🧭 Data Agent Kitで複数データ基盤の探索からdbt検証までつなぐ

Data Agent Kit は、IDE や CLI のエージェントから BigQuery、Cloud SQL、Cloud Storage などのデータ基盤へ接続し、探索から dbt による再現可能なパイプライン検証までをつなぐオープンソースのツールセットです。
この記事では、MCP サーバーと Agent Skills の役割、データが検証済みモデルへ進む流れ、導入と運用の手順を、2026-09-09 時点の公式ブログとドキュメントに沿って整理します。
本稿の対象は Preview です。破壊的変更が入る前提で読んでください。

この記事の全体像。以下、順に解説します。

Data Agent Kitとは

Data Agent Kit は、データエンジニアやデータアナリストが普段使う開発環境の中で、自然言語の意図から SQL 生成、データプロファイリング、分析、パイプライン化を進めるためのキットです。
公式ドキュメントは、対象読者をデータエンジニア、データサイエンティスト、データアプリ開発者と位置づけています。
提供形態は次の 2 系統です。

• VS Code 互換 IDE 向けの拡張機能（Antigravity IDE、Cursor など）
• Claude Code、Codex、Gemini CLI、Antigravity CLI 向けのプラグイン（data-agent-kit-starter-pack）

核になる仕組みは 2 つです。

従来は、生成した SQL をコンソールへコピーして実行していました。
Data Agent Kit では、エージェントが MCP 経由でクエリを実行し、結果を同じチャットスレッドで読めます。

公式ブログの例では、平均注文金額（AOV）の低下理由を、次の 3 系統から同じセッションで追います。

• BigQuery の注文履歴
• Cloud SQL（PostgreSQL）の顧客マスタ
• Cloud Storage 上のキャンペーン JSON

調査の結果は、新しい卸売チャネルと割引コードが混ざったことで、売上総額は横ばいのまま AOV だけが下がった、という説明になります。
探索で終わらせず、同じ問いを次回も答えられる dbt モデルへ落とすところが、このキットの実務上の接続点です。

特徴

主な特徴は次の 4 点です。

• MCP によるデータ接続: BigQuery、Cloud SQL、AlloyDB、Cloud Storage などへ、リモート MCP またはローカル Toolbox 経由で接続します
• Agent Skills による手順制御: クエリ最適化、データ検証、dbt 変換、トラブルシュートなどの定型を Markdown スキルとして再利用します
• dbt 連携による品質担保: アドホック SQL を dbt モデルへ落とし、unique や not_null などのテストで一意性と粒度を検証します
• 権限と責務の分離: 読み取りツールの承認と、パイプライン生成・実行の権限を分けます

公式ブログは、クエリ実行前に IDE が execute_sql_readonly などの MCP ツール利用を確認すると書いています。
一度だけ許可するか、常時許可するかを人が選べます。
エージェントが書いた SQL は実行トレイルから確認できます。

構造

Data Agent Kit は、開発環境のエージェントと、Google Cloud のデータ基盤のあいだに入ります。
エージェントは Skills と Memory を参照しながら推論し、MCP サーバー経由でストレージへ到達します。
探索結果を残す段階では、dbt プロジェクトが検証と永続化の受け皿になります。

システムコンテキスト図

データ実践者は IDE や CLI に意図を伝えます。
Data Agent Kit がその意図を MCP と Skills に分解し、各データ基盤と dbt へ振り分けます。

コンテナ図

実行時の境界は、エージェント側の推論基盤と、データ基盤側の MCP とストレージに分かれます。
LLM は Skills を読んで手順を選び、MCP サーバーへツール呼び出しを送ります。
Memory Bank はキット標準の必須コンポーネントではありません。
エージェント基盤が別途持つ長期記憶として描いています。

コンポーネント図

MCP 側は認証、スキーマ読み取り、読み取り専用実行に分かれます。
dbt 連携側は、探索 SQL からモデルを作り、テスト定義を足します。
公式ブログの流れでは、エージェントが dbt-bigquery の仮想環境を作り、モデルとテストを書いたあと dbt build を回します。

データ

データの扱いは、生データへのアドホック探索で始まります。
一意性や集計粒度のテストを通した層が、ダッシュボードや下流システムへ出すキュレートモデルになります。

概念モデル

公式ブログの AOV 調査は、この流れの具体例です。
BigQuery の注文、Cloud SQL の顧客、Cloud Storage のキャンペーン定義を探索したあと、同じ結合と粒度を dbt モデルへ固定します。

