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 membuat 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 dan mengelola aplikasi AI agentic. Arsitektur ini dapat disesuaikan untuk membuat aplikasi pendidikan interaktif dan stateful di berbagai industri. Dokumen ini mengasumsikan pemahaman dasar tentang sistem agen AI. Untuk mengetahui informasi tentang perbedaan antara agen dan sistem non-agentic, 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 agentic yang menjalankan alur kerja ilmu data.
Arsitektur
Diagram berikut menunjukkan arsitektur tingkat tinggi untuk agen pembelajaran interaktif.
Arsitektur ini menunjukkan 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 Gemini Enterprise Agent Platform 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 ke pengguna.
Untuk mempertahankan status kuis dan mempersonalisasi pengalaman, agen melakukan tugas latar belakang berikut:
- Agen menambahkan skor dan progres kuis terbaru ke histori sesi tersimpan yang disimpan di Sesi Gemini Enterprise Agent Platform.
- Agen mengubah data kuis menjadi memori dan menyimpannya di Memory Bank untuk mengingat jangka panjang. Agen menggunakan data historis yang disimpan dalam memori untuk membuat respons yang sesuai konteks dalam sesi mendatang.
Produk yang digunakan
Arsitektur contoh ini menggunakan produk berikut: Google Cloud
- Cloud Run: Platform komputasi serverless yang dapat Anda gunakan untuk menjalankan container langsung pada infrastruktur Google yang bersifat skalabel.
- Agent Development Kit (ADK): Kumpulan alat dan library untuk mengembangkan, menguji, dan men-deploy agen AI.
- Gemini Enterprise Agent Platform: Platform komprehensif yang memungkinkan Anda membangun, menskalakan, mengatur, dan mengoptimalkan agen AI tingkat perusahaan.
- Sesi Gemini Enterprise Agent Platform: 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 Memory Bank 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 Agent Factory Podcast tentang memori di agen.
- Pelajari cara Menghosting agen AI di Cloud Run.
- Untuk mengetahui ringkasan prinsip dan rekomendasi arsitektur yang khusus untuk workload AI dan ML di Google Cloud, lihat perspektif AI dan ML di Well-Architected Framework.
- Untuk mengetahui lebih banyak tentang arsitektur referensi, diagram, dan praktik terbaik lainnya, jelajahi Cloud Architecture Center.
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