La creación de agentes de inteligencia artificial que entiendan los datos empresariales dentro de un contexto de negocio requiere algo más que una simple conexión a una base de datos. Necesita un puente hacia una capa semántica de gobierno. En este sentido, el kit de desarrollo de agentes y el protocolo de contexto del modelo (MCP) de Looker se han diseñado para crear ese puente.
El objetivo es alejarnos de los agentes que escriben código SQL básico y frágil, y acercarnos a los agentes que interactúan directamente con el modelo de datos definido por el lenguaje natural. Al aprovechar el modelado y la gobernanza centralizados de Looker, garantizamos que cada dato que recupera nuestro agente se base en una fuente de información fidedigna y validada.
El protocolo de contexto del modelo (MCP) se encuentra en el centro de esta integración. Piensa en MCP como un lenguaje universal que permite a nuestro agente descubrir e invocar funcionalidades dentro de Looker. Al crear agentes, estamos creando un entorno en el que el agente no necesita saber cómo realizar una llamada API compleja. En su lugar, prevé un conjunto estandarizado de herramientas.
La arquitectura mantiene la lógica de negocio en Looker y la ejecución en los agentes. Para facilitar esta conexión, utilizamos la caja de herramientas MCP para bases de datos. Esta caja de herramientas es un recurso de código abierto listo para producción, diseñado específicamente para exponer fuentes de datos como herramientas MCP.
En lugar de escribir código de integración personalizado para cada nuevo proyecto, simplemente indicas a tu agente la ubicación de la caja de herramientas. Hereda inmediatamente la capacidad de realizar tareas complejas, desde auditar archivos de proyectos de apariencia hasta ejecutar consultas controladas. La caja de herramientas se encarga del trabajo pesado, lo que le permite escalar sus sistemas basados en agentes sin tener que reinventar la capa de integración cada vez.
Incluso puedes especificar qué herramientas quieres que estén disponibles para un agente. Por lo tanto, los agentes pueden especificarse para diferentes usos. En el centro de todo esto se encuentra Looker, con LookML modelando y centralizando la lógica empresarial y estableciendo una fuente de verdad gobernada.
La capa de transporte, impulsada por el protocolo de contexto del modelo y la caja de herramientas Genai, conecta esto con la IA. Esta capa funciona como un traductor universal que expone las funciones internas de Looker, como la recuperación de metadatos o la ejecución de consultas, como herramientas estandarizadas y fáciles de descubrir, definidas en un archivo de configuración tools.yml.
Finalmente, la capa de aplicación utiliza el kit de desarrollo de agentes de Google para orquestar el LLM y los agentes. En este flujo, un LLM se configura con ADK para descubrir herramientas a través de MCP y llama a esas herramientas para interactuar con el entorno controlado de Looker para realizar un razonamiento fundamentado y ejecutar tareas técnicas como el refinamiento de ML de Look o el análisis de datos.
El kit de desarrollo de agentes también permite utilizar cualquier modelo de su elección, lo que hace que este marco sea muy flexible, con agentes personalizables y una potente caja de herramientas MCP y la solidez de los datos del modelo con Looker. Este enfoque modular garantiza que sus agentes permanezcan conectados y controlados, ya que el puente MCP se mantiene sincronizado con su instancia de Looker.
En resumen, la creación de agentes de inteligencia artificial que entiendan los datos empresariales es un proceso que requiere un enfoque integrado y modular. El protocolo de contexto del modelo (MCP) y la caja de herramientas MCP de Looker son fundamentales para crear agentes que interactúen directamente con el modelo de datos definido por el lenguaje natural y que se basen en fuentes de información fidedignas y validadas.
Fuente: YouTube