情報モデル

永続化の単位は dbt モデルです。
業務指標はモデルの上に定義し、品質要件は dbt data tests で検査します。
ここでいうデータコントラクトは一般概念です。
dbt の Model contracts（スキーマ不一致ならビルドしない機能）とは別です。
公式ブログでは、注文にペット属性を直接 JOIN した結果、order_id の一意性テストが失敗しています。
1 注文に複数ペットが付くと行が増えるためです。
エージェントは dbt build の失敗を読み、粒度を直して再実行しています。

構築方法

導入は、認証、プラグインまたは拡張機能のインストール、MCP の接続設定の順です。
2026-09-09 時点の手順は、公式ドキュメントの Install the plugin と GitHub README を正とします。

前提条件と環境準備

次を用意します。

• Node.js と npm
• Google Cloud SDK（gcloud）
• Application Default Credentials
• VS Code 互換 IDE、または Claude Code / Gemini CLI / Codex / Antigravity CLI

gcloud auth login
gcloud auth application-default login

MCP 接続では、ユーザー資格情報よりサービスアカウントなりすましが推奨されています。
リモート MCP を使う場合は、プロジェクトに roles/mcp.toolUser（MCP Tool User）が必要です。
対象サービスごとの追加ロールは、各 MCP の製品ガイドを見てください。

インストール手順

IDE 拡張機能はマーケットプレイスの Google Cloud Data Agent Kit から入れます。
Claude Code では、公式プラグインとして次を実行します。

/plugin install data-agent-kit-starter-pack@claude-plugins-official

Gemini CLI の例です。README は --ref 0.10.1 を明示しています。

gemini extensions install https://github.com/gemini-cli-extensions/data-agent-kit-starter-pack --ref 0.10.1

Codex は marketplace 経由が推奨です。

codex plugin marketplace add https://github.com/gemini-cli-extensions/data-agent-kit-starter-pack
codex plugin add dak@data-agent-kit-starter-pack-marketplace

プロジェクト設定

スキルはインストール直後から使えます。
MCP Toolbox は、エージェント設定へ接続情報を書いたあと、エージェントを再起動して有効になります。
確認は /mcp と、「どんなスキルがあるか」と尋ねるプロンプトです。

ローカル MCP は stdio で Toolbox を起動します。
公式ドキュメントの BigQuery 向け設定を、汎用 MCP クライアントの形に直すと次のようになります。

{
  "mcpServers": {
    "datacloud_bigquery_toolbox": {
      "command": "npx",
      "args": [
        "-y",
        "@toolbox-sdk/server@>=1.1.0",
        "--prebuilt",
        "bigquery",
        "--stdio"
      ],
      "env": {
        "BIGQUERY_PROJECT": "my-gcp-project",
        "BIGQUERY_LOCATION": "US"
      }
    }
  }
}

リモート MCP は HTTP エンドポイントです。
BigQuery の例は https://bigquery.googleapis.com/mcp です。
AlloyDB はリージョン付き https://alloydb.REGION.rep.googleapis.com/mcp です。

読み取り専用化は、経路ごとに手段が違います。

• IAM の最小権限（データ閲覧とジョブ作成を分ける）
• リモート MCP では、公式ブログの execute_sql_readonly のように読み取り専用ツールを選び、IDE のツール承認で制御する
• ローカル Toolbox では、BigQuery Source の writeMode を blocked にすると bigquery-execute-sql が SELECT に制限される

次に示す --prebuilt bigquery は、Toolbox の既定 writeMode: allowed です。
この設定自体は読み取り専用ではありません。

Claude Code の実ファイルは、README によるとプラグインキャッシュ配下の .claude-mcp.json です。
バージョン番号を含むパスなので、インストール後の実体を確認してから編集してください。

MCPサーバーの起動

対象データソースの MCP サーバーは、エージェントが stdio または HTTP で起動・接続します。
手動常駐は原則不要です。
ローカル Toolbox が内部で呼ぶプロセスは、次の形です。

npx -y '@toolbox-sdk/server@>=1.1.0' --prebuilt bigquery --stdio

ワークスペースには、再利用する Agent Skills をロードします。
プラグイン同梱のスキルに加え、チーム固有の検証手順を Markdown で足せます。

利用方法

利用の基本は、探索、粒度の合意、dbt モデル化、テスト実行です。
公式ブログは、AOV の内訳確認から Cloud SQL の顧客確認、Cloud Storage のキャンペーン確認、dbt プロジェクト生成までを、同じチャットで進めています。

