Questo documento fornisce un'architettura di alto livello per creare un sistema di AI agentica affidabile ed efficace, con grounding in dati contestuali reali di Google Maps Platform e Google Calendar. Il sistema crea piani di viaggio per i luoghi indicati dagli utenti nel prompt. Il piano tiene conto della programmazione dell'utente, della posizione geografica dei luoghi, degli orari di apertura e delle distanze dei percorsi.
Il pubblico di destinazione di questo documento include architetti, sviluppatori e amministratori di AI che creano e gestiscono applicazioni di AI agentica. Il documento presuppone che tu abbia una conoscenza di base dei concetti di AI e ML e dell'architettura cloud.
La sezione Deployment di questo documento fornisce un link a un codelab che puoi utilizzare per imparare a creare e testare un sistema di AI agentica funzionale basato su questa architettura.
Architettura
Il seguente diagramma mostra l'architettura di un'app che utilizza un sistema di AI multi-agente per generare un piano di viaggio per i luoghi che un utente vuole visitare durante un giorno. Gli utenti interagiscono con l'app tramite un'interfaccia di chat. Un agente orchestratore raccoglie le informazioni necessarie richiamando agenti specializzati e poi crea un itinerario giornaliero. Gli agenti vengono eseguiti in Gemini Enterprise e il loro ragionamento si basa sull'utilizzo di dati reali di Google Maps Platform e Calendar.
L'architettura nel diagramma precedente contiene i seguenti componenti:
Gemini Enterprise: il componente principale dell'architettura. Ospita il sistema di AI agentica, che contiene i seguenti agenti:
- Agente orchestratore: riceve le richieste degli utenti tramite un'interfaccia di chat, interpreta l'obiettivo e poi si coordina con gli agenti specializzati per soddisfare la richiesta.
- Agente Places: gestisce le attività basate sulla posizione, come la ricerca di luoghi e la verifica della loro apertura.
- Agente per i percorsi: gestisce le attività di pianificazione dei percorsi e dei viaggi, ad esempio assicurando un tempo sufficiente per raggiungere i luoghi richiesti.
- Agente pianificato: gestisce le attività di pianificazione e relative al calendario, ad esempio il caricamento del calendario e lo spostamento degli eventi per tenere conto del tempo di percorrenza.
Tutti gli agenti di questa architettura sono creati utilizzando Agent Development Kit (ADK). Gli agenti vengono eseguiti in Agent Runtime su Gemini Enterprise Agent Platform e utilizzano un modello Gemini.
Strumenti e dati: gli agenti utilizzano i seguenti strumenti per ottenere i dati di cui hanno bisogno:
- Grounding con Google Maps: fornisce un contesto geografico reale da Google Maps Platform agli agenti Places e Routes.
- Places Insights: fornisce analisi e informazioni approfondite e specifiche per il sito da Google Maps Platform per aiutare gli agenti a creare artefatti appropriati in base al tipo di riunione.
- Calendario: consente all'agente pianificato di accedere e gestire gli eventi nel calendario.
Osservabilità: questo componente consente il monitoraggio e il debug delle operazioni dell'agente.
- Gli eventi dell'agente vengono registrati in Cloud Logging e pubblicati in un database Firestore.
- L'architettura include un'app di visualizzazione eventi di cui viene eseguito il deployment come servizio Cloud Run. Gli amministratori possono utilizzare questa app per monitorare gli eventi registrati e visualizzare il flusso di pensiero e le azioni degli agenti, come la convalida di luoghi e percorsi.
Prodotti utilizzati
Questa architettura utilizza i seguenti prodotti e strumenti Google:
- Google Maps Platform: una piattaforma che fornisce servizi di mappatura, routing e ricerca di località.
- Google Calendar: uno strumento per team e singoli utenti per gestire programmi ed eventi.
- Gemini Enterprise: una piattaforma sicura completamente gestita per eseguire il deployment e gestire gli agenti AI all'interno di un'azienda.
- Agent Development Kit (ADK): un insieme di strumenti e librerie per sviluppare, testare ed eseguire il deployment di agenti AI.
- Cloud Logging: un sistema di gestione dei log in tempo reale con archiviazione, ricerca, analisi e avvisi.
- Firestore: un database di documenti NoSQL creato per offrire scalabilità automatica, prestazioni elevate e facilità di sviluppo delle applicazioni.
- Cloud Run: una piattaforma di serverless computing che consente di eseguire container direttamente sull'infrastruttura scalabile di Google.
Casi d'uso
Di seguito sono riportati alcuni esempi di casi d'uso per questa architettura:
Pianificazione automatizzata dei viaggi aziendali: un dipendente deve pianificare un viaggio per un summit con i clienti.
- Un'agenzia viaggi trova voli e hotel ed effettua prenotazioni.
- Un agente di gestione dei rapporti con i clienti (CRM) recupera l'indirizzo del summit e l'elenco dei partecipanti.
- Un agente pianificato pianifica le riunioni nel calendario del viaggiatore. L'output finale è un itinerario di viaggio completo.
