Google Cloud 在 2025 年 Q3 推出了多项 Conversational Analytics 的更新，核心目标是将生成式 AI 与企业数据仓库的交互从实验阶段推向规模化生产。

首先，产品的覆盖范围显著扩大。BigQuery 和 Looker 的对话式分析功能已正式可用（GA），面向 AlloyDB、Cloud SQL、Spanner 的对话式分析进入预览阶段。这意味着用户现在可以直接用自然语言查询跨多云和多数据库的工作负载，包括 Google Cloud 内部的数据、AWS S3 上的 Unity Catalog、以及通过 Apache Iceberg 桥接的数据。数据工程师可以在 BigQuery Studio、Data Canvas、Database Studio 中使用它；业务用户则可以在 Looker、Data Studio、Gemini Enterprise 中直接使用。

其次，安全和治理能力跟上了规模化要求。Conversational Analytics 支持客户管理加密密钥 (CMEK)、私有 IP、VPC 控制以及数据驻留 (DRZ) 和 HIPAA 合规。最关键的改进是行级和列级的权限控制，通过 AlloyDB for PostgreSQL 的参数化安全视图实现，确保用户只能看到其授权范围内的数据。管理员还可以通过 BigQuery 的查询标签和 Looker 的系统日志来设置最大查询字节数的成本控制。系统通过 OpenTelemetry 标准导出代理健康度、工具使用情况、延迟和 Token 消耗等指标，并内置用户反馈循环，用于持续评估和改进准确性。

第三，通过 Agent 和数据平台的协同设计来减少幻觉。代理不再简单地包装一个通用 LLM，而是直接利用 Knowledge Catalog 进行数据发现和自动上下文丰富（如表连接和描述）。BigQuery Graphs 和 Spanner Graphs 让代理可以查询结构和非结构化数据之间的多跳关系。Looker 的语义层 (LookML) 将代理的响应约束在统一治理的指标定义内，使用了“Golden Queries”来确保检索的是经过验证的业务逻辑，而不是靠猜测去拼 SQL。此外，代理本身具备上下文感知能力，支持基于 BigQuery 对象表的多模态数据查询（如 ai.search、ai.classify）、基于 TimesFM 的时间序列预测和异常检测 (ai.forecast, ai.detect_anomalies)，以及自动化归因分析 (ai.key_drivers)。

最后，分析正向主动智能演进。Agentic Workflows 进入预览阶段，可以实现自动化例行报告推送、对关键指标的持续异常检测，并在指标偏离基线时自动触发代理进行多维度深度分析，一次性分析影响某个指标的 10 到 20 个贡献因素。开发者可以通过 Conversational Analytics API、原生 SDK（Node.js、Java、Go、Python 等）以及 Model Context Protocol (MCP) 将对话式分析能力嵌入到自定义应用、Slack 机器人或多代理编排系统中。