---
title: SQLさよなら？！  Google Agent Development Kitで  「自然言語でデータ分析」エージェント作ってみた！ 🚀
tags: 
author: [sokuhon_kimu](https://www.docswell.com/user/kimu-sokuhon)
site: [Docswell](https://www.docswell.com/)
thumbnail: https://bcdn.docswell.com/page/9E21L431JR.jpg?width=480
description: SQLさよなら？！  Google Agent Development Kitで  「自然言語でデータ分析」エージェント作ってみた！ 🚀 by sokuhon_kimu
published: November 24, 25
canonical: https://www.docswell.com/s/kimu-sokuhon/KVMWM3-2025-11-24-114303
---
# Page. 1

![Page Image](https://bcdn.docswell.com/page/9E21L431JR.jpg)

SQLさよなら？！
Google Agent Development Kitで
「自然言語でデータ分析」エージェント作ってみた！
株式会社電算システム
金 碩鴻（きむ そくほん） プリセールスエンジニア


# Page. 2

![Page Image](https://bcdn.docswell.com/page/D7YZQM14JM.jpg)

本日の流れ
AIエージェントとADKとは？ (The &quot;What&quot;)
デモ：Data Analytics Agent (The &quot;How&quot;)
課題：現場で本当に使える？ (The &quot;But...&quot;)
解決策：AIに「文脈」を教える (The &quot;Solution&quot;)


# Page. 3

![Page Image](https://bcdn.docswell.com/page/VEN3KW26E8.jpg)

1. The &quot;What&quot; - そもそも「AIエージェント」「ADK」とは？
ADK (Agent
Development Kit) とは？
エコシステム (GCPでの動か
し方)
目標を追求し、タスクを完了させる
Google が開発したAIエージェントの
Agent Engine: AIエージェントに最適
ソフトウェア システムです。
OSSフレームワーク。PythonやJava
化された実行環境。
AI エージェントとは？
AI を使用して、ユーザーの代わりに
で利用可能です。
Gemini Enterprise: ADKを含む、
Googleのエージェントを呼び出すた
めのプラットフォーム。


# Page. 4

![Page Image](https://bcdn.docswell.com/page/Y799VX1R73.jpg)

2. The &quot;How&quot; - 何が進化したのか？：
これまで (Gemini in BigQueryなど)
自然言語 → SQLに変換し、「データ」（例: salesテーブル）に
クエリを実行していました。
これは主に「データエンジニア」向けでした。


# Page. 5

![Page Image](https://bcdn.docswell.com/page/G789P24GJD.jpg)

2. The &quot;How&quot; - 何が進化したのか？：
現在のADK
GoogleのBigQueryのファーストパーティツールセットにより、
ADKで自然言語で、INFORMATION_SCHEMAを用いて、
BigQueryに対してクエリできるようになりました。


# Page. 6

![Page Image](https://bcdn.docswell.com/page/L7LW126XER.jpg)

2. The &quot;How&quot; - 何が進化したのか？：
INFORMATION_SCHEMA がなぜ重要か？
INFORMATION_SCHEMA は「データのためのデータ」です。
「どのテーブルが一番大きい？」「パーティションが切られてい
ないテーブルは？」といった、
DB管理者やデータエンジニアの高度な質問にも答えられるように
なります。


# Page. 7

![Page Image](https://bcdn.docswell.com/page/4EM9W8537W.jpg)

【DEMO】
BigQueryの&quot;中の人&quot;（DBA）に質問してみる
「プロジェクト内で、最もデータ量の多いデータセットを教えてください。」
「直近1ヶ月でデータ量が増えたデータセットは？」
「パーティション化されていない『巨大な』テーブルはどれか？」
（SQLだとリージョン指定やINFORMATION_SCHEMAのJOIN
が面倒だけど、エージェントが全部やってくれる！）


# Page. 8

![Page Image](https://bcdn.docswell.com/page/PERGY53R79.jpg)

課題提起：本当に「SQLさよなら」？
自然言語でクエリが書けた！ ラッキー！
→ 非エンジニアにとっては間違いなく朗報です！
しかし... 現場で本当に使えるでしょうか？
AIはユーザーの「意図」や「文脈」をどこまで理解できるのでしょう？


# Page. 9

![Page Image](https://bcdn.docswell.com/page/P7XXGK4Y7X.jpg)

3. 課題①：スキーマ曖昧性 (Schema Ambiguity)
部署ごとの平均給与はいくらか？
部署のテーブルって
｀current_departure｀と
｀departure_2022｀テーブル二つある。
どちらを見に行けばいい？
どのテーブルのどのカラムでクエリするのかが不明


# Page. 10

![Page Image](https://bcdn.docswell.com/page/37KW45Z47D.jpg)