Invio intelligente di assistenza sul campo: un cliente segnala un'interruzione del servizio.
- Un agente CRM identifica il contratto e la località del cliente.
- Un agente di viaggio trova il tecnico disponibile più vicino e ottimizza il suo percorso di viaggio.
- Un agente pianificato prenota un appuntamento per un servizio.
Coordinamento della logistica e della catena di fornitura: un responsabile della logistica deve reindirizzare una spedizione a causa di un evento meteorologico.
- Un agente di logistica monitora il traffico e il meteo in tempo reale utilizzando Google Maps Platform.
- L'agente di logistica trova un percorso e un magazzino alternativi.
- Un agente CRM comunica al cliente la nuova pianificazione della spedizione.
Considerazioni sulla progettazione
Questa sezione descrive i fattori di progettazione, le best practice e i suggerimenti da considerare quando utilizzi questa architettura di riferimento per sviluppare una topologia che soddisfi i tuoi requisiti specifici in termini di sicurezza, affidabilità, efficienza operativa, costi e prestazioni.
Le indicazioni riportate in questa sezione non sono esaustive. Per saperne di più sui fattori di progettazione e sulle best practice, nonché per i consigli sulla creazione e sul deployment di un sistema di AI multi-agente, consulta Sistema di AI multi-agente in Google Cloud.
Sicurezza, privacy e conformità
Per contribuire ad affrontare i rischi di sicurezza unici degli agenti AI, Google consiglia un approccio che combina controlli di sicurezza deterministici con difese dinamiche basate sul ragionamento:
- Supervisione umana: incorpora un flusso human-in-the-loop nei sistemi aziendali critici in modo che i supervisori umani possano esaminare gli output e approvare, ignorare o mettere in pausa le azioni degli agenti.
- Agent Identity: assegna a ogni agente un'identità associata al workload per applicare controllo dell'accesso con privilegio minimo e gestire centralmente le credenziali per gli strumenti esterni.
- Agent Gateway: applica la governance del traffico in entrata e in uscita, le policy di accesso con rifiuto predefinito e l'ispezione dei prompt e degli strumenti in linea con Model Armor.
- Agent Registry: verifica che gli agenti si connettano solo a subagenti e strumenti MCP approvati.
Affidabilità
Per assicurarti che le configurazioni degli agenti soddisfino i tuoi requisiti di affidabilità, tieni presente i seguenti suggerimenti:
- Convalida per le azioni critiche: includi la convalida human-in-the-loop (HITL) per le attività critiche, come la prenotazione di biglietti non rimborsabili.
- Tracce di audit: crea tracce di audit chiare per le decisioni degli agenti creando una pipeline di osservabilità con Logging e Pub/Sub.
Efficienza operativa
Stabilisci una governance solida con ruoli chiari per ogni agente e linee guida per la gestione dei dati. Utilizza un processo di sviluppo iterativo che includa il monitoraggio continuo. Questo processo aiuta a perfezionare il comportamento degli agenti e a garantire che sia in linea con i requisiti aziendali.
Ottimizzazione dei costi
Gestisci i costi definendo con precisione l'ambito delle attività di ogni agente per evitare query aperte o non necessarie. Riduci le chiamate API utilizzando la memorizzazione nella cache per i dati richiesti di frequente, come i percorsi comuni o i luoghi più visitati.
Ottimizzazione delle prestazioni
Il pattern di coordinatore multi-agente modulare in questa architettura contribuisce a migliorare le prestazioni consentendo agli agenti specializzati di lavorare in parallelo. Ad esempio, l'agente Places può cercare località mentre l'agente Schedule controlla contemporaneamente la presenza di conflitti nel calendario.
Quando progetti l'architettura per il tuo workload di AI agentica, tieni conto delle best practice e dei suggerimenti contenuti nel Google Cloud Well-Architected Framework: AI and ML perspective.
Deployment
Per scoprire come creare e testare un sistema di AI agentica funzionale basato su questa architettura, segui le istruzioni nel codelab Crea un agente di pianificazione degli itinerari con ADK e la funzionalità di grounding di Google Maps. Il codelab ti guida attraverso l'intero processo di deployment, incluse le seguenti attività:
- Attivazione dei servizi Google Cloud necessari.
- Utilizzo di ADK per creare agenti.
- Configurazione degli agenti per l'utilizzo del grounding con Google Maps per il contesto reale.
- Esecuzione e test degli agenti tramite un'interfaccia web.
Passaggi successivi
- Scopri di più su Grounding con Google Maps.
- Scopri di più su Gemini Enterprise.
- Per ulteriori architetture di riferimento, diagrammi e best practice, esplora Cloud Architecture Center.
Collaboratori
Autore: Kenneth Nevarez | Developer Relations Engineer, Google Maps Platform
Altri collaboratori:
- Caio Moreira | DevX Engineer
- Kumar Dhanagopal | Cross-Product Solution Developer
- Mike Pegg | Manager, Developer Relations