部署代理

如需在 Vertex AI Agent Engine 上部署智能体，请选择以下两种主要方法之一：

  • 从代理对象进行部署：非常适合在 Colab 等环境中进行交互式开发，可用于部署内存中的 local_agent 对象。此方法最适合结构不包含复杂、不可序列化组件的代理。
  • 从源文件进行部署：此方法非常适合自动化工作流，例如 CI/CD 流水线和 Terraform 等基础架构即代码工具，可实现完全声明式和自动化的部署。它直接从本地源代码部署代理，不需要 Cloud Storage 存储桶。

如需开始使用，请按以下步骤操作：

  1. 完成前提条件。
  2. （可选）配置智能体以进行部署。
  3. 创建 AgentEngine 实例。
  4. （可选）获取智能体资源 ID。
  5. （可选）列出支持的操作。
  6. （可选）为所部署的智能体授予权限。

您还可以使用 Agent Starter Pack 模板进行部署。

前提条件

在部署智能体之前，请确保您已完成以下任务：

  1. 设置您的环境。
  2. 开发智能体。

（可选）配置智能体以进行部署

您可以为智能体进行以下可选配置：

创建 AgentEngine 实例

本部分介绍了如何创建 AgentEngine 实例以部署代理。

如需在 Vertex AI Agent Engine 上部署智能体，您可以选择以下方法：

  • 从代理对象进行部署，以实现互动式开发。

  • 从源文件部署，以实现基于文件的自动化工作流程。

来自代理对象

如需在 Vertex AI 上部署智能体，请使用 client.agent_engines.create 传入 local_agent 对象以及任何可选配置：

remote_agent = client.agent_engines.create(
    agent=local_agent,                                  # Optional.
    config={
        "requirements": requirements,                   # Optional.
        "extra_packages": extra_packages,               # Optional.
        "gcs_dir_name": gcs_dir_name,                   # Optional.
        "display_name": display_name,                   # Optional.
        "description": description,                     # Optional.
        "labels": labels,                               # Optional.
        "env_vars": env_vars,                           # Optional.
        "build_options": build_options,                 # Optional.
        "identity_type": identity_type,                 # Optional.
        "service_account": service_account,             # Optional.
        "min_instances": min_instances,                 # Optional.
        "max_instances": max_instances,                 # Optional.
        "resource_limits": resource_limits,             # Optional.
        "container_concurrency": container_concurrency, # Optional
        "encryption_spec": encryption_spec,             # Optional.
        "agent_framework": agent_framework,             # Optional.
    },
)

部署需要几分钟时间完成，在此期间，系统会在后台执行以下步骤：

  1. 系统会在本地生成以下制品的软件包：

    • *.pkl：与 local_agent 对应的 pickle 文件。
    • requirements.txt：包含软件包要求的文本文件。
    • dependencies.tar.gz：包含任何额外软件包的 tar 文件。

  2. 该软件包会上传到 Cloud Storage（位于相应的文件夹下），用来暂存制品。

  3. PackageSpec 中指定了相应制品的 Cloud Storage URI。

  4. Vertex AI Agent Engine 服务会接收请求，并在后端构建容器并启动 HTTP 服务器。

部署延迟时间取决于安装所需软件包花费的总时间。部署后，remote_agent 对应于在 Vertex AI 上运行的 local_agent 的实例，您可以查询或删除该实例。

remote_agent 对象对应于包含以下属性的 AgentEngine 类：

来自源文件

如需从 Vertex AI 上的源文件进行部署，请使用 client.agent_engines.create，并在配置字典中提供 source_packages、entrypoint_module、entrypoint_object 和 class_methods，以及其他可选配置。使用此方法时，您无需传递代理对象或 Cloud Storage 存储桶。

remote_agent = client.agent_engines.create(
    config={
        "source_packages": source_packages,             # Required.
        "entrypoint_module": entrypoint_module,         # Required.
        "entrypoint_object": entrypoint_object,         # Required.
        "class_methods": class_methods,                 # Required.
        "requirements_file": requirements_file,         # Optional.
        "display_name": display_name,                   # Optional.
        "description": description,                     # Optional.
        "labels": labels,                               # Optional.
        "env_vars": env_vars,                           # Optional.
        "build_options": build_options,                 # Optional.
        "identity_type": identity_type,                 # Optional.
        "service_account": service_account,             # Optional.
        "min_instances": min_instances,                 # Optional.
        "max_instances": max_instances,                 # Optional.
        "resource_limits": resource_limits,             # Optional.
        "container_concurrency": container_concurrency, # Optional
        "encryption_spec": encryption_spec,             # Optional.
        "agent_framework": agent_framework,             # Optional.
    },
)

