> ## Content Index
> Fetch the complete content index at: https://growthhackers.tw/llms.txt
> Use this file to discover other available public pages before exploring further.

# Google Data Agent Kit：不懂 SQL 也能直接查資料庫，一個 CFO 的客單價問題怎麼被 AI agent 查到底
- URL: https://growthhackers.tw/blog/google-data-agent-kit/
- Published: 2026-08-18T01:00:00.000Z
- Updated: 2026-08-18T01:00:00.000Z
- Description: Google 的示範看起來像「不會 SQL 也能查資料庫」，但整支影片最值錢的一段，是 AI 差點把營收灌水三倍、然後被一個測試擋下來。這篇用一個客單價下滑的案例走完全流程，並拆給台灣電商該補上的驗證護欄。
- Author: Lewis wang
- Tags: AI agent, MCP, 趨勢解碼, 第一方資料, 電商經營

「我們的客單價好像在掉，你查一下為什麼。」

老闆丟完這一句就走了。你手上的訂單資料在一個地方，會員資料在另一個地方，行銷檔期的活動設定在第三個地方，可能還是行銷同事自己上傳的一份檔案。而你，不會寫 SQL。

Google Cloud Tech 的「Hands on AI」節目有一支影片，示範的就是這個情境。主持人是 Annie Wang（軟體工程師，她自己說沒什麼資料背景）跟 Jeff Nelson（Google Cloud 的 Developer Advocate，專做資料分析與資料工程）。他們用新的 Data Agent Kit，讓 coding agent 直接連上三個不同的資料來源，六句自然語言問到底，破了案。

我看完第一個念頭不是「太強了」。

我想的是另一件事：這支影片最值錢的一段，是 AI 差一點算錯，然後被一個測試擋下來。

## Data Agent Kit 到底是什麼？兩個東西而已

先把名詞講清楚，不然後面會亂。

一句話講完：**Data Agent Kit 是讓 coding agent 安全連上 Google Cloud 資料產品的一組 MCP 連接器加上 Agent Skills。它幫你把 SQL 的門檻降到零，但不會幫你補上商業定義、join 驗證跟權限治理。**

[Data Agent Kit](https://www.youtube.com/watch?v=Vs2%5FPalg1QY&ref=growthhackers.tw) 是 Google 官方推出的統一資料工具包，拆開來只有兩塊：

**第一塊是 Agent Skills（代理技能）**，本質上就是一堆 markdown 檔，裡面寫著「在 BigQuery 該怎麼寫語法」「Spark 的 ML 任務長什麼樣」這類最佳實踐。

**第二塊是 MCP servers（模型上下文協定的連接器）**，一鍵啟用之後，agent 就能安全連上 BigQuery、Cloud SQL、AlloyDB、Spanner、Knowledge Catalog。

Jeff 在影片裡的比喻是「地圖」跟「工具箱」。我換一個生意人聽得懂的講法：

你請了一個很會查資料的工讀生。MCP 是你發給他的門禁卡，決定他走得進哪幾個房間；Skills 是你塞給他的員工手冊，告訴他「我們公司退貨的訂單不算業績」這種規矩。

門禁卡不給，他寸步難行。手冊不給，他跑得飛快，然後把退貨也算進業績裡。

![Agent Skills 與 MCP 的差別：Skills 是教 agent 怎麼做對事的員工手冊，MCP 是讓它連上資料庫的門禁卡](https://growthhackers.tw/content/images/2026/08/dak-inline-skills-vs-mcp-v1.png)

Agent Skills 與 MCP 的差別：Skills 是教 agent 怎麼做對事的員工手冊，MCP 是讓它連上資料庫的門禁卡

Skills 這個概念如果你還沒接觸過，我之前整理過 [Andrew Ng 課程的 Agent Skills 重點](https://growthhackers.tw/blog/agent-skills-andrew-ng-course/)，可以當背景補充，這裡就不重複展開。至於 MCP 該怎麼部署，也有[另一篇對照表](https://growthhackers.tw/blog/mcp-stateless-vs-stateful/)可以看。