探索からパイプラインへの移行

ユーザーは自然言語で探索を指示します。
エージェントは Skills を選び、MCP ツールの承認を受けてから SQL を実行します。

売上データセットから、日別の売上合計とユニークユーザー数を算出するSQLを書いて。

公式ブログの起点プロンプトは、BigQuery の orders と order items から月次 AOV を出す、という形です。
結果を見たあと、チャネル別内訳や顧客属性へドリルダウンします。

dbt モデルへの変換

分析開始時に、集計粒度と一意キーを合意します。
JOIN の多重度によっては行が複製され、金額の二重計上や一意性テストの失敗が起きます。
結合先キーが一意なら、粒度を合意しなくても一意性テストは通ることがあります。
一意性テストに加え、結合前後の件数と金額を照合してください。

先ほどのクエリ結果をもとに dbt モデルを作成し、
一意キーに対する unique テストと not_null テストを追加してください。

公式ブログの指示は、BigQuery の staging と Cloud SQL の顧客・ペット属性を結合する dbt プロジェクトを作り、order_id に uniqueness テストを付けて dbt build する、というものです。
エージェントは仮想 Python 環境に dbt-bigquery を入れ、モデルとテストを書き、ビルドが通るまで直します。

モデルの永続化

生成 SQL は dbt の .sql として保存します。
日次売上の最小例です。

-- models/daily_sales.sql
{{ config(materialized='table') }}
SELECT
    date,
    SUM(revenue) as total_revenue,
    COUNT(DISTINCT user_id) as unique_users
FROM {{ ref('stg_sales') }}
GROUP BY date

このモデルの一意キーは date です。
公式ブログの注文モデルでは、一意キーは order_id です。
ペット属性を注文行へ直接付けるとカーディナリティが壊れます。
属性は注文粒度へ畳むか、別モデルへ分離します。

スキーマとテストの定義

テスト定義は schema.yml に置きます。

version: 2
models:
  - name: daily_sales
    columns:
      - name: date
        tests:
          - unique
          - not_null

dbt build が落ちたら、失敗ログをエージェントへ戻します。
スキーマの再読込、重複排除、JOIN 粒度の見直しを、テストが通るまで繰り返します。

運用

運用の要点は、読み取り権限の最小化、人間の承認、クエリ履歴の監視です。
プラグイン README も、エージェント環境は最小権限で固めるよう求めています。

権限と責務の分離

データ探索用のエージェントには、読み取り専用の MCP ツールと、対応する IAM ロールだけを与えます。
パイプラインの生成と、本番適用の実行権限は分けます。
BigQuery MCP の必要ロールは、roles/mcp.toolUser、roles/bigquery.jobUser、roles/bigquery.dataViewer です。
クエリ実行にはジョブ作成権限が要ります。dataViewer だけでは 403 になります。

gcloud projects get-iam-policy my-gcp-project \
  --flatten="bindings[].members" \
  --filter="bindings.role:roles/bigquery.dataViewer"

リモート MCP には roles/mcp.toolUser が別途必要です。
サービスアカウントなりすましと、Principal Access Boundary でプロジェクト範囲を絞れます。
読み取りツールの承認と、dbt build やデプロイの承認は、同じ「常時許可」にまとめないでください。

ヒューマンインザループ

本稿では、本番実行権限を分離し、人の承認を必須とする運用を推奨します。
実行可否は付与した IAM とツール承認に依存します。
公式概要はパイプラインの構築・テスト・デプロイと、GitHub Actions による自動デプロイにも触れています。
モデルとテストは feature ブランチへ出し、人が PR でレビューする形が安全です。

git add models/
git commit -m "feat: add daily sales dbt model generated by agent"
git push origin feature/daily-sales

公式ブログも、エージェントは大量のコードを書けるが、データ品質チェックは人が設計すると書いています。
テスト自体はエージェントに書かせてよい、という分担です。

モニタリングの確保

エージェント用サービスアカウントが投げたジョブを、INFORMATION_SCHEMA から拾います。

SELECT query, total_bytes_billed, creation_time
FROM `region-us`.INFORMATION_SCHEMA.JOBS_BY_PROJECT
WHERE user_email = 'agent-service-account@my-gcp-project.iam.gserviceaccount.com'
ORDER BY creation_time DESC

