במסמך הזה מוצגת ארכיטקטורת הפניה שתעזור לכם לתכנן מערכות AI חזקות עם כמה סוכנים ב- Google Cloud. מערכת AI מרובת סוכנים מבצעת אופטימיזציה של תהליכים מורכבים ודינמיים על ידי חלוקה שלהם למשימות נפרדות, שסוכני AI מומחים רבים מבצעים בשיתוף פעולה.
המסמך הזה מיועד לארכיטקטים, למפתחים ולמנהלים שבונים ומנהלים תשתית ואפליקציות של AI בענן. ההנחה במסמך הזה היא שיש לכם הבנה בסיסית של סוכני AI ומודלים של AI. במסמך לא מופיעות הנחיות ספציפיות לתכנון ולקידוד של סוכני AI.
בקטע פריסה במסמך הזה מופיעות דוגמאות קוד שאפשר להשתמש בהן כדי ללמוד איך ליצור ולפרוס מערכות AI מרובות סוכנים.
ארכיטקטורה
בתרשים הבא מוצגת ארכיטקטורה לדוגמה של מערכת AI מרובת סוכנים שנפרסת ב- Google Cloud.
רכיבי הארכיטקטורה
הארכיטקטורה לדוגמה שמוצגת בקטע הקודם כוללת את הרכיבים הבאים:
| רכיב | תיאור |
|---|---|
| קצה קדמי | המשתמשים יוצרים אינטראקציה עם המערכת מרובת הסוכנים דרך קצה קדמי, כמו ממשק צ'אט, שפועל כשירות Cloud Run בלי שרת. |
| סוכנים | סוכן מתאם שולט במערכת ה-AI האקטיבי בדוגמה הזו. סוכן המתאם מפעיל סוכן משנה מתאים כדי להפעיל את התהליך של הסוכן. הסוכנים יכולים לתקשר אחד עם השני באמצעות פרוטוקול Agent2Agent (A2A), שמאפשר פעולה הדדית בין סוכנים בלי קשר לשפת התכנות ולזמן הריצה שלהם. בדוגמה לארכיטקטורה מוצגים סוכנים בדפוס רציף ובדפוס של שיפור איטרטיבי. מידע נוסף על סוכני המשנה בדוגמה הזו זמין בקטע תהליך מבוסס-סוכנים. |
| זמן ריצה של סוכנים | אפשר לפרוס סוכני AI בתור שירותי Cloud Run ללא שרתים, בתור אפליקציות בקונטיינרים ב-Google Kubernetes Engine (GKE) או ב-Agent Runtime ב-Gemini Enterprise Agent Platform. |
| ADK | הערכה לפיתוח סוכנים (ADK) מספקת כלים ומסגרת לפיתוח, לבדיקה ולפריסה של סוכנים. ה-ADK מפשט את המורכבות של יצירת סוכנים ומאפשר למפתחי AI להתמקד בלוגיקה וביכולות של הסוכן. |
| מודל AI וזמני ריצה של מודלים | לצורך הצגת היסק, הסוכנים בארכיטקטורה לדוגמה הזו משתמשים במודל AI ב-Gemini Enterprise Agent Platform. בארכיטקטורה מוצגים Cloud Run ו-GKE כזמני ריצה חלופיים למודל ה-AI שבוחרים להשתמש בו. |
| הגנה מוגברת על המודל | Model Armor מאפשר בדיקה וניקוי של קלט ותשובות של מודלים שנפרסו ב-Agent Platform וב-GKE. מידע נוסף זמין במאמר בנושא שילוב של הגנה מוגברת על המודל עם שירותי Google Cloud . |
| לקוחות, שרתים וכלים של MCP | Model Context Protocol (MCP) מאפשר גישה לכלים על ידי יצירת אינטראקציה סטנדרטית בין סוכנים לכלים. לכל צמד של סוכן וכלי, לקוח MCP שולח בקשות לשרת MCP שדרכו הסוכן ניגש לכלי כמו מסד נתונים, מערכת קבצים או API. |
תהליך ליצירת סוכן
בדוגמה של מערכת מרובת סוכנים בארכיטקטורה הקודמת, התהליך הוא כזה:
- משתמש מזין פרומפט דרך קצה קדמי, כמו ממשק צ'אט, שפועל כשירות Cloud Run בלי שרת (serverless).
- החלק הקדמי של האתר מעביר את ההנחיה לסוכן מתאם.
הסוכן המתאם מתחיל אחד מהתהליכים הבאים שמבוססים על סוכנים, בהתאם לכוונה שמופיעה בהנחיה.
