Développer et déployer des agents sur Vertex AI Agent Engine

Développer et déployer des agents sur Vertex AI Agent Engine

Cette page explique comment créer et déployer un agent sur Vertex AI Agent Engine Runtime à l'aide des frameworks d'agent suivants :

• LangGraph

• LangChain

• AG2

• Pipeline de requête LlamaIndex (bêta)

Ce guide de démarrage rapide vous guide tout au long des étapes suivantes :

• configurer votre projet Google Cloud  ;

• Installez le SDK Vertex AI pour Python et le framework de votre choix.

• Développez un agent de change.

• Déployez l'agent dans l'environnement d'exécution Vertex AI Agent Engine.

• Testez l'agent déployé.

Pour le démarrage rapide avec Agent Development Kit, consultez Développer et déployer des agents sur Vertex AI Agent Engine avec Agent Development Kit.

Avant de commencer

Remarque : Pour activer les API, vous devez disposer de l'autorisation serviceusage.services.enable. Si vous ne disposez pas de cette autorisation, demandez à votre administrateur de vous attribuer le rôle Administrateur Service Usage (roles/serviceusage.serviceUsageAdmin).

Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Roles required to select or create a project

• Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
• Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

Enable the Vertex AI and Cloud Storage APIs.

Roles required to enable APIs

To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

Enable the APIs

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Roles required to select or create a project

• Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
• Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

Enable the Vertex AI and Cloud Storage APIs.

Roles required to enable APIs

To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

Enable the APIs

Pour obtenir les autorisations nécessaires à l'utilisation de Vertex AI Agent Engine, demandez à votre administrateur de vous accorder les rôles IAM suivants sur votre projet :

• Utilisateur Vertex AI (roles/aiplatform.user)
• Administrateur de l'espace de stockage (roles/storage.admin)

Pour en savoir plus sur l'attribution de rôles, consultez Gérer l'accès aux projets, aux dossiers et aux organisations.

Vous pouvez également obtenir les autorisations requises avec des rôles personnalisés ou d'autres rôles prédéfinis.

Installer et initialiser le SDK Vertex AI pour Python

1. Exécutez la commande suivante pour installer le SDK Vertex AI pour Python et les autres packages requis :

   LangGraph

   pip install --upgrade --quiet google-cloud-aiplatform[agent_engines,langchain]>=1.112

   LangChain

   pip install --upgrade --quiet google-cloud-aiplatform[agent_engines,langchain]>=1.112

   AG2

   pip install --upgrade --quiet google-cloud-aiplatform[agent_engines,ag2]>=1.112

   LlamaIndex

   Preview

   Cette fonctionnalité est soumise(s) aux "Conditions des offres de pré-DG" de la section "Conditions générales du service" des Conditions spécifiques du service. Les fonctionnalités de pré-DG sont disponibles "en l'état" et peuvent avoir une prise en charge limitée. Pour en savoir plus, consultez les descriptions des étapes de lancement.

   pip install --upgrade --quiet google-cloud-aiplatform[agent_engines,llama_index]>=1.112

2. S'authentifier en tant qu'utilisateur

   Colab

   Exécutez le code suivant :

   from google.colab import auth
   
   auth.authenticate_user(project_id="PROJECT_ID")
   

   Cloud Shell

   Aucune action n'est requise.

   Shell local

   Exécutez la commande suivante :

   gcloud auth application-default login

   Mode Express

   Si vous utilisez Vertex AI en mode Express, aucune action n'est requise.

3. Exécutez le code suivant pour importer Vertex AI Agent Engine et initialiser le SDK :

   1. (Facultatif) Avant de tester un agent que vous développez, vous devez importer Vertex AI Agent Engine et initialiser le SDK comme suit :

      Projet Google Cloud

      import vertexai
      
      vertexai.init(
          project="PROJECT_ID",               # Your project ID.
          location="LOCATION",                # Your cloud region.
      )
      

      Où :

      • PROJECT_ID correspond à l'ID de projet Google Cloud sous lequel vous développerez et déploierez des agents.

      • LOCATION désigne l'une des régions compatibles.

      Mode Express

      Si vous utilisez Vertex AI en mode Express, exécutez le code suivant :

      import vertexai
      
      vertexai.init(
          api_key="API_KEY"
      )
      

      où API_KEY correspond à la clé API que vous utilisez pour authentifier l'agent.

   2. Avant de déployer un agent, vous devez importer Vertex AI Agent Engine et initialiser le SDK comme suit :

      Projet Google Cloud

      import vertexai
      
      client = vertexai.Client(
          project="PROJECT_ID",               # Your project ID.
          location="LOCATION",                # Your cloud region.
      )
      

      Où :

      • PROJECT_ID correspond à l'ID de projet Google Cloud sous lequel vous développerez et déploierez des agents.

      • LOCATION désigne l'une des régions compatibles.

      Mode Express

      Si vous utilisez Vertex AI en mode Express, exécutez le code suivant :

      import vertexai
      
      client = vertexai.Client(
          api_key="API_KEY"
      )
      

      où API_KEY correspond à la clé API que vous utilisez pour authentifier l'agent.