比較有意思的是可攜性。VS Code 系（Antigravity IDE、Cursor 這類）裝擴充套件，CLI 系（Claude Code、Codex、Gemini CLI、Antigravity CLI）裝 plugin。影片裡他們刻意把同一個問題在 Antigravity 跟 Claude Code 各跑一次，兩邊答案一樣。

這代表它不綁 IDE，只綁你的資料在不在 Google Cloud 上。這句話後面會再回來咬人。

## 六句話破案：實際走一遍

案例公司叫 Cymbal Pets，賣寵物食品、玩具、用品，同時做 B2C 零售跟 B2B 批發。**這是 Google 用來示範的虛構公司，底下所有數字都是示範資料，不是真實企業財報。**

資料散在三個地方，而且各有各的道理：訂單放 BigQuery（orders 表將近 200 萬筆，欄位式資料庫，擅長大量聚合）；客戶、寵物檔案、商品放 Cloud SQL（交易型資料庫，擅長高並發的單筆更新）；行銷團隊的活動設定是一份 JSON 檔，丟在 Cloud Storage，因為那個團隊根本不用資料庫。

熟悉嗎？這就是你家的樣子。

接著是那六句話：

**第一句**：算出 2024 年 8 月到 2025 年 1 月每月的平均訂單金額。Agent 呼叫 BigQuery MCP 去列 dataset、列 table。結果出來：AOV 平常大約 110 美元，2025 年 1 月掉到大約 103 美元。

**第二句**：1 月比前幾個月低，拆解一下訂單類型。Agent 先跑 dry run 確認語法對不對，再真的執行查詢。結果：1 月開始冒出一種新的訂單類型「B2B wholesale」，在那之前只有 online 跟 offline 兩種。

**第三句**：這些 B2B 客戶是誰，把他們的 profile 拉出來。這次 agent 轉頭去查 Cloud SQL，找到數百個被標記為 business 的帳號，附上地理分布、公司清單、範例檔案。

**第四句**：這些人用了什麼促銷碼？回到 BigQuery，答案是 92% 的 B2B 訂單都用同一組碼「BIGORDER25」，折 25%。

**第五句**：這波活動是誰辦的？Agent 直接用 gcloud CLI 去翻 Cloud Storage 裡行銷團隊那份 JSON，確認這是一波刻意打 B2B 批發的推廣。

**第六句**：所以到底發生什麼事？

答案是：什麼壞事都沒發生。

客單價下降，是因為公司多了一條原本沒有、單價本來就比較低的批發通路，把整體平均拉下去了。原本的線上跟線下零售通路，健康得很。

![示範資料：訂單量體在最後一個月因為新增 B2B 批發而上升，平均訂單金額卻從約 110 美元降到約 103 美元](https://growthhackers.tw/content/images/2026/08/dak-inline-aov-b2b-mix-v1.png)

示範資料：訂單量體在最後一個月因為新增 B2B 批發而上升，平均訂單金額卻從約 110 美元降到約 103 美元

過程中有兩個設計我覺得該給掌聲。一是每次 MCP 呼叫都會跳出授權確認，你可以選這次允許或永遠允許，Jeff 說得很白，他不想讓 agent「拿一堆他不同意的查詢去轟炸資料倉儲」。二是 dry run，先驗語法再花錢跑，畢竟 BigQuery 是按掃描量收費的。

人還在 loop 裡。這點做對了。

## 台灣電商版的同一齣戲，你一定看過

Cymbal Pets 的劇本，換成台灣的名字重演一次，你會發現自己演過。

你的「B2B wholesale」可能叫：開了團購通路、上了蝦皮商城、接了企業採購或經銷、做了福委會團訂、導入分期跟滿額贈、檔期加碼買三送一。

共同點是什麼？

新增的那條線，單價天生就比較低，但它的量體不小。於是總營收往上，平均客單價往下。老闆看報表只看到後面那個數字，然後你就被叫進去了。

我在雨傘產業待過七年，做過工廠業務，也站過百貨專櫃。這兩件事最大的差別，不在賣的東西不一樣，在價格結構根本是兩個世界。批發是走量的生意，專櫃是走毛利的生意。同一家公司、同一支傘，這兩個通路的單價本來就不該放在同一個平均值裡看。