- Sequential:
- סוכן משנה של משימה-A מבצע משימה.
- סוכן המשנה task-A מפעיל את סוכן המשנה task-A.1.
שיפור איטרטיבי:
- סוכן המשנה של משימה ב' מבצע משימה.
- סוכן המשנה להערכת איכות בודק את הפלט של סוכן המשנה task-B.
- אם הפלט לא מספק, בודק האיכות מפעיל את סוכן המשנה לשיפור ההנחיה כדי לשפר את ההנחיה.
- סוכן המשנה task-B מבצע שוב את המשימה שלו באמצעות ההנחיה המשופרת.
התהליך הזה נמשך עד שהפלט משביע רצון או עד שמגיעים למספר המקסימלי של איטרציות.
ארכיטקטורת הדוגמה כוללת נתיב human-in-the-loop שמאפשר למשתמשים אנושיים להתערב בתהליך של הסוכן כשצריך.
- Sequential:
סוכן המשנה task-A.1 וסוכן המשנה quality evaluator מפעילים באופן עצמאי את סוכן המשנה response generator.
סוכן המשנה ליצירת תשובות יוצר תשובה, מבצע בדיקות אימות וביסוס, ואז שולח את התשובה הסופית למשתמש דרך סוכן המתאם.
מוצרים וכלים שבהם נעשה שימוש
ארכיטקטורת ההפניה הזו משתמשת ב Google Cloud ובמוצרים ובכלים של צד שלישי:
- Cloud Run: פלטפורמת מחשוב ללא שרת שמאפשרת להריץ קונטיינרים ישירות על גבי התשתית הניתנת להרחבה של Google.
- Gemini Enterprise Agent Platform: פלטפורמה מקיפה שמאפשרת לכם ליצור סוכני AI ברמה ארגונית, להרחיב את השימוש בהם, לנהל אותם ולבצע אופטימיזציה שלהם.
- Google Kubernetes Engine (GKE): שירות Kubernetes שמאפשר לפרוס ולהפעיל אפליקציות בקונטיינרים בהיקף גדול באמצעות התשתית של Google.
- הגנה מוגברת על המודל: שירות שמספק הגנה למשאבי AI גנרטיבי ו-AI אקטיבי מפני החדרת פרומפטים, דליפות של מידע אישי רגיש ותוכן פוגעני.
- Agent Development Kit (ADK): ערכה של כלים וספריות לפיתוח, לבדיקה ולפריסה של סוכני AI.
- פרוטוקול Agent2Agent (A2A): פרוטוקול פתוח שמאפשר תקשורת ופעולה הדדית בין סוכנים, ללא קשר לשפת התכנות ולזמן הריצה שלהם.
- Model Context Protocol (MCP): תקן קוד פתוח לחיבור אפליקציות מבוססות-AI למערכות חיצוניות.
תרחישים לדוגמה
מערכות AI מרובות-סוכנים מתאימות לתרחישי שימוש מורכבים שדורשים שיתוף פעולה ותיאום בין כמה מערכי מיומנויות מיוחדים כדי להשיג יעד עסקי. כדי לזהות תרחישי שימוש שמתאימים למערכות AI מרובות סוכנים, צריך לנתח את התהליכים העסקיים ולזהות משימות ספציפיות ש-AI יכול לשפר. התמקדו בתוצאות עסקיות מוחשיות, כמו הפחתת עלויות ועיבוד מהיר יותר. הגישה הזו עוזרת לכם להתאים את ההשקעות שלכם ב-AI לערך העסקי.
הנה כמה דוגמאות לתרחישי שימוש במערכות AI מרובות סוכנים.
יועצים פיננסיים
לספק המלצות מותאמות אישית למסחר במניות ולבצע עסקאות. בתרשים הבא מוצג תרחיש לדוגמה לשימוש בסוכן. בדוגמה הזו נעשה שימוש בתבנית רציפה.
בתרשים מוצג התהליך הבא:
- סוכן לאחזור נתונים מאחזר מנתונים ממקורות מהימנים מחירים של מניות בזמן אמת ונתונים היסטוריים, דוחות פיננסיים של חברות ונתונים רלוונטיים אחרים.
- סוכן לניתוח פיננסי מיישם על הנתונים טכניקות מתאימות של ניתוח ויצירת תרשימים, מזהה דפוסים של תנודות במחירים ומבצע תחזיות.
- סוכן להמלצות על מניות משתמש בניתוח ובטבלאות כדי ליצור המלצות מותאמות אישית לקנייה ולמכירה של מניות ספציפיות על סמך פרופיל הסיכון של המשתמש והיעדים שלו להשקעה.
