许多数据分析问题没有单一答案，线索分散在数仓、数据库和配置文件里。以“订单平均价值（AOV）下降7%但总收入持平”为例，需要同时查销售历史、客户记录和营销规则，而这三者分别位于 BigQuery、Cloud SQL 和 Cloud Storage。即使每一条查询单独写都不难，反复切换系统却会消耗大量时间。

Data Agent Kit 正是为这类场景设计的。它是一组 MCP 服务器和 agent skills，让数据开发者在 IDE 内直接运行数据工作流。它既支持 VS Code 系编辑器（如 Antigravity IDE、Cursor），也支持 Antigravity 2.0/CLI、Claude Code、Codex 等工具，无需离开 IDE。核心机制有两个：Model Context Protocol (MCP) 负责连接代理与数据库、云端基础设施；skills 则是 Markdown 格式的知识文件，教会代理如何与特定数据栈交互。代理可以直接执行 SQL 并读取结果，而不是把 SQL 片段复制到控制台。

在演示场景中，用户在 IDE 聊天窗口输入自然语言问题，代理会调用相关 skill 并请求权限后开始查询。执行轨迹里能看到每个 MCP 工具调用和发往 BigQuery 的原始 SQL。结果显示，AOV 从 8 月到 12 月稳定在 110 美元左右，1 月降到 103 美元。进一步下钻发现，线上和线下订单的 AOV 仍保持在 110 美元，新增的 B2B-Wholesale 渠道 AOV 只有 75 美元，所以不是业务下滑，而是产品结构变化。接着代理切换到 Cloud SQL，查到 100 个批发账户全部是过去 30 天内新建的企业实体。再看 BigQuery 中的批发订单，92% 使用了促销码 BIGORDER25，对应云存储中的营销活动文件显示 25% 折扣吸引了大量低价批发订单，进而拉低了整体 AOV。整个根因分析在同一个聊天会话中完成，覆盖了分析库、操作库和结构化元数据。

进一步地，代理可以把临时分析改造成可复现的 dbt 项目。它会自动创建虚拟环境、写入模型和测试，但首次构建失败：唯一性测试发现 order_id 有重复——原因是多宠物家庭的客户被重复关联到每笔订单。代理读取终端输出后重写逻辑并重跑，直到构建通过。文章特别提醒，agentic 工作流中代理能生成大量代码，但数据质量检查仍然必要，好在代理也能把这些检查写出来。

Data Agent Kit 目前处于 preview 阶段，原生支持 Antigravity、Claude Code、Codex、Cursor 等工具。它的价值在于把跨系统查找答案的往返成本交给代理，人工负责判断与引导调查方向。文中也提及可以通过 Codelab、官方文档和开源仓库进一步探索。