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 akan membuat rencana perjalanan untuk tempat yang ditunjukkan pengguna dalam perintahnya. 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 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-tempat yang ingin dikunjungi pengguna dalam sehari. Pengguna berinteraksi dengan aplikasi melalui antarmuka chat. Agen orchestrator mengumpulkan informasi yang diperlukan dengan memanggil agen khusus, lalu membuat rencana harian. Agen berjalan di Gemini Enterprise dan penalarannya didasarkan pada penggunaan 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 agentic, yang berisi agen berikut:
- Agen orchestrator: Menerima permintaan pengguna melalui antarmuka chat, menafsirkan sasaran, 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 pemilihan rute dan perencanaan perjalanan, seperti memastikan waktu yang cukup untuk melakukan perjalanan ke tempat yang diperlukan.
- Agen jadwal: Mengelola penjadwalan dan tugas terkait 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: Memberikan konteks geografis dunia nyata dari Google Maps Platform ke agen Tempat dan Rute.
- Places Insights: 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 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 dalam log dan melihat alur pemikiran serta 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, pemilihan rute, dan penelusuran lokasi.
- Google Kalender: Alat bagi tim dan individu untuk mengelola jadwal dan acara.
- Gemini Enterprise: Platform aman yang terkelola sepenuhnya untuk men-deploy dan mengelola agen AI dalam perusahaan.
- Agent Development Kit (ADK): Seperangkat 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 skalabel.
Kasus penggunaan
Berikut adalah contoh kasus penggunaan untuk arsitektur ini:
Perencanaan perjalanan perusahaan otomatis: Seorang karyawan perlu merencanakan perjalanan untuk pertemuan 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 yang 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 perjalanan mereka.
- Agen Jadwal membuat janji temu layanan.
Koordinasi logistik dan supply chain: 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
Bagian ini menjelaskan faktor desain, praktik terbaik, dan rekomendasi yang perlu dipertimbangkan saat Anda menggunakan arsitektur referensi ini untuk mengembangkan topologi yang memenuhi persyaratan spesifik Anda terkait keamanan, keandalan, efisiensi operasional, biaya, dan performa.
Panduan di bagian ini tidak lengkap. Untuk mengetahui informasi selengkapnya tentang faktor desain dan praktik terbaik, serta rekomendasi tentang cara membangun dan men-deploy sistem AI multi-agen, lihat Sistem AI multi-agen di Google Cloud.
Keamanan, privasi, dan kepatuhan
Untuk membantu mengatasi risiko keamanan unik agen AI, Google merekomendasikan pendekatan yang menggabungkan kontrol keamanan deterministik dengan pertahanan dinamis berbasis penalaran:
- Pengawasan manusia: Gabungkan alur human-in-the-loop dalam sistem penting bisnis sehingga pengawas manusia dapat meninjau output dan menyetujui, mengganti, atau menjeda tindakan agen.
- Agent Identity: Tetapkan identitas yang terikat workload untuk setiap agen guna menerapkan kontrol akses dengan hak istimewa terendah dan mengelola kredensial untuk alat eksternal secara terpusat.
- Agent Gateway: Terapkan tata kelola traffic ingress dan egress, kebijakan akses default-deny, serta pemeriksaan perintah dan alat inline dengan Model Armor.
- Agent Registry: Memastikan bahwa agen hanya terhubung ke sub-agen dan alat MCP yang disetujui.
Keandalan
Untuk membantu memastikan bahwa konfigurasi agen Anda memenuhi persyaratan keandalan, pertimbangkan rekomendasi berikut:
- Validasi untuk tindakan penting: Sertakan validasi human-in-the-loop (HITL) untuk tugas penting seperti memesan tiket yang tidak dapat dikembalikan dananya.
- Jejak audit: Buat jejak audit yang jelas untuk keputusan agen dengan membangun pipeline observabilitas dengan Logging dan Pub/Sub.
Efisiensi operasional
Tetapkan tata kelola yang kuat dengan peran yang jelas untuk setiap agen dan dengan pedoman untuk menangani data. Gunakan proses pengembangan iteratif yang mencakup pemantauan berkelanjutan. Proses ini membantu menyempurnakan perilaku agen dan membantu memastikan bahwa perilaku tersebut selaras dengan persyaratan bisnis.
Pengoptimalan 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 penyimpanan cache untuk data yang sering diminta, seperti rute umum atau tempat populer.
Pengoptimalan 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.
Saat mendesain arsitektur untuk workload AI agentic Anda, pertimbangkan praktik terbaik dan rekomendasi dalam Google Cloud Well-Architected Framework: AI and ML perspective.
Deployment
Untuk mempelajari cara membangun dan menguji sistem AI agentic fungsional yang didasarkan pada arsitektur ini, ikuti petunjuk dalam codelab, Membangun Agen Perencanaan Itinerary dengan ADK dan Grounding 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 Grounding with 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 | Developer Solusi Lintas Produk
- Mike Pegg | Manager, Developer Relations