以前我們是靠人腦記得這件事，記得「這個月有走批發，平均會被拉低」。現在你可以叫 agent 幫你拆，但它會不會主動想到要拆，取決於你有沒有問。

任何一個「平均值」型的指標，都有這個病。客單價、轉換率、CPA、平均停留時間，全部都是。平均值最擅長的事情，就是把兩群完全不同的人藏在同一個數字底下。

## 真正的重點：那個差點讓營收灌水三倍的 join

破完案之後，Jeff 做了一件很實務的事：要 agent 把這套分析 productionize，用 dbt（Data Build Tool，一個把 SQL 轉換納入版本控制與自動測試的開源框架）建成可以重複跑的 pipeline。

Agent 當場在本機裝了 dbt、自己寫 YAML 跟 SQL、跑 build、跑測試。這段很順。順到 Jeff 自己講了一句話，我聽到笑出來：agent 產出實作計畫請他確認的時候，他說「I'm not even going to read this. Click Proceed and hope for the best.」（我根本不打算讀，按下去，祈禱一切順利。）

然後就出事了。

下一步他要求把客戶跟寵物檔案併進來，並且**特別交代一句：保留 order\_id 的唯一性測試**。

為什麼要交代這句？因為訂單表 join 寵物檔案表是一對多的關係。一筆訂單背後可能有三隻寵物。如果直接 join，一筆 100 美元的訂單會被複製成三筆 100 美元，帳面營收瞬間變成 300 美元。

這叫 fan-out join，資料圈的經典陷阱。

![fan-out join 灌水示意：一筆 100 美元的訂單 join 三隻寵物後被複製成三筆，營收虛增為 300 美元，唯一性測試把它擋下來](https://growthhackers.tw/content/images/2026/08/dak-inline-fanout-join-v1.png)

fan-out join 灌水示意：一筆 100 美元的訂單 join 三隻寵物後被複製成三筆，營收虛增為 300 美元，唯一性測試把它擋下來

接下來的順序很重要，我照著逐字稿講：agent 寫出來的第一版，**真的觸發了 fan-out，唯一性測試直接掛掉**。是測試失敗之後，agent 才回頭讀 error log、自我診斷，改成先把寵物資料聚合成每張訂單一列、維持一對一關係再 join，重跑才通過。

看到了嗎？

抓到這個錯的，不是 AI 的聰明，是那句「保留唯一性測試」。

而那句話，是一個做過資料的人的肌肉記憶。Jeff 想得到，因為他被這種 bug 咬過。換成一個沒碰過資料的人坐在同一個位子上，這句話大概就不會出現，那份灌水三倍的報表就會一路長到老闆桌上。你如果是被叫進去查客單價的行銷主管，老實說，你也不會想到要交代這句。

台灣電商的同型陷阱，換三個更貼身的場景給你：

- **訂單表 join 訂單明細**：一張單有三個品項，營收 ×3
- **會員表 join 標籤表**：一個會員身上五個標籤，人數 ×5
- **訂單表 join 物流包裹**：拆兩箱出貨，訂單數 ×2

不是我說，這三個坑，多數電商團隊都在某份報表裡踩過至少一個。差別只在有沒有被抓到。

這也呼應我之前寫過的[柏克萊 DAB 基準測試](https://growthhackers.tw/blog/ai-data-agent-dab-benchmark/)：現成的前沿模型直接接上資料庫問問題，第一次答對率只有 38%，而調校過鷹架的方案能到 84.5%。差距不在模型，在你給它的東西。

