Dokumen ini memberikan arsitektur tingkat tinggi untuk membangun sistem AI agentic yang tepercaya dan efektif yang didasarkan pada data kontekstual dunia nyata dari Google Maps Platform dan Google Kalender. Sistem ini membuat rencana perjalanan untuk tempat yang ditunjukkan pengguna dalam perintahnya. Rencana ini mempertimbangkan jadwal pengguna, lokasi geografis tempat, jam operasional, dan jarak rute.
Audiens yang dituju untuk dokumen ini mencakup arsitek, developer, dan administrator AI yang membangun dan mengelola aplikasi AI agentic. Dokumen ini mengasumsikan bahwa Anda memiliki pemahaman dasar tentang konsep AI dan ML serta arsitektur cloud.
Bagian deployment dalam dokumen ini menyediakan link ke codelab yang dapat Anda gunakan untuk mempelajari cara membangun dan menguji sistem AI agentic fungsional yang didasarkan pada arsitektur ini.
Arsitektur
Diagram berikut menunjukkan arsitektur untuk aplikasi yang menggunakan sistem AI multi-agen untuk membuat rencana perjalanan ke tempat yang ingin dikunjungi pengguna selama sehari. Pengguna berinteraksi dengan aplikasi melalui antarmuka chat. Agen pengelola mengumpulkan informasi yang diperlukan dengan memanggil agen khusus, lalu membuat rencana harian. Agen berjalan di Gemini Enterprise dan penalaran mereka didasarkan dengan menggunakan data dunia nyata dari Google Maps Platform dan Kalender.
Arsitektur dalam diagram sebelumnya berisi komponen berikut:
Gemini Enterprise: Komponen inti arsitektur. Platform ini menghosting sistem AI agentic, yang berisi agen berikut:
- Agen pengelola: Menerima permintaan pengguna melalui antarmuka chat, menafsirkan tujuan, lalu berkoordinasi dengan agen khusus untuk memenuhi permintaan tersebut.
- Agen tempat: Menangani tugas berbasis lokasi, seperti menemukan tempat dan memeriksa apakah tempat tersebut buka.
- Agen rute: Menangani tugas perutean dan perencanaan perjalanan, seperti memastikan waktu yang cukup untuk bepergian ke tempat yang diperlukan.
- Agen jadwal: Mengelola tugas terkait penjadwalan dan kalender, seperti memuat kalender dan memindahkan acara untuk mengakomodasi waktu perjalanan.
Semua agen dalam arsitektur ini dibangun menggunakan Agent Development Kit (ADK). Agen berjalan di Agent Runtime di Gemini Enterprise Agent Platform dan menggunakan model Gemini.
Alat dan data: Agen menggunakan alat berikut untuk mendapatkan data yang mereka butuhkan:
- Grounding dengan Google Maps: Menyediakan konteks geografis dunia nyata dari Google Maps Platform ke agen Tempat dan Rute.
- Insight Tempat: Menyediakan analisis dan informasi mendalam khusus situs dari Google Maps Platform untuk membantu agen membuat artefak yang sesuai berdasarkan jenis rapat.
- Kalender: Memungkinkan agen Jadwal mengakses dan mengelola acara kalender.
Kemampuan observasi: Komponen ini memungkinkan pemantauan dan proses debug operasi agen.
- Peristiwa agen dicatat di Cloud Logging dan dipublikasikan ke database Firestore.
- Arsitektur ini mencakup aplikasi penampil peristiwa yang di-deploy sebagai layanan Cloud Run. Administrator dapat menggunakan aplikasi ini untuk memantau peristiwa yang dicatat dan melihat alur pemikiran dan tindakan agen, seperti validasi tempat dan rute.
Produk yang digunakan
Arsitektur ini menggunakan produk dan alat Google berikut:
- Google Maps Platform: Platform yang menyediakan layanan peta, perutean, dan penelusuran lokasi.
- Google Kalender: Alat untuk tim dan individu mengelola jadwal dan acara.
- Gemini Enterprise: Platform aman yang terkelola sepenuhnya untuk men-deploy dan mengelola agen AI dalam perusahaan.
- Agent Development Kit (ADK): Kumpulan alat dan library untuk mengembangkan, menguji, dan men-deploy agen AI.
- Cloud Logging: Sistem pengelolaan log real-time dengan penyimpanan, penelusuran, analisis, dan pemberitahuan.
- Firestore: Database dokumen NoSQL yang dibuat untuk penskalaan otomatis, performa tinggi, dan kemudahan pengembangan aplikasi.
