In diesem Dokument wird eine allgemeine Architektur für die Erstellung eines vertrauenswürdigen und effektiven agentischen KI-Systems vorgestellt, das auf realen Kontextdaten aus der Google Maps Platform und Google Kalender basiert. Das System erstellt Reisepläne für Orte, die Nutzer in ihrem Prompt angeben. Der Plan berücksichtigt den Zeitplan des Nutzers, den geografischen Standort der Orte, die Öffnungszeiten und die Entfernungen der Routen.
Dieses Dokument richtet sich an KI-Architekten, Entwickler und Administratoren, die agentische KI-Anwendungen erstellen und verwalten. In diesem Dokument wird davon ausgegangen, dass Sie ein grundlegendes Verständnis von KI- und ML-Konzepten sowie von Cloud-Architektur haben.
Im Abschnitt Bereitstellung dieses Dokuments finden Sie einen Link zu einem Codelab, in dem Sie erfahren, wie Sie ein funktionales agentisches KI-System auf Basis dieser Architektur erstellen und testen.
Architektur
Das folgende Diagramm zeigt eine Architektur für eine Anwendung, die ein Multi-Agenten-KI-System verwendet, um einen Reiseplan für Orte zu erstellen, die ein Nutzer an einem Tag besuchen möchte. Nutzer interagieren mit der App über eine Chat-Oberfläche. Ein Orchestrator-Agent ruft die erforderlichen Informationen ab, indem er spezialisierte KI-Agenten aufruft, und erstellt dann einen Plan für den Tag. Die Agenten werden in Gemini Enterprise ausgeführt und ihre Schlussfolgerungen basieren auf realen Daten aus der Google Maps Platform und Google Kalender.
Die Architektur im vorherigen Diagramm besteht aus folgenden Komponenten:
Gemini Enterprise: Die Kernkomponente der Architektur. Es hostet das agentische KI-System, das die folgenden Agenten enthält:
- Orchestrator-Agent: Empfängt Nutzeranfragen über eine Chatoberfläche, interpretiert das Ziel und koordiniert dann die Anfrage mit spezialisierten Agenten, um sie zu erfüllen.
- Orte-Agent: Erledigt standortbezogene Aufgaben, z. B. die Suche nach Orten und die Überprüfung, ob sie geöffnet sind.
- Routen-Agent: Übernimmt Aufgaben im Zusammenhang mit der Routen- und Reiseplanung, z. B. die Sicherstellung, dass genügend Zeit für die Fahrt zu den erforderlichen Orten vorhanden ist.
- Planungs-Agent: Verwaltet Planungs- und Kalenderaufgaben, z. B. das Laden des Kalenders und das Verschieben von Terminen, um die Reisezeit zu berücksichtigen.
Alle KI-Agenten in dieser Architektur werden mit dem Agent Development Kit (ADK) erstellt. Die Agenten werden in der Agent Runtime auf der Gemini Enterprise Agent Platform ausgeführt und verwenden ein Gemini-Modell.
Tools und Daten: Die Agenten verwenden die folgenden Tools, um die benötigten Daten abzurufen:
- Fundierung mit Google Maps: Stellt den Places- und Routes-Agents realen geografischen Kontext aus der Google Maps Platform zur Verfügung.
- Places Insights: Bietet detaillierte, standortspezifische Analysen und Informationen von der Google Maps Platform, damit die Agenten je nach Art des Meetings geeignete Artefakte erstellen können.
- Kalender: Ermöglicht dem Planungs-Agenten, auf Kalendertermine zuzugreifen und diese zu verwalten.
Beobachtbarkeit: Diese Komponente ermöglicht das Monitoring und die Fehlerbehebung von Agent-Vorgängen.
- Agent-Ereignisse werden in Cloud Logging protokolliert und in einer Firestore-Datenbank veröffentlicht.