- סוכן לביצוע עסקאות קונה ומוכר מניות בשם המשתמש.
עוזר מחקר
ליצור תוכנית מחקר, לאסוף מידע, להעריך ולשפר את המחקר ואז לכתוב דוח. בתרשים הבא מוצג תרחיש לדוגמה לשימוש בתכונה הזו. התבנית העיקרית בדוגמה הזו היא תבנית רציפה. הדוגמה כוללת גם דפוס של שיפור איטרטיבי.
בתרשים מוצג התהליך הבא:
- סוכן לתכנון יוצר תוכנית מחקר מפורטת.
סוכן מחקר משלים את המשימות הבאות:
- משתמשים בתוכנית המחקר כדי לזהות מקורות נתונים פנימיים וחיצוניים מתאימים.
- אוסף ומנתח את הנתונים הנדרשים.
- מכין סיכום מחקר ומספק אותו לסוכן הערכה.
סוכן המחקר חוזר על המשימות האלה עד שסוכן ההערכה מאשר את המחקר.
סוכן שכותב דוחות יוצר את דוח המחקר הסופי.
כלי לאופטימיזציה של שרשרת האספקה
אופטימיזציה של המלאי, מעקב אחרי משלוחים ותקשורת עם שותפים בשרשרת האספקה. בתרשים הבא מוצג תרחיש לדוגמה לשימוש בתכונה הזו. בדוגמה הזו נעשה שימוש בתבנית רציפה.
סוכן לניהול מחסנים דואג לרמות מלאי אופטימליות על ידי יצירת הזמנות למילוי מלאי על סמך נתוני המלאי, תחזיות הביקוש וזמני האספקה של הספקים.
- הסוכן מקיים אינטראקציה עם סוכן מעקב המשלוחים כדי לעקוב אחרי משלוחים.
- הנציג מקיים אינטראקציה עם הנציג של ספק התקשורת כדי להודיע לספקים על שינויים בהזמנות.
סוכן למעקב אחר משלוחים משתלב עם פלטפורמות לוגיסטיות של ספקים ומערכות של חברות תובלה כדי להבטיח מילוי יעיל של הזמנות בזמן.
סוכן תקשורת עם ספקים מתקשר עם ספקים חיצוניים בשם הסוכנים האחרים במערכת.
חלופות עיצוב
בהתאם לדרישות שלכם לגבי יכולת ניהול, שליטה וגמישות, אתם יכולים לבחור מתוך מגוון אפשרויות של זמן ריצה ב- Google Cloud עבור סוכני ה-AI והמודל שלכם. מידע נוסף זמין במאמר בנושא בחירת רכיבי הארכיטקטורה של AI אקטיבי.
שיקולים בתכנון
בקטע הזה מפורטים גורמים שצריך לקחת בחשבון בתכנון, שיטות מומלצות והמלצות לשימוש בארכיטקטורת ההפניה הזו כדי לפתח טופולוגיה שעונה על הדרישות הספציפיות שלכם בנוגע לאבטחה, למהימנות, לעלות ולביצועים.
ההנחיות שבקטע הזה הן לא רשימה מלאה. בהתאם לדרישות של עומס העבודה ולמוצרים ולתכונות של צד שלישי שבהם אתם משתמשים, יכול להיות שיש עוד גורמים עיצוביים ושיקולים שצריך לקחת בחשבון. Google Cloud
עיצוב המערכת
בקטע הזה מוסבר איך לבחור Google Cloud אזורים לפריסה ואיך לבחור Google Cloud מוצרים וכלים מתאימים. Google Cloud
בחירת אזור
כשבוחרים Google Cloud אזורים לאפליקציות ה-AI, כדאי להביא בחשבון את הגורמים הבאים:
- זמינות של שירותי Google Cloud בכל אזור.
- דרישות לזמן האחזור של משתמשי הקצה.
- עלות של Google Cloud משאבים.
- דרישות רגולטוריות.
כדי לבחור מיקומים מתאימים לאפליקציות, אפשר להשתמש בכלים הבאים: Google Cloud
- Google Cloud כלי לבחירת אזור: כלי אינטראקטיבי מבוסס-אינטרנט לבחירת האזור האופטימלי Google Cloud ליישומים ולנתונים שלכם על סמך גורמים כמו טביעת רגל פחמנית, עלות וחביון.
- Cloud Location Finder API: ממשק API ציבורי שמאפשר למצוא באופן פרוגרמטי מיקומי פריסה ב- Google Cloud, ב-Google Distributed Cloud ובספקי ענן אחרים.
