，而是“生成方案—验证关系—人工批准—执行创建”。关系键选错会放大为错误图结构，因此审批步骤不应省略。
Bigtable：从访问模式反推 Row Key
Bigtable 适合个性化信息流、实时计数器和最近浏览记录等低延迟场景，但它对 Row Key 设计非常敏感。新的 bigtable-basics 技能会围绕读取方式设计 Schema，并在创建前提示热点和全表扫描风险。
智能体还可以创建表并使用 GoogleSQL 查询。列族会被展开为更易读的列，开发者也能在 IDE 的目录浏览器中查看实例和表。需要注意，智能体能协助评审 Row Key，不代表可以跳过容量、访问分布和峰值流量测试。
Spark 与 Iceberg：同一批表，多种计算入口
Data Agent Kit 原本可以通过 BigQuery 查询 Lakehouse 中的 Apache Iceberg 表；GA 后，同一批表也能交给 Managed Service for Apache Spark 处理，无需自行维护集群。
Spark 会话可以保留状态，因此临时视图能够跨语句使用，同时支持 Iceberg 的分支、时间旅行和 Schema 演进。federate-lakehouse-catalog 技能还可连接 AWS Glue 和 Databricks Unity Catalog，让智能体尝试就地查询数据，而不是先搭建一条复制数据的摄取流水线。
跨云联邦查询虽然减少搬运，但仍要评估网络、权限、延迟和扫描成本。适合探索的方案，不一定适合高频生产任务。
动手安装：选择一个编码智能体即可
下面三组命令分别对应不同客户端，只运行你正在使用的那一组。执行前需要安装并登录相应的 CLI。
# Antigravity CLI
agy plugin install https://github.com/GoogleCloudPlatform/data-agent-kit-plugin
# Claude Code
claude plugin install data-agent-kit-starter-pack@claude-plugins-official
# Codex CLI：依次执行两条命令
codex plugin marketplace add GoogleCloudPlatform/data-agent-kit-plugin
codex plugin add dak@dak-marketplace
如果使用 VS Code、Cursor 或其他 VS Code 兼容编辑器，可以在扩展面板中搜索 Google Cloud Data Agent Kit。Cloud Shell 和 Cloud Workstations 已预装，只需打开编辑器并登录。初始化时选择实际使用的 Google Cloud 服务，工具会处理所需 API、技能和 MCP Server 配置。
安装后，可以从一个只读分析任务开始：
使用 BigQuery 公共 Google Trends 数据集，找出本周在美国增长最快、但未进入上周前十名的搜索词。
执行要求：
1. 先确认数据集、表、字段和日期范围；
2. 展示准备执行的 SQL；
3. 检查分区键并先做 dry run；
4. 估算扫描量，得到我的确认后再运行；
5. 返回结果，同时说明排名和增长率的计算方式。
这类提示词比一句“帮我查趋势”更适合生产环境：它要求智能体先检查元数据和成本，再执行查询，并把计算口径明确写出来。
流水线故障也可以采用同样思路：
诊断当前失败的 Airflow DAG。先读取失败任务及相关日志，给出根因、证据和最小修改方案。不要直接修改或重新运行任务；等我批准补丁后再执行。
Data Agent Kit 能把成功的逻辑转换成 dbt 或 Dataform 模型，并通过 Managed Service for Apache Airflow 编排。任务失败时，诊断功能可以把日志交给智能体，由 Spark 或 Airflow 排障技能追踪根因。不过，“建议修复”和“自动上线”应保持为两个不同权限阶段。
企业落地时，权限和成本仍是硬边界
Data Agent Kit 本身不额外收费，但查询、数据库、Spark 和编排等底层 Google Cloud 服务仍按标准价格计费。技能会引导智能体检查分区键、执行 BigQuery dry run，避免意外全表扫描，但团队不应只依赖提示词控制成本。
访问控制方面，智能体以用户身份或用户模拟的服务账号连接，因此现有行级与列级安全策略会继续生效。管理员还可以使用 IAM 管理 MCP 访问，通过 Model Armor 检查 MCP 流量，并使用 VPC Service Controls 与 Principal Access Boundary 缩小可访问范围。
推荐按以下顺序采用：
- 从只读目录浏览、Schema 检查和查询 dry run 开始；
- 为开发、测试和生产环境配置不同身份；
- 将建表、改 Schema、启动昂贵任务和部署流水线设为人工审批动作；
- 给 BigQuery 扫描、Spark 运行和数据库操作设置预算与告警；
- 审计并按团队规范分叉开源技能，例如强制分区过滤或禁止生产环境全表扫描；
- 记录智能体调用的工具、提交的 SQL、资源变更和审批人。
Data Agent Kit 的价值不在于让智能体“拥有更多权限”，而在于让它在真实元数据、团队规则和现有权限边界内工作。把它当作受审计的数据工程协作者，而不是无人监管的数据库管理员，才能真正减少上下文搬运，同时避免把一次错误推理变成昂贵的生产操作。