Data Agent Kit 的 Skills、MCP 權限控制、dbt 的自動測試，本質上就是那個鷹架。

所以它真正在賣的東西是護欄，不是聰明。

## 順手做完的三件事，以及一個提醒

破完案、pipeline 也建好之後，影片還示範了三件事，前兩件我快速帶過。

**一是預測**。用 BigQuery 的 `AI.FORECAST` 函數推估下一季走勢，底層是 Google 的 TimesFM，一個預訓練的時間序列基礎模型，不用拿你的歷史資料重新訓練就能做零樣本預測。**二是視覺化**。要一份 Jupyter Notebook，agent 幾秒鐘生完，跑起來比人手動捲畫面還快，圖表涵蓋 AOV 趨勢、通路量體、各品類毛利率，順帶驗證了 B2B 批發的毛利率確實比直接面對消費者低。

第三件事才是電商該注意的：**它不只會讀，還會寫**。

在一個電商展示網站上，用自然語言要求新增商品，agent 呼叫 BigQuery 的 `ML.GENERATE_TEXT`（背後打 Gemini）生出商品描述、寫進資料庫，網站即時上架。接著發現搜不到這個新商品，因為語意搜尋需要的 embedding（向量）還沒生成。再一句話補上之後，用「my cat has a urinary issue」（我的貓有泌尿問題）這種完全不含商品關鍵字的說法，也能搜到相關商品。

全程沒寫一行 code。

第三件事最好用，也最危險。查詢做錯了，你拿到一份錯的報表；寫入做錯了，你的正式資料庫就髒了。而且是在一個「按下去、祈禱一切順利」的節奏裡髒的。

## Google 自家人示範自家產品，要打幾折？

我一向的原則：有料才寫，有懷疑就講懷疑。這支影片是 Google 的 Developer Advocate 示範 Google 的產品，該打的折我列三個。

**折扣一：示範資料太乾淨。** Cymbal Pets 的 schema 整齊、欄位有意義、order type 好好地填在該填的地方。你家的資料呢？欄位叫 `col_3`、日期格式三種混用、同一個通路在不同表裡有兩個名字、退貨用負數還是另開一張單沒人講得清楚。DAB 測試裡模型最常犯的錯，就是卡在這種地方。

**折扣二：有一段根本不是這個套件做的。** 讀 Cloud Storage 那份行銷 JSON，用的是 gcloud CLI，Jeff 自己在影片裡明說「this wasn't even part of the data Agent Kit」。所以「一個套件全包」的印象要修正一下，它包的是 Google Cloud 的資料產品。

**折扣三：你的資料多半不在上面。** 這是對台灣電商最實際的一刀。你的訂單在 91APP、Shopline 或 Cyberbiz 的後台，會員在 EDM 工具裡，廣告數據在 Meta 跟 Google Ads，檔期表在 Google 試算表。Data Agent Kit 接的是 BigQuery、Cloud SQL、AlloyDB、Spanner，不是這些。

所以工具你現在可能用不上。但這篇講的教訓，跟你用哪個工具無關。

還有一件事必須提醒。你給 agent 開了資料庫權限，它讀到的東西就會出現在它的產出裡。那份看起來只有三張圖的報表，背後可能夾帶著它一路讀過的客戶名單。這個破口我單獨寫過一篇：[AI agent 資安風險最大的破口不在模型](https://growthhackers.tw/blog/ai-agent-data-leak-permission/)，開權限之前值得先看。

## 給台灣電商團隊的 5 個行動建議

► **第一，先問「這個平均被什麼混在一起了」，再問「是不是變差了」。** 客單價、轉換率、CPA、ROAS，任何均值型指標，一律先按通路、客層、檔期拆開再說。很多「危機」拆完就消失了。

► **第二，下 prompt 的時候，把驗證條件跟問題一起講。** 不要只說「算一下上個月客單價」，要說「算上個月客單價，排除取消跟退貨訂單，按通路拆開，訂單編號不能重複」。Jeff 那句「保留唯一性測試」，就是把驗證條件寫進需求。

► **第三，任何 join 完的數字，先對總額。** join 之前的營收總和跟 join 之後一不一樣？不一樣就是灌水了。這一步三十秒，能救掉一整場會議的誤判。