- Die Architektur umfasst eine Ereignisanzeige-Anwendung, die als Cloud Run-Dienst bereitgestellt wird. Administratoren können mit dieser App die protokollierten Ereignisse überwachen und den Denkprozess und die Aktionen der Agenten einsehen, z. B. die Validierung von Orten und Routen.
Verwendete Produkte
In dieser Architektur werden die folgenden Google-Produkte und -Tools verwendet:
- Google Maps Platform: Eine Plattform, die Dienste für Karten, Routen und die Standortsuche bietet.
- Google Kalender: Ein Tool für Teams und Einzelpersonen, um Zeitpläne und Termine zu verwalten.
- Gemini Enterprise: Eine vollständig verwaltete, sichere Plattform zum Bereitstellen und Verwalten von KI-Agenten in einem Unternehmen.
- Agent Development Kit (ADK): Eine Reihe von Tools und Bibliotheken zum Entwickeln, Testen und Bereitstellen von KI-Agenten.
- Cloud Logging: Ein Echtzeit-Log-Verwaltungssystem mit Speicher, Suche, Analyse und Benachrichtigungen.
- Firestore: Eine NoSQL-Dokumentdatenbank, die auf Autoscaling, hohe Leistung und einfache Anwendungsentwicklung ausgelegt ist.
- Cloud Run ist eine serverlose Computing-Plattform, mit der Sie Container direkt auf der skalierbaren Infrastruktur von Google ausführen können.
Anwendungsfälle
Im Folgenden finden Sie Beispiele für Anwendungsfälle für diese Architektur:
Automatisierte Planung von Geschäftsreisen: Ein Mitarbeiter muss eine Reise zu einem Kundengipfel planen.
- Ein Reisebüro findet Flüge und Hotels und nimmt Reservierungen vor.
- Ein CRM-Agent (Customer Relationship Management) ruft die Adresse des Gipfels und die Teilnehmerliste ab.
- Ein Planungs-Agent plant Besprechungen im Kalender des Reisenden. Die endgültige Ausgabe ist ein vollständiger Reiseplan.
Intelligente Einsatzplanung für den Außendienst: Ein Kunde meldet einen Dienstausfall.
- Ein CRM-Agent identifiziert den Vertrag und den Standort des Kunden.
- Ein Reisebüro findet den nächstgelegenen verfügbaren Techniker und optimiert seine Reiseroute.
- Ein Planungs-Agent bucht einen Servicetermin.
Logistik und Lieferkettenkoordination: Ein Logistikmanager muss eine Sendung aufgrund eines Wetterereignisses umleiten.
- Ein Logistik-Agent überwacht den Verkehr und das Wetter in Echtzeit mithilfe der Google Maps Platform.
- Der Logistik-Agent findet eine alternative Route und ein alternatives Lager.
- Ein CRM-Agent benachrichtigt den Kunden über den geänderten Versandplan.
Designaspekte
In diesem Abschnitt werden Designfaktoren, Best Practices und Empfehlungen beschrieben, die Sie berücksichtigen sollten, wenn Sie diese Referenzarchitektur verwenden, um eine Topologie zu entwickeln, die Ihren spezifischen Anforderungen an Sicherheit, Zuverlässigkeit, operative Effizienz, Kosten und Leistung entspricht.
Die Anleitung in diesem Abschnitt ist nicht vollständig. Weitere Informationen zu Designfaktoren und Best Practices sowie Empfehlungen zum Erstellen und Bereitstellen eines Multi-Agenten-KI-Systems finden Sie unter Multi-Agenten-KI-System in Google Cloud.
Sicherheit, Datenschutz und Compliance
Um die besonderen Sicherheitsrisiken von KI-Agenten zu minimieren, empfiehlt Google einen Ansatz, der deterministische Sicherheitskontrollen mit dynamischen, logikbasierten Abwehrmechanismen kombiniert:
- Menschliche Kontrolle: Integrieren Sie einen Human-in-the-Loop-Workflow in geschäftskritische Systeme, damit menschliche Prüfer die Ausgaben überprüfen und die Aktionen des KI-Agenten genehmigen, überschreiben oder pausieren können.