תכנון סוכנים
בקטע הזה מפורטות המלצות כלליות לעיצוב סוכני AI. הנחיות מפורטות לגבי כתיבת קוד ולוגיקה של סוכנים לא כלולות במסמך הזה.
| התמקדות בעיצוב | המלצות |
|---|---|
| הגדרה ועיצוב של סוכנים |
|
| אינטראקציות עם סוכנים |
|
| הקשר, כלים ונתונים |
|
אבטחה
בקטע הזה מפורטים שיקולים והמלצות לעיצוב טופולוגיה ב- Google Cloud שעומדת בדרישות האבטחה של עומס העבודה.
| רכיב | שיקולים והמלצות לגבי עיצוב |
|---|---|
| סוכנים |
סוכני AI יוצרים סיכוני אבטחה ייחודיים וקריטיים, ששיטות אבטחה קונבנציונליות ודטרמיניסטיות לא יכולות לצמצם באופן מספק. Google ממליצה על גישה שמשלבת את היתרונות של אמצעי בקרה דטרמיניסטיים לאבטחה עם אמצעי הגנה דינמיים שמבוססים על נימוקים. הגישה הזו מבוססת על שלושה עקרונות מרכזיים: פיקוח אנושי, אוטונומיה מוגדרת בקפידה של הסוכן ויכולת צפייה. ההמלצות הספציפיות הבאות תואמות לעקרונות הבסיסיים האלה. פיקוח אנושי: לפעמים מערכת AI אקטיבי עלולה להיכשל או לא לפעול כצפוי. לדוגמה, המודל עשוי ליצור תוכן לא מדויק או שהסוכן עשוי לבחור כלים לא מתאימים. במערכות AI אקטיבי שחיוניות לעסק, כדאי לשלב תהליך שכולל האדם שבתהליך כדי לאפשר למנהלים אנושיים לעקוב אחרי הסוכנים, לבטל את הפעולות שלהם ולהשהות אותם. לדוגמה, משתמשים אנושיים יכולים לבדוק את הפלט של הסוכנים, לאשר או לדחות את הפלט ולספק הנחיות נוספות לתיקון שגיאות או לקבלת החלטות אסטרטגיות. הגישה הזו משלבת את היעילות של מערכות AI אקטיבי עם החשיבה הביקורתית והמומחיות בתחום של משתמשים אנושיים. בקרת גישה לסוכנים: אפשר להגדיר הרשאות לסוכנים באמצעות אמצעי בקרה לניהול זהויות והרשאות גישה (IAM). צריך להעניק לכל נציג רק את ההרשאות שהוא צריך כדי לבצע את המשימות שלו ולתקשר עם כלים ועם נציגים אחרים. הגישה הזו עוזרת לצמצם את ההשפעה הפוטנציאלית של פרצת אבטחה, כי לסוכן שנפרץ תהיה גישה מוגבלת לחלקים אחרים במערכת. מידע נוסף זמין במאמר בקרת גישה ל-Agent Platform באמצעות IAM. מעקב: אפשר לעקוב אחרי התנהגות הסוכן באמצעות יכולות מקיפות של מעקב, שמאפשרות לכם לראות כל פעולה שהסוכן מבצע, כולל תהליך החשיבה הרציונלית שלו, בחירת הכלים ונתיבי ההרצה. מידע נוסף זמין במאמרים רישום סוכן ב-Agent Runtime ורישום ב-ADK. מידע נוסף על אבטחת סוכני AI זמין במאמר בנושא בטיחות ואבטחה של סוכני AI. |
| Agent Platform |
אחריות משותפת: האבטחה היא אחריות משותפת. Agent Platform מאבטחת את התשתית הבסיסית ומספקת כלים ואמצעי אבטחה שיעזרו לכם להגן על הנתונים, הקוד והמודלים שלכם. אתם אחראים להגדיר את השירותים בצורה נכונה, לנהל את אמצעי בקרת הגישה ולאבטח את האפליקציות. מידע נוסף זמין במאמר בנושא אחריות משותפת של Agent Platform. אמצעי בקרה לאבטחה: Agent Platform תומכת ב Google Cloud אמצעי בקרה לאבטחה שבהם אפשר להשתמש כדי לעמוד בדרישות שלכם בנוגע למיקום אחסון הנתונים, מפתחות הצפנה בניהול הלקוח (CMEK), אבטחת רשת באמצעות VPC Service Controls וAccess Transparency. מידע נוסף זמין במאמרי העזרה הבאים: בטיחות: מודלים של AI עשויים להפיק תשובות מזיקות, לפעמים בתגובה להנחיות זדוניות.