リモート MCP は監査ログを集中できます。
Model Armor を載せる場合は、プロンプトと応答のペイロードがログに残る点を先に確認してください。

ベストプラクティス

探索を早くするほど、指標定義と検証手順を先に固定する価値が上がります。
スキルとカタログに寄せると、毎回スキーマ全文をプロンプトへ貼らずに済みます。

セマンティックレイヤーの活用

業務指標は dbt や Looker で先に定義し、安定した指標定義として渡します。
MetricFlow の旧形式 YAML の最小例です。
measure を持つモデルでは defaults.agg_time_dimension、対応する time dimension、主エンティティが必要です。

semantic_models:
  - name: daily_sales
    model: ref('daily_sales')
    defaults:
      agg_time_dimension: date
    entities:
      - name: daily_sales
        type: primary
        expr: date
    dimensions:
      - name: date
        type: time
        type_params:
          time_granularity: day
    measures:
      - name: revenue
        expr: total_revenue
        agg: sum

metrics:
  - name: revenue
    label: Revenue
    type: simple
    type_params:
      measure: revenue

Knowledge Catalog のリモート MCP（https://dataplex.googleapis.com/mcp）を使うと、テーブル説明をエージェントへ渡せます。

スキルのライブラリ化

「JOIN 前に一意性テストを実行する」などの定型は、Agent Skills 仕様の SKILL.md へ切り出します。
配置先はクライアントごとに違います。Claude Code ならプラグインまたはプロジェクトの skills ディレクトリです。

---
name: dbt-join-validation
description: JOIN 前に主キーの unique と not_null テストを実行する
---

JOIN を行う前に、必ずベースとなるテーブル群に対して
主キーの unique および not_null テストを実行すること。

公式スターターパックは、クエリ最適化、データ検証、ドリフト確認、ガバナンス、トラブルシュート用のスキルを同梱しています。
チーム固有の粒度ルールは、同梱スキルを上書きせず別ファイルで足します。

コンテキスト設計の展開

巨大な情報スキーマを毎回渡すより、カタログ上の説明とセマンティックレイヤーを渡します。
次の JSON は、エージェントへ渡す説明文の概念例です。
Knowledge Catalog の Entry API レスポンス（name / entryType / aspects など）ではありません。

{
  "knowledge_catalog": {
    "sales_table": "このテーブルは日次で更新され、キャンセルされた注文も含まれる。"
  }
}

公式ブログの AOV 例でも、キャンペーン規則はオブジェクトストレージ上の JSON として残っています。
エージェントが読める場所へ、指標の定義と例外条件を置いてください。

注意点

対象の説明と手順はここまでです。
導入前に押さえる制約をまとめます。

公式の MCP 設定は、サービスごとの remote URL または @toolbox-sdk/server --prebuilt <service> です。
汎用の npx @googlecloud/data-agent-kit-mcp という起動系は、2026-09-09 時点の公式ドキュメントにはありません。

トラブルシューティング

ここでの対象は、読者がキットを使うときに出る症状です。

スキーマ不一致エラー

• 症状: 生成した dbt モデル実行時に、カラムが無い、または型が合わない
• 原因: エージェントが古いスキーマ記憶で SQL を書いた
• 対処: MCP 経由でスキーマ再読込を明示し、プロンプトに対象テーブルの最新メタデータを渡す

コンテキスト上限超過

• 症状: 巨大なスキーマや長いエラーログを渡すと、エージェントが答えなくなる
• 原因: プロンプトのメタデータ量がトークン上限を圧迫している
• 対処: 対象テーブルだけに絞る。セマンティックレイヤーや Knowledge Catalog の説明を先に渡す

スターターパック README は、インストール後にエージェントを再起動すること、MCP 接続情報を更新すること、Toolbox バイナリのアーキテクチャ不一致を疑うことを挙げています。

まとめ

Data Agent Kit は、IDE 内のエージェントに MCP と Skills を渡し、複数データ基盤の探索と dbt による再現可能な検証をつなぐキットです。
読み取りツールで仮説を確認し、一意キーと粒度を合意してからモデルへ落とし、dbt build の失敗を品質信号として使う、という分担がそのまま運用になります。
Preview であるため、本稿では権限を読み取りと実行で分け、本番適用は人の PR 承認を残す運用を推奨します。

この記事が少しでも参考になった、あるいは改善点などがあれば、ぜひリアクションやコメント、SNSでのシェアをいただけると励みになります！

参考リンク

公式ドキュメント

• Agentic analytics with the Data Agent Kit | Google Cloud Blog
• Google Cloud Data Agent Kit documentation
• Use MCP servers | Google Cloud Data Agent Kit
• Use the BigQuery MCP server
• BigQuery IAM roles
• Application Default Credentials
• Analytics with Data Agent Kit and Antigravity IDE Codelab

オープンソース

• Data Agent Kit Starter Pack
• Model Context Protocol (MCP)
• dbt Developer Hub

関連技術

• Google Cloud Storage
• Cloud SQL
• AlloyDB