Este documento apresenta uma arquitetura de alto nível para criar um sistema de IA agêntica confiável e eficaz, baseado em dados de contexto reais da Plataforma Google Maps e do Google Agenda. O sistema cria planos de viagem para os lugares que os usuários indicam no comando. O plano considera a programação do usuário, a localização geográfica dos lugares, o horário de funcionamento e as distâncias do trajeto.
O público-alvo deste documento inclui arquitetos, desenvolvedores e administradores de IA que criam e gerenciam aplicativos de IA agêntica. O documento pressupõe que você tenha uma compreensão básica dos conceitos de IA e ML e da arquitetura de nuvem.
A seção de implantação deste documento fornece um link para um codelab que você pode usar para aprender a criar e testar um sistema de IA agêntica funcional baseado nessa arquitetura.
Arquitetura
O diagrama a seguir mostra uma arquitetura para um app que usa um sistema de IA multiagente para gerar um plano de viagem para lugares que um usuário quer visitar durante um dia. Os usuários interagem com o app por uma interface de chat. Um agente orquestrador coleta as informações necessárias invocando agentes especializados e, em seguida, cria um plano do dia. Os agentes são executados no Gemini Enterprise, e o raciocínio deles é baseado em dados reais da Plataforma Google Maps e do Google Agenda.
A arquitetura no diagrama anterior contém os seguintes componentes:
Gemini Enterprise: o componente principal da arquitetura. Ele hospeda o sistema de IA agêntica, que contém os seguintes agentes:
- Agente orquestrador: recebe solicitações do usuário por uma interface de chat, interpreta o objetivo e, em seguida, coordena com agentes especializados para atender à solicitação.
- Agente de lugares: lida com tarefas baseadas em localização, como encontrar lugares e verificar se estão abertos.
- Agente de rotas: lida com tarefas de roteamento e planejamento de viagens, como garantir tempo suficiente para viajar até os lugares necessários.
- Agente de programação: gerencia tarefas relacionadas à programação e à agenda, como carregar a agenda e mover eventos para acomodar o tempo de viagem.
Todos os agentes nessa arquitetura são criados usando o Kit de Desenvolvimento de Agente (ADK). Os agentes são executados no Agent Runtime na Gemini Enterprise Agent Platform e usam um modelo do Gemini.
Ferramentas e dados: os agentes usam as seguintes ferramentas para receber os dados de que precisam:
- Embasamento com o Google Maps: fornece contexto geográfico do mundo real da Plataforma Google Maps para os agentes de lugares e rotas.
- Insights de Lugares: fornece análises e informações detalhadas e específicas do site da Plataforma Google Maps para ajudar os agentes a criar artefatos adequados com base no tipo de reunião.
- Agenda: permite que o agente programado acesse e gerencie eventos da agenda.
Observabilidade: esse componente permite monitorar e depurar as operações do agente.
- Os eventos do agente são registrados no Cloud Logging e publicados em um banco de dados do Firestore.
- A arquitetura inclui um app de visualização de eventos implantado como um serviço do Cloud Run. Os administradores podem usar esse app para monitorar os eventos registrados e conferir o fluxo de pensamento e as ações dos agentes, como a validação de lugares e rotas.
Produtos usados
Esta arquitetura usa os seguintes produtos e ferramentas do Google:
- Plataforma Google Maps: uma plataforma que oferece serviços de mapeamento, roteamento e pesquisa de localização.
- Google Agenda: uma ferramenta para equipes e indivíduos gerenciarem agendas e eventos.
- Gemini Enterprise: uma plataforma segura e totalmente gerenciada para implantar e gerenciar agentes de IA em uma empresa.
- Kit de Desenvolvimento de Agente (ADK): um conjunto de ferramentas e bibliotecas para desenvolver, testar e implantar agentes de IA.
- Cloud Logging: um sistema de gerenciamento de registros em tempo real com armazenamento, pesquisa, análise e alertas.
- Firestore: um banco de dados de documentos NoSQL criado para oferecer escalonamento automático, alto desempenho e facilidade no desenvolvimento de aplicativos.
- Cloud Run: uma plataforma de computação sem servidor que permite executar contêineres diretamente na infraestrutura escalonável do Google.
Casos de uso
Veja a seguir exemplos de casos de uso para essa arquitetura:
Planejamento automatizado de viagens corporativas: um funcionário precisa planejar uma viagem para um evento com clientes.
- Um agente de viagens encontra voos e hotéis e faz reservas.
- Um agente de gestão de relacionamento com o cliente (CRM) recupera o endereço do evento e a lista de participantes.
- Um agente programado agenda reuniões na agenda do viajante. A saída final é um itinerário completo da viagem.
Envio inteligente de serviços de campo: um cliente relata uma interrupção no serviço.
