In diesem Dokument wird eine allgemeine Architektur für eine Anwendung beschrieben, die einen Data-Science-Workflow ausführt, um komplexe Datenanalyse- und Machine-Learning-Aufgaben zu automatisieren.
Diese Architektur verwendet Datasets, die in BigQuery oder AlloyDB for PostgreSQL gehostet werden. Die Architektur ist ein Multi-Agent-System, mit dem Nutzer Aktionen in Befehlen in natürlicher Sprache ausführen können. Komplexe SQL- oder Python-Code ist nicht erforderlich.
Die Zielgruppe für dieses Dokument umfasst Architekten, Entwickler und Administratoren, die agentische KI-Anwendungen erstellen und verwalten. Mit dieser Architektur können Geschäfts- und Datenteams Messwerte in einer Vielzahl von Branchen analysieren, z. B. im Einzelhandel, im Finanzwesen und in der Fertigung. Das Dokument setzt grundlegende Kenntnisse von agentischer KI voraus. Informationen dazu, wie sich Agenten von Systemen ohne Agenten unterscheiden, finden Sie unter Was ist der Unterschied zwischen KI-Agenten, KI-Assistenten und Bots?
Architektur
Das folgende Diagramm zeigt die Architektur für einen Data-Science-Workflow-Agenten.
Diese Architektur umfasst die folgenden Komponenten:
- Frontend
- Nutzer interagieren über ein Frontend, z. B. eine Chat-Oberfläche, mit dem Multi-Agent-System. Das Frontend wird als serverloser Cloud Run-Dienst ausgeführt.
- KI-Modell und Modelllaufzeiten
- Für die Inferenzbereitstellung verwenden die Agenten in dieser Beispielarchitektur das neueste Gemini Modell auf Gemini Enterprise Agent Platform.
- KI-Agenten
-
In dieser Architektur werden die folgenden Agenten verwendet:
- Root-Agent: Ein Koordinations agent, der Anfragen vom Frontend-Dienst empfängt. Der Root Agent interpretiert die Anfrage des Nutzers und versucht, sie selbst zu beantworten. Wenn für die Aufgabe spezielle Tools erforderlich sind, leitet der Root-Agent die Anfrage an den entsprechenden spezialisierten Agenten weiter.
- Spezialisierter Agent: Der Root-Agent ruft die folgenden
spezialisierten Agenten mit der Funktion „Agent
als Tool“ auf:
- Analytics-Agent: Ein spezialisierter Agent für Datenanalyse und Visualisierung. Der Analytics-Agent verwendet das KI-Modell, um Python-Code zu generieren und auszuführen, um Datasets zu verarbeiten, Diagramme zu erstellen und statistische Analysen durchzuführen.
- AlloyDB for PostgreSQL-Agent: Ein spezialisierter Agent für die Interaktion mit Daten in AlloyDB for PostgreSQL. Der Agent verwendet das KI-Modell, um die Anfrage des Nutzers zu interpretieren und SQL im PostgreSQL-Dialekt zu generieren. Der Agent stellt mit der MCP Toolbox for Databases eine sichere Verbindung zur Datenbank her und führt dann die Abfrage aus, um die angeforderten Daten abzurufen.
- BigQuery-Agent: Ein spezialisierter Agent für die Interaktion mit Daten in BigQuery. Der Agent verwendet das KI-Modell, um die Anfrage des Nutzers zu interpretieren und GoogleSQL Abfragen zu generieren. Der Agent stellt mit dem integrierten BigQuery-Tool des Agent Development Kit (ADK) eine Verbindung zu BigQuery her und führt dann die Abfrage aus, um die angeforderten Daten abzurufen.
- BigQuery ML-Agent: Ein Unteragent des Root-Agenten, der für Machine-Learning-Workflows zuständig ist. Der Agent interagiert mit BigQuery ML , um den End-to-End-ML-Lebenszyklus zu verwalten. Der Agent kann Modelle erstellen und trainieren Auswertungen ausführen und Vorhersagen basierend auf Nutzer Anfragen generieren.
- Agent Runtime
- Die KI-Agenten in dieser Architektur werden als serverlose Cloud Run-Dienste bereitgestellt.