► **第四，查過一次的分析，固化成可重跑的東西。** 不管是 dbt、排程 SQL 還是一張固定的報表。每個月重問一次 AI，你會拿到每個月都有點不一樣的答案，然後你分不清楚是生意變了還是模型今天心情不同。

► **第五，開權限之前先問三個問題**：這個 agent 讀得到哪些表？它的產出會轉給誰？出事了查得到是誰讓它做的嗎？

如果這五條你只做得動一條，做第三條。今天就挑一張有 join 的既有報表，把 join 前後的營收總額對一次。

## 常見問題

### Data Agent Kit 跟一般的 MCP server 差在哪？

它把 Google Cloud 幾個資料產品的 MCP 連接器（BigQuery、Cloud SQL、AlloyDB、Spanner、Knowledge Catalog）打包成一鍵啟用，另外多附一層 Agent Skills 教 agent 怎麼寫對語法。單一個 MCP server 只給你連線，這套多給了規矩。

### Agent Skills 跟 MCP 到底差在哪？

MCP 是連接器，讓 agent 有能力執行查詢、列表、寫入。Skills 是知識指南，讓 agent 知道在這個環境裡該怎麼做才對。門禁卡跟員工手冊的差別。

### 不會寫 SQL，真的能查資料庫嗎？

能。影片裡的六個問題全部是白話中文等級的自然語言。但你必須知道該問什麼、該驗什麼，這部分沒有被自動化掉。

### AI 查出來的數字可以直接給老闆嗎？

不要。至少做兩件事：join 前後對一次總額，以及請它把用的 SQL 印出來，確認時間區間跟排除條件符合你的定義。影片裡那個 fan-out bug，就是靠測試失敗才被發現的。

### 客單價下降一定是壞事嗎？

不一定。新增一條低單價高量體的通路，會同時讓總營收上升、平均客單價下降。先拆通路再下結論。

### 我的資料不在 Google Cloud 上，這篇還有用嗎？

工具用不上，方法用得上。「把驗證條件寫進 prompt」「join 完先對總額」「分析固化成 pipeline」這三件事，你用任何 AI 工具查任何資料庫都適用。

## 最後

以前你要會寫 SQL 才能碰資料，門檻卡在語法，卡在你會不會 join、懂不懂 group by。現在你只要會問問題，語法那關 agent 幫你過了。

門檻沒有消失。它搬家了。

從「會不會寫 SQL」，搬到「知不知道該驗什麼」。

而且搬家之後其實更兇險。以前你不會寫 SQL，你就跑不出東西，你會知道自己不會。現在你什麼都跑得出來，格式漂亮、有表格、有結論、還附一段執行摘要。一份正確的報表跟一份營收灌水三倍的報表，在螢幕上長得一模一樣。

如果你問我，這波工具真正拉開差距的地方在哪？

不在誰的 AI 比較強，在誰知道該對它的答案問第二個問題。

## 資料來源

- [Data agent kit: Your coding agent can now query your data](https://www.youtube.com/watch?v=Vs2%5FPalg1QY&ref=growthhackers.tw)，Google Cloud Tech「Hands on AI」系列，2026 年 8 月 15 日。主講：Annie Wang、Jeff Nelson。文中 Cymbal Pets 相關數字（AOV 110/103 美元、92% 促銷碼比例、近 200 萬筆訂單）皆為影片中的示範資料。
- 柏克萊 DAB 基準測試數據引自本站文章[柏克萊 DAB 基準測試解讀](https://growthhackers.tw/blog/ai-data-agent-dab-benchmark/)

**協作聲明與免責**

這篇文章由王董與 AI 一起整理製作完成。文中引用的第三方資料、研究或工具都會標註來源名稱；若原始出處有公開連結，會以 `[來源名稱](URL)` 形式附上，方便你進一步查找。若文中內容與原始出處有任何出入，請以原文為準。

內容僅供參考與學習交流，不構成任何專業、商業或投資建議，請依自身情況判斷並自行承擔行動風險。文中提及的工具功能、數據與平台政策可能隨時間異動，請以各官方最新公告為準。