- Agent Identity: Weisen Sie jedem KI-Agenten eine arbeitslastgebundene Identität zu, um die Zugriffssteuerung nach dem Prinzip der geringsten Berechtigung durchzusetzen und Anmeldedaten für externe Tools zentral zu verwalten.
- Agent Gateway: Erzwingen Sie die Governance für eingehenden und ausgehenden Traffic, Standardzugriffsrichtlinien für die Ablehnung und die Inline-Prüfung von Prompts und Tools mit Model Armor.
- Agent Registry: Prüfen Sie, ob KI-Agenten nur eine Verbindung zu genehmigten Sub-Agenten und MCP-Tools herstellen.
Zuverlässigkeit
Beachten Sie die folgenden Empfehlungen, damit Ihre Agent-Konfigurationen Ihren Zuverlässigkeitsanforderungen entsprechen:
- Validierung für kritische Aktionen: Binden Sie eine Human-in-the-Loop-Validierung (HITL) für kritische Aufgaben wie die Buchung nicht erstattungsfähiger Tickets ein.
- Audit-Trails: Erstellen Sie klare Audit-Trails für Agent-Entscheidungen, indem Sie eine Beobachtbarkeitspipeline mit Logging und Pub/Sub erstellen.
Betriebliche Effizienz
Richten Sie eine starke Governance mit klaren Rollen für jeden Agenten und Richtlinien für den Umgang mit Daten ein. Verwenden Sie einen iterativen Entwicklungsprozess, der kontinuierliches Monitoring umfasst. Dieser Prozess hilft, das Verhalten der Agenten zu verfeinern und sicherzustellen, dass es den Geschäftsanforderungen entspricht.
Kostenoptimierung
Kosten verwalten, indem Sie die Aufgaben der einzelnen KI-Agenten genau eingrenzen, um unbegrenzte oder unnötige Abfragen zu vermeiden. Reduzieren Sie die Anzahl der API-Aufrufe, indem Sie häufig angeforderte Daten wie gängige Routen oder beliebte Orte im Cache speichern.
Leistungsoptimierung
Das modulare Multi-Agenten-Koordinatormuster in dieser Architektur trägt zur Leistungsverbesserung bei, da spezialisierte Agenten parallel arbeiten können. Der Places-Agent kann beispielsweise nach Orten suchen, während der Schedule-Agent gleichzeitig nach Terminkonflikten sucht.
Berücksichtigen Sie beim Entwerfen der Architektur für Ihre agentische KI-Arbeitslast die Best Practices und Empfehlungen im Google Cloud Well-Architected Framework: KI- und ML-Perspektive.
Bereitstellung
Wenn Sie erfahren möchten, wie Sie ein funktionales agentisches KI-System auf Basis dieser Architektur erstellen und testen, folgen Sie der Anleitung im Codelab Reiseplanungs-Agent mit ADK und Google Maps-Fundierung erstellen. Das Codelab führt Sie durch den gesamten Bereitstellungsprozess, einschließlich der folgenden Aufgaben:
- Aktivieren der erforderlichen Google Cloud -Dienste.
- Agenten mit dem ADK erstellen
- Konfigurieren der KI-Agenten für die Verwendung der Fundierung mit Google Maps für Kontext aus der realen Welt.
- KI-Agenten über eine Weboberfläche ausführen und testen
Nächste Schritte
- Weitere Informationen zur Fundierung mit Google Maps
- Was ist Gemini Enterprise?
- Weitere Referenzarchitekturen, Diagramme und Best Practices finden Sie im Cloud-Architekturcenter.
Beitragende
Autor: Kenneth Nevarez | Developer Relations Engineer, Google Maps Platform
Weitere Beitragende:
- Caio Moreira | DevX Engineer
- Kumar Dhanagopal | Cross-Product Solution Developer
- Mike Pegg | Manager, Developer Relations