- Cloud Run: Platform komputasi serverless yang dapat Anda gunakan untuk menjalankan container langsung pada infrastruktur Google yang bersifat skalabel.
Kasus penggunaan
Berikut adalah contoh kasus penggunaan untuk arsitektur ini:
Perencanaan perjalanan perusahaan otomatis: Karyawan perlu merencanakan perjalanan untuk konferensi klien.
- Agen Perjalanan menemukan penerbangan dan hotel serta melakukan reservasi.
- Agen Pengelolaan Hubungan Pelanggan (CRM) mengambil alamat konferensi dan daftar peserta.
- Agen Jadwal menjadwalkan rapat di kalender wisatawan. Output akhirnya adalah itinerari perjalanan lengkap.
Pengiriman layanan lapangan yang cerdas: Pelanggan melaporkan gangguan layanan.
- Agen CRM mengidentifikasi kontrak dan lokasi pelanggan.
- Agen Perjalanan menemukan teknisi terdekat yang tersedia dan mengoptimalkan rute perjalanannya.
- Agen Jadwal memesan janji temu layanan.
Koordinasi logistik dan rantai pasokan: Manajer logistik perlu mengalihkan pengiriman karena peristiwa cuaca.
- Agen Logistik memantau lalu lintas dan cuaca real-time menggunakan Google Maps Platform.
- Agen Logistik menemukan rute dan gudang alternatif
- Agen CRM memberi tahu pelanggan tentang jadwal pengiriman yang direvisi.
Pertimbangan desain
Untuk menerapkan arsitektur ini untuk produksi, pertimbangkan rekomendasi berikut:
- Keamanan: Terapkan model zero-trust dengan memberikan akses hak istimewa terendah kepada setiap agen yang diperlukan untuk melakukan tugasnya. Tentukan secara ketat alat dan data yang dapat diakses setiap agen. Misalnya, konfigurasi agen Jadwal agar hanya membaca atau menulis ke kalender tertentu.
- Keandalan: Sertakan validasi human-in-the-loop (HITL) untuk tugas penting seperti memesan tiket yang tidak dapat dikembalikan. Buat jalur audit yang jelas untuk keputusan agen dengan membangun pipeline kemampuan observasi menggunakan Logging dan Pub/Sub.
- Performa: Pola koordinator multi-agen modular dalam arsitektur ini membantu meningkatkan performa dengan memungkinkan agen khusus bekerja secara paralel. Misalnya, agen Tempat dapat menelusuri lokasi sementara agen Jadwal secara bersamaan memeriksa konflik kalender.
- Biaya: Kelola biaya dengan membatasi tugas setiap agen secara ketat untuk mencegah kueri yang tidak terbatas atau tidak perlu. Kurangi panggilan API dengan menggunakan cache untuk data yang sering diminta, seperti rute umum atau tempat populer.
- Tata kelola: Tetapkan tata kelola yang kuat dengan peran yang jelas untuk setiap agen dan dengan panduan untuk menangani data. Gunakan proses pengembangan berulang yang mencakup pemantauan berkelanjutan. Proses ini membantu menyempurnakan perilaku agen dan membantu memastikan bahwa perilaku tersebut selaras dengan persyaratan bisnis.
Saat mendesain arsitektur untuk workload AI agentic, pertimbangkan praktik terbaik dan rekomendasi dalam Google Cloud Well-Architected Framework: Perspektif AI dan ML.
Deployment
Untuk mempelajari cara membangun dan menguji sistem AI agentic fungsional yang didasarkan pada arsitektur ini, ikuti petunjuk dalam codelab, Membangun Agen Perencanaan Itinerari dengan ADK dan Grounding Google Maps. Codelab ini memandu Anda melalui seluruh proses deployment, termasuk tugas berikut:
- Mengaktifkan layanan yang diperlukan Google Cloud .
- Menggunakan ADK untuk membuat agen.
- Mengonfigurasi agen untuk menggunakan Grounding dengan Google Maps untuk konteks dunia nyata.
- Menjalankan dan menguji agen Anda melalui antarmuka web.
Langkah berikutnya
- Pelajari lebih lanjut Grounding dengan Google Maps.
- Pelajari lebih lanjut Gemini Enterprise.
- Untuk mengetahui lebih banyak tentang arsitektur referensi, diagram, dan praktik terbaik lainnya, jelajahi Pusat Arsitektur Cloud.
Kontributor
Penulis: Kenneth Nevarez | Developer Relations Engineer, Google Maps Platform
Kontributor lainnya:
- Caio Moreira | DevX Engineer
- Kumar Dhanagopal | Cross-Product Solution Developer
- Mike Pegg | Manager, Developer Relations