Dokumen ini menjelaskan arsitektur tingkat tinggi untuk aplikasi yang membuat dan mengelola kuis pembelajaran interaktif dengan alur kerja AI agentic. Agen menilai pengetahuan pengguna tentang topik tertentu dan menggunakan status sesi persisten serta memori jangka panjang untuk menciptakan pengalaman yang dipersonalisasi. Agen menyimpan histori jawaban pengguna, yang memungkinkannya menyesuaikan kesulitan dan konten pertanyaan berikutnya secara dinamis.
Audiens yang dituju untuk dokumen ini mencakup arsitek, developer, dan administrator yang membangun serta mengelola aplikasi AI agentik. Arsitektur ini dapat disesuaikan untuk membuat aplikasi edukasi interaktif dan stateful di berbagai industri. Dokumen ini mengasumsikan pemahaman dasar tentang sistem agen AI. Untuk mengetahui informasi tentang perbedaan agen dengan sistem non-agen, lihat Apa perbedaan antara agen AI, asisten AI, dan bot?
Bagian deployment dalam dokumen ini menyediakan link ke contoh kode untuk membantu Anda bereksperimen dengan men-deploy aplikasi AI agentik yang menjalankan alur kerja ilmu data.
Arsitektur
Diagram berikut menunjukkan arsitektur tingkat tinggi untuk agen pembelajaran interaktif.
Arsitektur ini menampilkan aliran data berikut:
- Pengguna melakukan tindakan, seperti memulai kuis atau mengirimkan jawaban, dalam aplikasi kuis yang dihosting di Cloud Run.
- Aplikasi meneruskan input pengguna ke agen AI.
Agen AI menggunakan model Gemini di Vertex AI untuk menafsirkan input pengguna. Berdasarkan permintaan pengguna, agen memanggil alat yang sesuai untuk melakukan tindakan kuis yang diminta.
Misalnya, agen memilih alat untuk memulai sesi kuis, mengevaluasi jawaban, atau membuat pertanyaan berikutnya.
Agen mengirimkan respons ke aplikasi kuis.
Aplikasi kuis meneruskan respons kepada pengguna.
Untuk mempertahankan status kuis dan mempersonalisasi pengalaman, agen melakukan tugas latar belakang berikut:
- Agen menambahkan progres dan skor kuis terbaru ke histori sesi tersimpan yang disimpan di Vertex AI Agent Engine Sessions.
- Agen mengubah data kuis menjadi memori dan menyimpannya di Memory Bank untuk mengingat jangka panjang. Agen menggunakan data historis yang disimpan dalam memori untuk menghasilkan respons yang sesuai konteks dalam sesi mendatang.
Produk yang digunakan
Arsitektur contoh ini menggunakan produk Google Cloud berikut:
- Cloud Run: Platform komputasi serverless yang memungkinkan Anda menjalankan container langsung di atas infrastruktur Google yang bersifat skalabel.
- Agent Development Kit (ADK): Kumpulan alat dan library untuk mengembangkan, menguji, dan men-deploy agen AI.
- Vertex AI: Platform ML yang memungkinkan Anda melatih dan men-deploy model ML dan aplikasi AI, serta menyesuaikan LLM untuk digunakan dalam aplikasi yang didukung AI.
- Sesi Vertex AI Agent Engine: Layanan penyimpanan persisten yang menyimpan dan mengambil histori interaksi antara pengguna dan agen.
- Memory Bank: Layanan penyimpanan persisten yang membuat, menyempurnakan, mengelola, dan mengambil memori jangka panjang berdasarkan percakapan pengguna dengan agen.
Deployment
Untuk men-deploy contoh implementasi arsitektur ini yang menyediakan kuis terkait coding, gunakan contoh kode tutor Python yang tersedia di GitHub.
Langkah berikutnya
- (Notebook) Mulai menggunakan Sesi dan Bank Memori untuk agen ADK di Cloud Run.
- (Blog) Pelajari lebih lanjut status dan memori dengan ADK.
- (Codelab) Membangun asisten peninjauan kode AI produksi dengan ADK.
- (Video) Tonton Podcast Agent Factory tentang memori di agen.
- Pelajari Meng-hosting agen AI di Cloud Run.
- Untuk mengetahui ringkasan prinsip dan rekomendasi arsitektur khusus untuk workload AI dan ML di Google Cloud, lihat perspektif AI dan ML dalam Well-Architected Framework.
- Untuk mengetahui lebih banyak tentang arsitektur referensi, diagram, dan praktik terbaik lainnya, jelajahi Pusat Arsitektur Cloud.
Kontributor
Penulis: Samantha He | Technical Writer
Kontributor lainnya:
- Amina Mansour | Head of Cloud Platform Evaluations Team
- Kumar Dhanagopal | Cross-Product Solution Developer
- Megan O'Keefe | Developer Advocate
- Rachael Deacon-Smith | Developer Advocate
- Shir Meir Lador | Developer Relations Engineering Manager