- ADK
- ADK bietet Tools und ein Framework zum Entwickeln, Testen und Bereitstellen von Agenten. Das ADK abstrahiert die Komplexität der Agentenerstellung und ermöglicht es KI Entwicklern, sich auf die Logik und Funktionen des Agenten zu konzentrieren.
Verwendete Produkte
In dieser Beispielarchitektur werden die folgenden Google Cloud und Open-Source Produkte und ‑Tools verwendet:
- Cloud Run: Eine serverlose Computing-Plattform, mit der Sie Container direkt auf der skalierbaren Infrastruktur von Google ausführen können.
- Agent Development Kit (ADK): Eine Reihe von Tools und Bibliotheken zum Entwickeln, Testen und Bereitstellen von KI-Agenten.
- Gemini Enterprise Agent Platform: Eine umfassende Plattform zum Erstellen, Skalieren, Verwalten und Optimieren von KI-Agenten auf Unternehmensniveau.
- Gemini: Eine Reihe multimodaler KI-Modelle, die von Google entwickelt wurden.
- BigQuery: Ein Data Warehouse für Unternehmen, mit dem Sie Ihre Daten mit integrierten Features wie Machine Learning, raumbezogenen Analysen und Business Intelligence verwalten und analysieren können.
- AlloyDB for PostgreSQL: Ein vollständig verwalteter, PostgreSQL-kompatibler Datenbankdienst, der für Ihre anspruchsvollsten Arbeitslasten entwickelt wurde, einschließlich hybrider transaktionsorientierter und analytischer Verarbeitung.
- MCP Toolbox for Databases: Ein Open-Source- Model Context Protocol (MCP)-Server, mit dem KI-Agenten sicher eine Verbindung zu Datenbanken herstellen können. Dabei werden Datenbankkomplexitäten wie Verbindungspooling, Authentifizierung und Beobachtbarkeit verwaltet.
Sicherheitsaspekte
Um die besonderen Sicherheitsrisiken von KI-Agenten zu minimieren, empfiehlt Google einen Ansatz der deterministische Sicherheitskontrollen mit dynamischen, auf Schlussfolgerungen basierenden Abwehrmechanismen kombiniert:
- Menschliche Aufsicht: Integrieren Sie in geschäftskritischen Systemen einen Human-in-the-Loop-Workflow, damit menschliche Aufsichtspersonen Ausgaben überprüfen und Agentenaktionen genehmigen, überschreiben oder pausieren können.
- Agent Identity: Weisen Sie jedem Agenten eine arbeitslastbezogene Identität zu, um die Zugriffssteuerung nach dem Prinzip der geringsten Berechtigung zu erzwingen und Anmeldedaten für externe Tools zentral zu verwalten.
- Agent Gateway: Erzwingen Sie die Governance für eingehenden und ausgehenden Traffic, Standardzugriffsrichtlinien, und die Inline-Überprüfung von Prompts und Tools mit Model Armor.
- Agent Registry: Prüfen Sie, ob Agenten nur eine Verbindung zu genehmigten Unteragenten und MCP-Tools herstellen.
Die Anleitung in diesem Abschnitt ist nicht vollständig. Weitere Informationen zu Designfaktoren und Best Practices sowie Empfehlungen zum Erstellen und Bereitstellen eines Multi-Agent-KI-Systems finden Sie unter Multi-Agent-KI-System in Google Cloud.
Nächste Schritte
- (Video) Podcast „Agent Factory“ zu KI-Agenten für Data Engineering und Data Science ansehen .
- (Notebook) Data Science Agent in Colab Enterprise verwenden.
- Informationen zum Hosten von KI-Agenten in Cloud Run.
- Eine Übersicht über Architekturprinzipien und Empfehlungen speziell für KI und ML-Arbeitslasten in Google Cloudfinden Sie in der KI- und ML-Perspektive im Well-Architected Framework.
- Weitere Referenzarchitekturen, Diagramme und Best Practices finden Sie im Cloud Architecture Center.
Beitragende
Autor: Samantha He | Technische Autorin
Weitere Beitragende:
- Amina Mansour | Tech Lead, Global Developer Relations & Strategic Content
- Kumar Dhanagopal | Cross-Product Solution Developer
- Megan O'Keefe | Developer Advocate
- Rachael Deacon-Smith | Developer Advocate
- Shir Meir Lador | Developer Relations Engineering Manager