3. 課題②：セマンティック曖昧性 (Semantic Ambiguity)
過去30日間で最も売れた商品は？
「最も売れた」というビジネス上の定義は...
解釈A: 販売個数 (SUM(quantity)) が最多か？
解釈B: 販売金額 (SUM(quantity * price)) が最
多か？
解釈C: 注文件数 (COUNT(DISTINCT order_id))
が最多か？
ビジネスロジック上、複数の異なる計算方法で解釈できてしまう


# Page. 11

![Page Image](https://bcdn.docswell.com/page/LJ31LKDDE5.jpg)

3. 課題③：ドメイン曖昧性 (Domain Ambiguity)
今月の『アクティブユーザー数』を教えて
スキーマに ｀active_users｀ というカラムはない。
社内定義は...
定義A: 「今月一度でもログインした人」か？
定義B: 「今月一度でも課金した人」か？
定義C: 「今月商品をゲットした人」か？
ユーザーは、DBに存在しない「社内用語」を使うが、
AIは理解できない。


# Page. 12

![Page Image](https://bcdn.docswell.com/page/8JDXN3P27G.jpg)

3. 結局何が問題なのか？：
AIは「コンテキスト」を知らない
DBを操作するには、SQLの知識があれば良いわけではない。
・DBに用いられている業務ドメインの知識
・開発者の設計意図
・プロダクトの歴史的背景
というコンテキスト（文脈）を理解してクエリする必要がある。
問い:
これらの高度な「コンテキスト」を、どうやって生成AIに伝えれば良いでしょうか
？


# Page. 13

![Page Image](https://bcdn.docswell.com/page/VEPP54NLE8.jpg)

4. スキーマ曖昧性への解決策：メタデータの強化
部署ごとの平均給与はいくらか？
｀current_departure｀は現在の部署
｀departure_2022｀は2022年時点での部署。
特に指定はないから、現在の部署でクエリする！
メタデータによって、マッピングがうまくいく。
！


# Page. 14

![Page Image](https://bcdn.docswell.com/page/27V2PXK67Q.jpg)

4. セマンティック曖昧性への解決策：聞き返す
AIが「推測」するのを防ぐ
「過去30日間で最も売れた商品は？」
「確認です。『最も売れた』とは、販売個数と
販売金額のどちらで集計しますか？」
メリット:
AIが「間違った答え」を自信満々に返すという最悪の事態を防げる 。
デメリット:
「毎回聞き返してくるAIは、ちょっと面倒...」


# Page. 15

![Page Image](https://bcdn.docswell.com/page/5JGRPVQ27L.jpg)

4. ドメイン曖昧性への解決策：RAG
AIに「ドメイン知識の教科書」を渡す
RAG:Retrieval-Augmented Generation
生成AIが回答を作成する際に、あらかじめ用意された社内文書やウェブサイトなどの信
頼できる情報源から関連情報を検索し、その内容を基に回答を生成する技術
コンセプト:
ユーザーの質問に応じて、関連するコンテキスト（スキーマ定義、ビジネス
ルール、過去のSQL例）を外部の知識ベース（Vector DBなど）から
動的に検索し、プロンプトに注入する 。


# Page. 16

![Page Image](https://bcdn.docswell.com/page/47QV26K9EP.jpg)

4. ドメイン曖昧性への解決策：RAG
1. 「今月のアクティブユーザー数は？」
6. 「 今月1000人です」
2. RAG: (知識ベースを検索)
4. 定義に沿ってSQLを生成
5. 結果を返却
3. 「今月一度でもログインした人」
という定義を発見


# Page. 17

![Page Image](https://bcdn.docswell.com/page/KE4ML4KR71.jpg)

4. 最適解：メタデータ＋RAG ＋ 聞き返すエージェント
理想のアーキテクチャ:
・メタデータ（例：部署）でスキーマ曖昧性を解決。
・RAGがドメイン曖昧性の質問（例：アクティブユーザー）を解決。
・メタデータやRAGで解決できないセマンティック曖昧性（例：最も売れた商品）
だけをユーザーに確認し、間違いを防ぐ。
→回答の精度とスピードを両立する


# Page. 18

![Page Image](https://bcdn.docswell.com/page/L718L4XVJG.jpg)

まとめ：AIエージェントは「育てる」もの
ADKは「自然言語でデータ分析」エージェントを構築する
強力なフレームワークです。
しかし、「SQLが書ける」だけでは不十分。現場の
「コンテキスト（文脈）」をAIにどう伝えるかが鍵です。
メタデータ強化（基盤）に加え、RAG（教科書を与える）と
対話型エージェント（聞き返す）を組み合わせることで、
実用的なエージェントが実現します。


