Questo documento descrive un'architettura di alto livello per un'applicazione che genera e gestisce un quiz di apprendimento interattivo con un workflow di AI agentica. L'agente valuta le conoscenze di un utente su un argomento specifico e utilizza uno stato di sessione persistente e una memoria a lungo termine per creare un'esperienza personalizzata. L'agente mantiene una cronologia delle risposte dell'utente, il che gli consente di regolare dinamicamente la difficoltà e i contenuti delle domande successive.
Il pubblico di destinazione di questo documento include architetti, sviluppatori e amministratori che creano e gestiscono applicazioni di AI agentica. Questa architettura è adattabile per la creazione di applicazioni didattiche interattive e stateful in vari settori. Il documento presuppone una conoscenza di base dei sistemi di agenti AI. Per informazioni sulle differenze tra gli agenti e i sistemi non agentici, consulta Qual è la differenza tra agenti AI, assistenti AI e bot?
La sezione Deployment di questo documento fornisce un link a un esempio di codice per aiutarti a sperimentare il deployment di un'applicazione di AI agentica che gestisce un quiz di apprendimento interattivo.
Architettura
Il seguente diagramma mostra un'architettura di alto livello per un agente di apprendimento interattivo.
L'architettura mostra il seguente flusso di dati:
- Un utente esegue un'azione, ad esempio l'avvio di un quiz o l'invio di una risposta, all'interno dell'applicazione di quiz ospitata su Cloud Run.
- L'applicazione inoltra l'input dell'utente all'agente AI.
L'agente AI utilizza il modello Gemini su Gemini Enterprise Agent Platform per interpretare l'input dell'utente. In base alla richiesta dell'utente, l'agente chiama gli strumenti appropriati per eseguire l'azione del quiz richiesta.
Ad esempio, l'agente seleziona uno strumento per avviare una sessione di quiz, valutare una risposta o generare la domanda successiva.
L'agente invia la risposta all'applicazione del quiz.
L'applicazione del quiz inoltra la risposta all'utente.
Per mantenere lo stato del quiz e personalizzare l'esperienza, l'agente esegue le seguenti attività in background:
- L'agente aggiunge i progressi e il punteggio più recenti del quiz alla cronologia della sessione salvata archiviata in Gemini Enterprise Agent Platform Sessions.
- L'agente trasforma i dati del quiz in memorie e li archivia in Memory Bank per il richiamo a lungo termine. L'agente utilizza i dati storici archiviati in memoria per generare risposte sensibili al contesto nelle sessioni future.
Prodotti utilizzati
Questa architettura di esempio utilizza i seguenti prodotti e strumenti Google Cloud e open source:
- Cloud Run: una piattaforma di serverless computing che ti consente di eseguire container direttamente sull'infrastruttura scalabile di Google.
- Agent Development Kit (ADK): un insieme di strumenti e librerie per sviluppare, testare ed eseguire il deployment di agenti AI.
- Gemini Enterprise Agent Platform: una piattaforma completa che ti consente di creare, scalare, gestire e ottimizzare agenti AI di livello enterprise.
- Sessioni di Gemini Enterprise Agent Platform: un servizio di archiviazione permanente che salva e recupera la cronologia delle interazioni tra un utente e gli agenti.
- Memory Bank: un servizio di archiviazione permanente che genera, perfeziona, gestisce e recupera le informazioni salvate a lungo termine in base alle conversazioni di un utente con un agente.
Considerazioni sulla sicurezza
Per contribuire ad affrontare i rischi di sicurezza unici degli agenti AI, Google consiglia un approccio che combina controlli di sicurezza deterministici con difese dinamiche basate sul ragionamento:
- Supervisione umana: incorpora un flusso human-in-the-loop nei sistemi aziendali critici in modo che i supervisori umani possano esaminare gli output e approvare, ignorare o mettere in pausa le azioni degli agenti.
- Agent Identity: assegna a ogni agente un'identità associata al workload per applicare controllo dell'accesso con privilegio minimo e gestire centralmente le credenziali per gli strumenti esterni.
- Agent Gateway: applica la governance del traffico in entrata e in uscita, le policy di accesso con rifiuto predefinito e l'ispezione dei prompt e degli strumenti in linea con Model Armor.
- Agent Registry: verifica che gli agenti si connettano solo a subagenti e strumenti MCP approvati.
Le indicazioni riportate in questa sezione non sono esaustive. Per saperne di più sui fattori di progettazione e sulle best practice, nonché per i consigli sulla creazione e sul deployment di un sistema di AI multi-agente, consulta Sistema di AI multi-agente in Google Cloud.
Deployment
Per eseguire il deployment di un'implementazione di esempio di questa architettura che fornisce quiz relativi alla programmazione, utilizza l'esempio di codice del tutor Python disponibile su GitHub.
Passaggi successivi
- (Notebook) Inizia a utilizzare le sessioni e la banca della memoria di Agent Platform per gli agenti ADK in Cloud Run.
- (Blog) Scopri di più su stato e memoria con ADK.
- (Codelab) Crea un assistente per la revisione del codice AI di produzione con ADK.
- (Video) Guarda Memoria a lungo termine dell'agente AI con Memory Bank.
- Scopri come ospitare agenti AI su Cloud Run.
- Per una panoramica dei principi e dei suggerimenti di architettura specifici per i workload di AI e ML in Google Cloud, consulta la prospettiva di AI e ML nel Well-Architected Framework.
- Per ulteriori architetture di riferimento, diagrammi e best practice, esplora Cloud Architecture Center.
Collaboratori
Autore: Samantha He | Technical Writer
Altri collaboratori:
- 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