גישה למודלים: אתם יכולים להגדיר מדיניות ארגונית כדי להגביל את הסוגים והגרסאות של מודלים של AI שאפשר להשתמש בהם ב Google Cloud פרויקט. מידע נוסף זמין במאמר שליטה בגישה למודלים ב-Model Garden. הגנה על נתונים: כדי לגלות ולבטל את הזיהוי של מידע רגיש בהנחיות ובתשובות וגם בנתוני יומן, אפשר להשתמש ב-Cloud Data Loss Prevention API. מידע נוסף זמין בסרטון הבא: הגנה על מידע אישי רגיש באפליקציות AI. |
| MCP | כשמגדירים את הסוכנים לשימוש ב-MCP, חשוב לוודא שהגישה לנתונים ולכלים חיצוניים מאושרת, להטמיע אמצעי בקרה לשמירה על הפרטיות כמו הצפנה, להחיל מסננים כדי להגן על מידע אישי רגיש ולעקוב אחרי האינטראקציות של הסוכנים. מידע נוסף זמין במאמר בנושא MCP ואבטחה. |
| A2A |
אבטחת תעבורה: פרוטוקול A2A מחייב שימוש ב-HTTPS בכל התקשורת בין אפליקציות בסביבות ייצור, ומומלץ להשתמש ב-Transport Layer Security (TLS) בגרסה 1.2 ומעלה. אימות: פרוטוקול A2A מעביר את האימות למנגנוני אינטרנט סטנדרטיים כמו כותרות HTTP ולסטנדרטים כמו OAuth2 ו-OpenID Connect. כל נציג מפרסם את דרישות האימות בכרטיס הנציג שלו. מידע נוסף זמין במאמר בנושא אימות A2A. |
| Cloud Run |
אבטחת Ingress (בשירות הקצה הקדמי): כדי לשלוט בגישה לאפליקציה, משביתים את כתובת ה-URL אימות משתמשים:
מידע נוסף זמין במאמר אימות משתמשים. אבטחת קובצי אימג' של קונטיינרים: כדי לוודא שרק קובצי אימג' מורשים של קונטיינרים נפרסים ב-Cloud Run, אפשר להשתמש ב- Binary Authorization. כדי לזהות ולצמצם סיכוני אבטחה בקובצי אימג' של קונטיינרים, אפשר להשתמש ב-Artifact Analysis כדי להריץ באופן אוטומטי סריקות לאיתור נקודות חולשה. מידע נוסף זמין במאמר סקירה כללית של סריקת קונטיינרים. מיקום אחסון הנתונים: Cloud Run עוזר לכם לעמוד בדרישות בנוגע למיקום אחסון הנתונים. פונקציות Cloud Run פועלות באזור שנבחר. הנחיות נוספות בנושא אבטחת קונטיינרים זמינות במאמר טיפים כלליים לפיתוח ב-Cloud Run. |
| כל המוצרים בארכיטקטורה |
הצפנת נתונים: כברירת מחדל, Google Cloud מצפין נתונים במנוחה באמצעות Google-owned and Google-managed encryption keys. כדי להגן על נתוני הנציגים באמצעות מפתחות הצפנה שאתם שולטים בהם, אתם יכולים להשתמש במפתחות CMEK שאתם יוצרים ומנהלים ב-Cloud KMS. מידע על Google Cloud שירותים שתואמים ל-Cloud KMS זמין במאמר שירותים תואמים. צמצום הסיכון לזליגת נתונים: כדי לצמצם את הסיכון לזליגת נתונים, צריך ליצור מתחם היקפי של VPC Service Controls מסביב לתשתית. שירות VPC Service Controls תומך בכל השירותים Google Cloud שמשמשים בארכיטקטורת ההפניה הזו. בקרת גישה: כשמגדירים הרשאות למשאבים בטופולוגיה, חשוב לפעול לפי העיקרון של הרשאות מינימליות. אבטחת סביבת הענן: אפשר להשתמש בכלים ב-Security Command Center כדי לזהות נקודות חולשה, לזהות איומים ולצמצם אותם, להגדיר ולפרוס עמדת אבטחה ולייצא נתונים לניתוח נוסף. אופטימיזציה אחרי הפריסה: אחרי שפורסים את האפליקציה ב- Google Cloud, אפשר לקבל המלצות לשיפור האבטחה באמצעות Active Assist. בודקים את ההמלצות ומיישמים אותן בהתאם לסביבה שלכם. מידע נוסף זמין במאמר בנושא איתור המלצות ב-Active Assist. |
עוד המלצות בנושא אבטחה
- Google Cloud Well-Architected Framework AI and ML perspective: Security
- הגישה של Google לסוכני AI מאובטחים: מבוא
אמינות
בקטע הזה מפורטים שיקולים והמלצות לתכנון ולתפעול של תשתית אמינה לפריסה ב- Google Cloud.
