Este documento descreve uma arquitetura de alto nível para um aplicativo que gera e administra um teste de aprendizado interativo com um fluxo de trabalho de IA agêntica. O agente avalia o conhecimento de um usuário sobre um tópico específico e usa um estado de sessão persistente e memória de longo prazo para criar uma experiência personalizada. O agente mantém um histórico das respostas do usuário, o que permite ajustar dinamicamente a dificuldade e o conteúdo das perguntas subsequentes.
O público-alvo deste documento inclui arquitetos, desenvolvedores e administradores que criam e gerenciam aplicativos de IA agêntica. Essa arquitetura é adaptável para criar aplicativos educacionais interativos e com estado em vários setores. O documento pressupõe um conhecimento básico dos sistemas de agentes de IA. Para informações sobre como os agentes diferem dos sistemas não agênticos, consulte Qual é a diferença entre agentes de IA, assistentes de IA e bots?
A seção implantação deste documento fornece links para exemplos de código que ajudam você a testar a implantação de um aplicativo de IA agêntica que executa um fluxo de trabalho de ciência de dados.
Arquitetura
O diagrama a seguir mostra uma arquitetura de alto nível para um agente de aprendizado interativo.
A arquitetura mostra o seguinte fluxo de dados:
- Um usuário realiza uma ação, como iniciar um teste ou enviar uma resposta, no aplicativo de teste hospedado no Cloud Run.
- O aplicativo encaminha a entrada do usuário para o agente de IA.
O agente de IA usa o modelo do Gemini na Gemini Enterprise Agent Platform para interpretar a entrada do usuário. Com base na solicitação do usuário, o agente chama as ferramentas adequadas para realizar a ação do teste.
Por exemplo, o agente seleciona uma ferramenta para iniciar uma sessão de teste, avaliar uma resposta ou gerar a próxima pergunta.
O agente envia a resposta ao aplicativo de teste.
O aplicativo de teste encaminha a resposta ao usuário.
Para manter o estado do teste e personalizar a experiência, o agente realiza as seguintes tarefas em segundo plano:
- O agente anexa o progresso e a pontuação mais recentes do teste ao histórico da sessão salva armazenada em Sessões da Gemini Enterprise Agent Platform.
- O agente transforma os dados do teste em memórias e os armazena no Memory Bank para recordação de longo prazo. O agente usa os dados históricos armazenados na memória para gerar respostas com reconhecimento de contexto em sessões futuras.
Produtos usados
Esta arquitetura de exemplo usa os seguintes produtos do Google Cloud :
- Cloud Run: uma plataforma de computação sem servidor que permite executar contêineres diretamente na infraestrutura escalonável do Google.
- Kit de Desenvolvimento de Agente (ADK): um conjunto de ferramentas e bibliotecas para desenvolver, testar e implantar agentes de IA.
- Gemini Enterprise Agent Platform: uma plataforma abrangente que permite criar, escalonar, governar e otimizar agentes de IA de nível empresarial.
- Sessões da Gemini Enterprise Agent Platform: um serviço de armazenamento persistente que salva e recupera o histórico de interações entre um usuário e agentes.
- Memory Bank: um serviço de armazenamento persistente que gera, refina, gerencia e recupera memórias de longo prazo com base nas conversas de um usuário com um agente.
Implantação
Para implantar um exemplo de implementação dessa arquitetura que oferece testes relacionados à programação, use o exemplo de código do tutor de Python disponível no GitHub.
A seguir
- (Notebook) Comece a usar sessões e o Memory Bank para agentes do ADK no Cloud Run.
- (Blog) Saiba mais sobre estado e memória com ADK.
- (Codelab) Criar um assistente de revisão de código de IA de produção com o ADK.
- (Vídeo) Assista o podcast Agent Factory sobre memória em agentes.
- Saiba como hospedar agentes de IA no Cloud Run.
- Para uma visão geral dos princípios e recomendações de arquitetura específicos para cargas de trabalho de IA e ML no Google Cloud, consulte a perspectiva de IA e ML no Well-Architected Framework.
- Para mais arquiteturas de referência, diagramas e práticas recomendadas, confira a Central de arquitetura do Cloud.
Colaboradores
Autora: Samantha He | Redatora técnica
Outros colaboradores:
- Amina Mansour | Líder técnica, relações com desenvolvedores globais e conteúdo estratégico
- Kumar Dhanagopal | Desenvolvedor de soluções para vários produtos
- Megan O'Keefe | Mediadora de desenvolvedores
- Rachael Deacon-Smith | Mediadora de desenvolvedores
- Shir Meir Lador | Gerente de engenharia de relações com desenvolvedores