- Um agente de CRM identifica o contrato e a localização do cliente.
- Um agente de viagens encontra o técnico disponível mais próximo e otimiza o trajeto dele.
- Um agente programado marca um agendamento de serviço.
Coordenação de logística e cadeia de suprimentos: um gerente de logística precisa redirecionar uma remessa devido a um evento climático.
- Um agente de logística monitora o trânsito e o clima em tempo real usando a Plataforma Google Maps.
- O agente de logística encontra uma rota e um depósito alternativos.
- Um agente de CRM notifica o cliente sobre a revisão do cronograma de envio.
Considerações sobre o design
Nesta seção, descrevemos os fatores de design, as práticas recomendadas e as recomendações a serem consideradas ao usar essa arquitetura de referência para desenvolver uma topologia que atenda aos seus requisitos específicos de segurança, confiabilidade, eficiência operacional, custo e desempenho.
As orientações desta seção não são completas. Para mais informações sobre fatores de design e práticas recomendadas, além de recomendações sobre como criar e implantar um sistema de IA multiagente, consulte Sistema de IA multiagente no Google Cloud.
segurança, privacidade e conformidade
Para ajudar a lidar com os riscos de segurança exclusivos dos agentes de IA, o Google recomenda uma abordagem que combina controles de segurança determinísticos com defesas dinâmicas baseadas em raciocínio:
- Supervisão humana: incorpore um fluxo human-in-the-loop em sistemas essenciais para os negócios, de modo que os supervisores humanos possam analisar as saídas e aprovar, substituir ou pausar as ações do agente.
- Identidade do agente: atribua a cada agente uma identidade vinculada à carga de trabalho para aplicar o controle de acesso com privilégio mínimo e gerenciar centralmente as credenciais de ferramentas externas.
- Gateway de Agente: aplique a governança de tráfego de entrada e saída, políticas de acesso de negação padrão e inspeção de comandos e ferramentas inline com o Model Armor.
- Registro de agentes: verifique se os agentes se conectam apenas a subagentes e ferramentas de MCP aprovados.
Confiabilidade
Para garantir que as configurações do agente atendam aos requisitos de confiabilidade, considere as seguintes recomendações:
- Validação para ações críticas: inclua a validação human-in-the-loop (HITL) para tarefas críticas, como a reserva de passagens não reembolsáveis.
- Trilhas de auditoria: crie trilhas de auditoria claras para as decisões do agente criando um pipeline de observabilidade com o Logging e o Pub/Sub.
Eficiência operacional
Estabeleça uma governança forte com papéis claros para cada agente e diretrizes para o tratamento de dados. Use um processo de desenvolvimento iterativo que inclua monitoramento contínuo. Esse processo ajuda a refinar o comportamento dos agentes e a garantir que ele esteja alinhado aos requisitos de negócios.
Otimização de custos
Gerencie os custos definindo com precisão o escopo das tarefas de cada agente para evitar consultas abertas ou desnecessárias. Reduza as chamadas de API usando o armazenamento em cache para dados solicitados com frequência, como rotas comuns ou lugares conhecidos.
Otimização de desempenho
O padrão modular de coordenador de vários agentes nessa arquitetura ajuda a melhorar o desempenho, permitindo que agentes especializados trabalhem em paralelo. Por exemplo, o agente de lugares pode pesquisar locais, enquanto o agente programado verifica simultaneamente se há conflitos na agenda.
Ao projetar a arquitetura para sua carga de trabalho de IA agêntica, considere as práticas recomendadas e as recomendações em Google Cloud Well-Architected Framework: perspectiva de IA e ML.
Implantação
Para aprender a criar e testar um sistema de IA agêntica funcional baseado nessa arquitetura, siga as instruções no codelab Criar um agente de planejamento de itinerários com o ADK e o embasamento do Google Maps. O codelab orienta você em todo o processo de implantação, incluindo as seguintes tarefas:
- Ativar os serviços do Google Cloud necessários.
- Usar o ADK para criar agentes.
- Configurar os agentes para usar o embasamento com o Google Maps para contexto do mundo real.
- Executar e testar seus agentes usando uma interface da Web.
A seguir
- Saiba mais sobre o embasamento com o Google Maps.
- Saiba mais sobre o Gemini Enterprise.
- Para mais arquiteturas de referência, diagramas e práticas recomendadas, confira a Central de arquitetura do Cloud.
Colaboradores
Autor: Kenneth Nevarez | Engenheiro de relações com desenvolvedores, Plataforma Google Maps
Outros colaboradores:
- Caio Moreira | Engenheiro de DevX
- Kumar Dhanagopal | Desenvolvedor de soluções para vários produtos
- Mike Pegg | Gerente de relações com desenvolvedores