| רכיב | שיקולים והמלצות לגבי עיצוב |
|---|---|
| סוכנים |
סובלנות לתקלות: תכנון המערכת מבוסס-הסוכנים כך שתהיה סובלנות לתקלות ברמת הסוכן או טיפול בהן. במקרים שבהם זה אפשרי, כדאי להשתמש בגישה מבוזרת שבה סוכנים יכולים לפעול באופן עצמאי. סימולציה של כשלים: לפני פריסת מערכת ה-AI האקטיבי בסביבת ייצור, צריך לאמת אותה באמצעות סימולציה של סביבת ייצור. זיהוי ותיקון של בעיות בתיאום בין נציגים ושל התנהגויות לא צפויות. טיפול בשגיאות: כדי לאפשר אבחון ופתרון בעיות של שגיאות, צריך להטמיע רישום ביומן, טיפול בחריגים ומנגנונים לניסיון חוזר. |
| Agent Platform |
תכנון הקיבולת: אם מספר הבקשות חורג מהקיבולת שהוקצתה, מוחזר קוד השגיאה 429. אם יש לכם עומסי עבודה שחיוניים לעסק ודורשים באופן עקבי תפוקה גבוהה, אתם יכולים להזמין תפוקה באמצעות הקצאת משאבים לפי התפוקה שנקבעה. זמינות של נקודת קצה של מודל: אם אפשר לשתף נתונים בכמה אזורים או מדינות, אפשר להשתמש בנקודת קצה גלובלית בשביל המודל. |
| Cloud Run | עמידות בפני הפסקות זמניות בתשתית: Cloud Run הוא שירות אזורי. הוא מאחסן נתונים באופן סינכרוני בכמה אזורים בתוך אזור מסוים, ומבצע איזון עומסים אוטומטי של התנועה בין האזורים. אם מתרחש הפסקת חשמל באזור, Cloud Run ממשיך לפעול והנתונים לא אובדים. אם מתרחש שיבוש באזור מסוים, השירות מפסיק לפעול עד ש-Google פותרת את השיבוש. |
| כל המוצרים בארכיטקטורה | אופטימיזציה אחרי הפריסה: אחרי שפורסים את האפליקציה ב- Google Cloud, אפשר לקבל המלצות לשיפור האמינות באמצעות Active Assist. בודקים את ההמלצות ומיישמים אותן בהתאם לסביבה שלכם. מידע נוסף זמין במאמר בנושא המלצות ב-Active Assist. |
עקרונות והמלצות בנושא מהימנות שספציפיים לעומסי עבודה של AI ו-ML מפורטים במאמר AI and ML perspective: Reliability (נקודת מבט על AI ו-ML: מהימנות) ב-Well-Architected Framework.
תפעול
בקטע הזה מתוארים הגורמים שכדאי לקחת בחשבון כשמשתמשים בארכיטקטורת ההפניה הזו כדי לתכנן טופולוגיה של Google Cloud שאפשר להפעיל ביעילות.
