Dokumen ini memberikan arsitektur tingkat tinggi untuk membangun sistem AI agentik yang efektif dan tepercaya yang didasarkan pada data kontekstual dunia nyata dari Google Maps Platform dan Google Kalender. Sistem membuat rencana perjalanan ke tempat yang ditunjukkan pengguna dalam perintah mereka. Rencana ini mempertimbangkan jadwal pengguna, lokasi geografis tempat, jam buka, dan jarak rute.
Audiens yang dituju untuk dokumen ini mencakup arsitek, developer, dan administrator AI yang membangun dan mengelola aplikasi AI berbasis agen. 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 agentik 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 dalam 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. Sistem ini menghosting sistem AI agentik, yang berisi agen berikut:
- Agen pengelola: Menerima permintaan pengguna melalui antarmuka chat, menafsirkan tujuan, lalu berkoordinasi dengan agen khusus untuk memenuhi permintaan.
- 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 melakukan perjalanan ke tempat yang diperlukan.
- Agen penjadwalan: 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:
- Perujukan dengan Google Maps: Memberikan konteks geografis dunia nyata dari Google Maps Platform ke agen Tempat dan Rute.
- Insight Tempat: Memberikan 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 dalam log 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 pemetaan, perutean, dan penelusuran lokasi.
- Google Kalender: Alat bagi tim dan individu untuk mengelola jadwal dan acara.
- Gemini Enterprise: Platform terkelola sepenuhnya yang aman 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 memungkinkan Anda menjalankan container langsung di atas infrastruktur Google yang bersifat skalabel.
Kasus penggunaan
Berikut adalah contoh kasus penggunaan untuk arsitektur ini:
Perencanaan perjalanan perusahaan otomatis: Seorang karyawan perlu merencanakan perjalanan untuk menghadiri pertemuan puncak klien.
- Agen perjalanan menemukan penerbangan dan hotel serta melakukan pemesanan.
- Agen Pengelolaan Hubungan Pelanggan (CRM) mengambil alamat pertemuan dan daftar peserta.
- Agen Penjadwalan menjadwalkan rapat di kalender pelancong. Output akhir adalah rencana perjalanan lengkap.
Pengiriman teknisi 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 Penjadwalan membuat janji temu layanan.
Koordinasi logistik dan supply chain: Pengelola logistik perlu mengalihkan pengiriman karena peristiwa cuaca.
- Agen Logistik memantau lalu lintas dan cuaca secara 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 yang diperlukan setiap agen untuk melakukan tugasnya. Tentukan secara ketat alat dan data yang dapat diakses oleh setiap agen. Misalnya, konfigurasi agen Jadwal agar hanya membaca atau menulis ke kalender tertentu.
- Keandalan: Sertakan validasi human-in-the-loop (HITL) untuk tugas-tugas penting seperti memesan tiket yang tidak dapat dikembalikan dananya. Buat jalur audit yang jelas untuk keputusan agen dengan membangun pipeline kemampuan pengamatan dengan 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 Places dapat menelusuri lokasi, sementara agen Schedule secara bersamaan memeriksa konflik kalender.
- Biaya: Kelola biaya dengan membatasi cakupan tugas setiap agen secara ketat untuk mencegah kueri yang tidak terbatas atau tidak perlu. Kurangi panggilan API dengan menggunakan caching 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 pedoman untuk menangani data. Gunakan proses pengembangan berulang yang mencakup pemantauan berkelanjutan. Proses ini membantu menyempurnakan perilaku agen dan 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 agentik fungsional yang didasarkan pada arsitektur ini, ikuti petunjuk dalam codelab, Membangun Agen Perencanaan Itinerari dengan ADK dan Perujukan Google Maps. Codelab ini memandu Anda melalui seluruh proses deployment, termasuk tugas-tugas berikut:
- Mengaktifkan layanan Google Cloud yang diperlukan.
- Menggunakan ADK untuk membuat agen.
- Mengonfigurasi agen untuk menggunakan Perujukan dengan Google Maps untuk konteks dunia nyata.
- Menjalankan dan menguji agen Anda melalui antarmuka web.
Langkah berikutnya
- Pelajari lebih lanjut Perujukan 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