内嵌来源部署的参数如下：

  • source_packages（必需，list[str]）：要纳入部署中的本地文件或目录路径的列表。source_packages 中文件和目录的总大小不应超过 8MB。
  • entrypoint_module（必需，str）：包含代理入口点的完全限定 Python 模块名称（例如 agent_dir.agent）。
  • entrypoint_object（必需，str）：entrypoint_module 中表示代理应用的可调用对象的名称（例如 root_agent）。

  • class_methods（必需，list[dict]）：用于定义代理公开方法的字典列表。每个字典都包含 name（必需）、api_mode（必需）和 parameters 字段。如需详细了解自定义代理的方法，请参阅列出支持的操作。

    例如：

      "class_methods": [
      {
          "name": "method_name",
          "api_mode": "", # Possible options are: "", "async", "async_stream", "stream", "bidi_stream"
          "parameters": {
              "type": "object",
              "properties": {
                  "param1": {"type": "string", "description": "Description of param1"},
                  "param2": {"type": "integer"}
              },
              "required": ["param1"]
          }
      }
  ]
  ```

  • requirements_file（可选，str）：source_packages 中指定的路径内某个 pip 要求文件的路径。默认为打包源代码根目录中的 requirements.txt。

部署需要几分钟时间完成，在此期间，系统会在后台执行以下步骤：

  1. Vertex AI SDK 会创建 source_packages 中指定路径的 tar.gz 归档。
  2. 此归档文件经过编码，并直接发送到 Vertex AI API。
  3. Vertex AI Agent Engine 服务会接收归档文件，对其进行解压缩，从 requirements_file（如果已提供）安装依赖项，并使用指定的 entrypoint_module 和 entrypoint_object 启动代理应用。

部署延迟时间取决于安装所需软件包花费的总时间。部署后，remote_agent 对应于在 Vertex AI 上运行的代理应用实例，您可以查询或删除该实例。

remote_agent 对象对应于包含以下属性的 AgentEngine 类：

以下示例展示了如何从源文件部署代理：

from google.cloud.aiplatform import vertexai

# Example file structure:
# /agent_directory
#     ├── agent.py
#     ├── requirements.txt

# Example agent_directory/agent.py:
# class MyAgent:
#     def ask(self, question: str) -> str:
#         return f"Answer to {question}"
# root_agent = MyAgent()

remote_agent = client.agent_engines.create(
  config={
      "display_name": "My Agent",
      "description": "An agent deployed from a local source.",
      "source_packages": ["agent_directory"],
      "entrypoint_module": "agent_directory.agent",
      "entrypoint_object": "root_agent",
      "requirements_file": "requirements.txt",
      "class_methods": [
          {"name": "ask", "api_mode": "", "parameters": {
              "type": "object",
              "properties": {
                  "question": {"type": "string"}
              },
              "required": ["question"]
          }},
      ],
      # Other optional configs:
      # "env_vars": {...},
      # "service_account": "...",
  }
)

（可选）获取智能体资源 ID

每个已部署的智能体都有一个唯一标识符。您可以运行以下命令来获取所部署智能体的资源名称：

remote_agent.api_resource.name

响应应如以下字符串所示：

"projects/PROJECT_NUMBER/locations/LOCATION/reasoningEngines/RESOURCE_ID"

其中

  • PROJECT_ID 是所部署智能体运行的 Google Cloud 项目 ID。

  • LOCATION 是所部署智能体运行所在的区域。

  • RESOURCE_ID 是所部署智能体的 ID，以 reasoningEngine 资源的形式表示。

（可选）列出支持的操作

每个已部署的智能体都有一份支持的操作列表。您可以运行以下命令来获取已部署的智能体支持的操作列表：

remote_agent.operation_schemas()

每个操作的架构都是一个字典，用于记录您可以调用的智能体方法的相关信息。支持的操作集取决于您用于开发智能体的框架：

（可选）为所部署的智能体授予权限

如果需要向所部署的智能体授予任何其他权限，请按照为智能体设置身份和权限中的说明操作。

后续步骤