| רכיב | שיקולים והמלצות לגבי עיצוב |
|---|---|
| Agent Platform |
מעקב באמצעות יומנים: כברירת מחדל, יומני הסוכנים שנכתבים לזרמי הערכה מתמשכת: חשוב לבצע באופן קבוע הערכה איכותית של הפלט של הסוכנים ושל המסלול או השלבים שהסוכנים נקטו כדי ליצור את הפלט. כדי להטמיע הערכת סוכנים, אפשר להשתמש בשירות ההערכה של AI גנרטיבי או בשיטות ההערכה שנתמכות ב-ADK. |
| MCP |
כלי מסד נתונים: כדי לנהל ביעילות כלי מסד נתונים לסוכני AI, וכדי לוודא שהסוכנים מטפלים בצורה מאובטחת במורכבויות כמו איגום חיבורים ואימות, כדאי להשתמש ב-MCP Toolbox for Databases. הוא מספק מיקום מרכזי לאחסון ולעדכון של כלי מסד נתונים. אתם יכולים לשתף את הכלים בין הסוכנים ולעדכן את הכלים בלי לפרוס מחדש את הסוכנים. ארגז הכלים כולל מגוון רחב של כלים למסדי נתונים כמו AlloyDB ל-PostgreSQL ולמסדי נתונים של צד שלישי כמו MongoDB. Google Cloud מודלים של AI גנרטיבי: כדי לאפשר לסוכני AI להשתמש במודלים של AI גנרטיבי מבית Google, כמו Imagen ו-Veo, אפשר להשתמש בשרתי MCP עבור ממשקי API של מדיה גנרטיבית Google Cloud. מוצרי אבטחה וכלים של Google: כדי לאפשר לסוכני ה-AI שלכם לגשת למוצרי אבטחה ולכלים של Google כמו Google Security Operations, Google Threat Intelligence ו-Security Command Center, צריך להשתמש בשרתי MCP למוצרי אבטחה של Google. |
| כל Google Cloud המוצרים בארכיטקטורה | מעקב: איסוף וניתוח רציפים של נתוני מעקב באמצעות Cloud Trace. נתוני מעקב מאפשרים לזהות ולאבחן במהירות שגיאות בתהליכי עבודה מורכבים של סוכנים. אפשר לבצע ניתוח מעמיק באמצעות תרשימים בכלי Trace Explorer. מידע נוסף זמין במאמר בנושא צפייה בנתוני מעקב של סוכנים. |
עקרונות והמלצות ספציפיים למשימות שקשורות ל-AI ול-ML מפורטים במאמר AI and ML perspective: Operational excellence ב-Well-Architected Framework.
הוזלת עלויות
בקטע הזה מוסבר איך לבצע אופטימיזציה של העלות של הגדרת טופולוגיה של Google Cloud והפעלתה, שאתם בונים באמצעות ארכיטקטורת ההפניה הזו.
| רכיב | שיקולים והמלצות לגבי עיצוב |
|---|---|
| Agent Platform |
ניתוח וניהול עלויות: כדי לנתח ולנהל את העלויות של Agent Platform, מומלץ ליצור מדדי בסיס לשאילתות לשנייה (QPS) ולטוקנים לשנייה (TPS). לאחר מכן, עוקבים אחרי המדדים האלה אחרי הפריסה. ערך הבסיס עוזר גם בתכנון הקיבולת. לדוגמה, נתוני הבסיס עוזרים לכם לקבוע מתי יכול להיות שיהיה צורך בהקצאת משאבים לפי התפוקה שנקבעה. בחירת מודל: המודל שתבחרו לאפליקציית ה-AI ישפיע ישירות על העלויות ועל הביצועים. כדי לזהות את המודל שמספק איזון אופטימלי בין ביצועים לעלות בתרחיש השימוש הספציפי שלכם, מומלץ לבדוק מודלים באופן איטרטיבי. מומלץ להתחיל עם המודל הכי חסכוני ולעבור בהדרגה לאפשרויות חזקות יותר. יצירת הנחיות חסכוניות: האורך של ההנחיות (קלט) והתשובות שנוצרות (פלט) משפיע ישירות על הביצועים והעלות. כתבו הנחיות קצרות וישירות שמספקות מספיק הקשר. כדאי לעצב את ההנחיות כך שהתשובות של המודל יהיו תמציתיות. לדוגמה, אפשר להוסיף ביטויים כמו "תסכם ב-2 משפטים" או "תפרט 3 נקודות עיקריות". מידע נוסף זמין במאמר בנושא שיטות מומלצות ליצירת הנחיות. שמירת הקשר במטמון: כדי להפחית את העלות של בקשות שמכילות תוכן חוזר עם מספר גבוה של טוקנים של קלט, אפשר להשתמש בשמירת הקשר במטמון. בקשות רבות בבת אחת: כשזה רלוונטי, כדאי להשתמש בחיזויים רבים בבת אחת. בקשות באצווה כרוכות בעלות נמוכה יותר מבקשות רגילות. |
| Cloud Run |
הקצאת משאבים: כשיוצרים שירות Cloud Run, אפשר לציין את כמות הזיכרון והמעבד (CPU) שיוקצו לו. מתחילים עם הקצאות ברירת המחדל של המעבד (CPU) והזיכרון. עוקבים אחרי השימוש במשאבים והעלויות לאורך זמן, ומשנים את ההקצאה לפי הצורך. מידע נוסף זמין במאמרי העזרה הבאים: אופטימיזציה של התעריף: אם אתם יכולים לחזות את הדרישות שלכם לגבי מעבד וזיכרון, אתם יכולים לחסוך כסף באמצעות הנחות תמורת התחייבות לשימוש (CUD). |
| כל המוצרים בארכיטקטורה | אופטימיזציה אחרי הפריסה: אחרי שפורסים את האפליקציה ב- Google Cloud, אפשר לקבל המלצות לשיפור נוסף של העלויות באמצעות Active Assist. בודקים את ההמלצות ומיישמים אותן בהתאם לסביבה שלכם. מידע נוסף זמין במאמר בנושא המלצות ב-Active Assist. |
כדי להעריך את העלות של המשאבים ב- Google Cloud , אתם יכולים להשתמש בGoogle Cloud מחשבון עלויות.