Développer un agent

1. Développez un outil de change pour votre agent :

   def get_exchange_rate(
       currency_from: str = "USD",
       currency_to: str = "EUR",
       currency_date: str = "latest",
   ):
       """Retrieves the exchange rate between two currencies on a specified date."""
       import requests
   
       response = requests.get(
           f"https://api.frankfurter.app/{currency_date}",
           params={"from": currency_from, "to": currency_to},
       )
       return response.json()
   

2. Instanciez un agent :

   LangGraph

   from vertexai import agent_engines
   
   agent = agent_engines.LanggraphAgent(
       model="gemini-2.0-flash",
       tools=[get_exchange_rate],
       model_kwargs={
           "temperature": 0.28,
           "max_output_tokens": 1000,
           "top_p": 0.95,
       },
   )
   

   LangChain

   from vertexai import agent_engines
   
   agent = agent_engines.LangchainAgent(
       model="gemini-2.0-flash",
       tools=[get_exchange_rate],
       model_kwargs={
           "temperature": 0.28,
           "max_output_tokens": 1000,
           "top_p": 0.95,
       },
   )
   

   AG2

   from vertexai import agent_engines
   
   agent = agent_engines.AG2Agent(
       model="gemini-2.0-flash",
       runnable_name="Get Exchange Rate Agent",
       tools=[get_exchange_rate],
   )
   

   LlamaIndex

   Preview

   Cette fonctionnalité est soumise(s) aux "Conditions des offres de pré-DG" de la section "Conditions générales du service" des Conditions spécifiques du service. Les fonctionnalités de pré-DG sont disponibles "en l'état" et peuvent avoir une prise en charge limitée. Pour en savoir plus, consultez les descriptions des étapes de lancement.

   from vertexai.preview import reasoning_engines
   
   def runnable_with_tools_builder(model, runnable_kwargs=None, **kwargs):
       from llama_index.core.query_pipeline import QueryPipeline
       from llama_index.core.tools import FunctionTool
       from llama_index.core.agent import ReActAgent
   
       llama_index_tools = []
       for tool in runnable_kwargs.get("tools"):
           llama_index_tools.append(FunctionTool.from_defaults(tool))
       agent = ReActAgent.from_tools(llama_index_tools, llm=model, verbose=True)
       return QueryPipeline(modules = {"agent": agent})
   
   agent = reasoning_engines.LlamaIndexQueryPipelineAgent(
       model="gemini-2.0-flash",
       runnable_kwargs={"tools": [get_exchange_rate]},
       runnable_builder=runnable_with_tools_builder,
   )
   

3. Testez l'agent localement :

   LangGraph

   agent.query(input={"messages": [
       ("user", "What is the exchange rate from US dollars to SEK today?"),
   ]})
   

   LangChain

   agent.query(
       input="What is the exchange rate from US dollars to SEK today?"
   )
   

   AG2

   agent.query(
       input="What is the exchange rate from US dollars to SEK today?"
   )
   

   LlamaIndex

   Preview

   Cette fonctionnalité est soumise(s) aux "Conditions des offres de pré-DG" de la section "Conditions générales du service" des Conditions spécifiques du service. Les fonctionnalités de pré-DG sont disponibles "en l'état" et peuvent avoir une prise en charge limitée. Pour en savoir plus, consultez les descriptions des étapes de lancement.

   agent.query(
       input="What is the exchange rate from US dollars to SEK today?"
   )
   

Déployer un agent

Déployez l'agent en créant une ressource reasoningEngine dans Vertex AI :

LangGraph

remote_agent = client.agent_engines.create(
    agent,
    config={
        "requirements": ["google-cloud-aiplatform[agent_engines,langchain]"],
    },
)

LangChain

remote_agent = client.agent_engines.create(
    agent,
    config={
        "requirements": ["google-cloud-aiplatform[agent_engines,langchain]"],
    },
)

AG2

remote_agent = client.agent_engines.create(
    agent,
    config={
        "requirements": ["google-cloud-aiplatform[agent_engines,ag2]"],
    },
)

LlamaIndex

Preview

Cette fonctionnalité est soumise(s) aux "Conditions des offres de pré-DG" de la section "Conditions générales du service" des Conditions spécifiques du service. Les fonctionnalités de pré-DG sont disponibles "en l'état" et peuvent avoir une prise en charge limitée. Pour en savoir plus, consultez les descriptions des étapes de lancement.

remote_agent = client.agent_engines.create(
    agent,
    config={
        "requirements": ["google-cloud-aiplatform[agent_engines,llama_index]"],
    },
)

Utiliser un agent

Testez l'agent déployé en envoyant une requête :

LangGraph

remote_agent.query(input={"messages": [
    ("user", "What is the exchange rate from US dollars to SEK today?"),
]})

LangChain

remote_agent.query(
    input="What is the exchange rate from US dollars to SEK today?"
)

AG2

remote_agent.query(
    input="What is the exchange rate from US dollars to SEK today?"
)

LlamaIndex

Preview

Cette fonctionnalité est soumise(s) aux "Conditions des offres de pré-DG" de la section "Conditions générales du service" des Conditions spécifiques du service. Les fonctionnalités de pré-DG sont disponibles "en l'état" et peuvent avoir une prise en charge limitée. Pour en savoir plus, consultez les descriptions des étapes de lancement.

remote_agent.query(
    input="What is the exchange rate from US dollars to SEK today?"
)

Effectuer un nettoyage

Pour éviter que les ressources utilisées dans cette démonstration soient facturées sur votre compte Google Cloud , procédez comme suit :

remote_agent.delete(force=True)

Étapes suivantes

• Explorez les notebooks.
• Configurer l'environnement
• Développez un agent.
• Déployez un agent.
• Utiliser un agent
• Gérer un agent
• Accédez à l'assistance.