Questo documento descrive un'architettura di alto livello per un'applicazione che genera e amministra 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 della 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 su come gli agenti si differenziano dai sistemi non agentici, vedi Qual è la differenza tra agenti AI, assistenti AI e bot?
La sezione deployment di questo documento fornisce link a esempi di codice per aiutarti a sperimentare il deployment di un'applicazione di AI agentica che esegue un workflow di data science.
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 inizia un quiz o invia 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 ricordi e li archivia in Memory Bank per il recupero a lungo termine. L'agente utilizza i dati storici memorizzati per generare risposte sensibili al contesto nelle sessioni future.
Prodotti utilizzati
Questa architettura di esempio utilizza i seguenti prodotti Google Cloud :
- Cloud Run: una piattaforma di computing serverless 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 e distribuire agenti AI.
- Gemini Enterprise Agent Platform: una piattaforma completa che ti consente di creare, scalare, gestire e ottimizzare agenti AI di livello enterprise.
- Sessioni della piattaforma agentica Gemini Enterprise: un servizio di archiviazione persistente che salva e recupera la cronologia delle interazioni tra un utente e gli agenti.
- Memory Bank: un servizio di archiviazione persistente che genera, perfeziona, gestisce e recupera ricordi a lungo termine in base alle conversazioni di un utente con un agente.
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 Sessioni e Memory Bank 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 il podcast Agent Factory sulla memoria negli agenti.
- Scopri di più su Ospitare agenti AI su Cloud Run.
- Per una panoramica dei principi e dei consigli architetturali specifici per i workload di AI e ML in Google Cloud, consulta la prospettiva 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 | 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 | Engineering Manager, Developer Relations