עקרונות והמלצות לאופטימיזציה של עלויות שספציפיים לעומסי עבודה של AI ו-ML מפורטים במאמר AI and ML perspective: Cost optimization ב-Well-Architected Framework.
אופטימיזציה של הביצועים
בקטע הזה מפורטים שיקולים והמלצות לתכנון טופולוגיה ב- Google Cloud שעומדת בדרישות הביצועים של עומסי העבודה.
| רכיב | שיקולים והמלצות לגבי עיצוב |
|---|---|
| סוכנים |
בחירת מודל: כשבוחרים מודלים למערכת AI אקטיבי, צריך לקחת בחשבון את היכולות הנדרשות למשימות שהסוכנים צריכים לבצע. אופטימיזציה של פרומפטים: כדי לשפר ולייעל במהירות את הביצועים של הפרומפטים בקנה מידה נרחב, וכדי להימנע מהצורך בשכתוב ידני, אפשר להשתמש בכלי לאופטימיזציה של פרומפטים ב-Agent Platform. הכלי לאופטימיזציה עוזר לכם להתאים הנחיות בצורה יעילה למודלים שונים. |
| Agent Platform |
בחירת מודל: המודל שתבחרו לאפליקציית ה-AI ישפיע ישירות על העלויות ועל הביצועים. כדי לזהות את המודל שמספק איזון אופטימלי בין ביצועים לעלות בתרחיש השימוש הספציפי שלכם, מומלץ לבדוק מודלים באופן איטרטיבי. מומלץ להתחיל עם המודל הכי חסכוני ולעבור בהדרגה לאפשרויות חזקות יותר. הנדסת פרומפטים: האורך של הפרומפטים (קלט) והתשובות שנוצרות (פלט) משפיע ישירות על הביצועים והעלות. כתבו הנחיות קצרות וישירות שמספקות מספיק הקשר. כדאי לעצב את ההנחיות כך שהתשובות של המודל יהיו תמציתיות. לדוגמה, אפשר להוסיף ביטויים כמו "סכם ב-2 משפטים" או "ציין 3 נקודות עיקריות". מידע נוסף זמין במאמר בנושא שיטות מומלצות ליצירת הנחיות. שמירת הקשר במטמון: כדי לצמצם את זמן האחזור של בקשות שמכילות תוכן חוזר עם מספר גבוה של טוקנים של קלט, כדאי להשתמש בשמירת הקשר במטמון. |
| Cloud Run |
הקצאת משאבים: בהתאם לדרישות הביצועים, מגדירים את הזיכרון ואת המעבד שיוקצו לשירות Cloud Run. מידע נוסף זמין במאמרי העזרה הבאים: לקבלת הנחיות נוספות לאופטימיזציה של הביצועים, אפשר לעיין בטיפים כלליים לפיתוח ב-Cloud Run. |
| כל המוצרים בארכיטקטורה | אופטימיזציה אחרי הפריסה: אחרי שפורסים את האפליקציה ב- Google Cloud, אפשר לקבל המלצות לשיפור נוסף של הביצועים באמצעות Active Assist. בודקים את ההמלצות ומיישמים אותן בהתאם לסביבה שלכם. מידע נוסף זמין במאמר בנושא המלצות ב-Active Assist. |
עקרונות והמלצות לאופטימיזציה של ביצועים שספציפיים לעומסי עבודה של AI ולמידת מכונה מפורטים במאמר AI and ML perspective: Performance optimization ב-Well-Architected Framework.
פריסה
כדי ללמוד איך ליצור ולפרוס מערכות AI מרובות סוכנים, אפשר להשתמש בדוגמאות הקוד הבאות. דוגמאות הקוד האלה הן נקודות התחלה פונקציונליות מלאות ללמידה ולניסויים. כדי שהקוד יפעל בצורה אופטימלית בסביבות ייצור, צריך להתאים אותו לדרישות העסקיות והטכניות הספציפיות שלכם.
- יוצר קורסים: יצירת קורסים חינוכיים מובנים.
- יועץ פיננסי: ניתוח נתונים של שוק המניות, יצירת אסטרטגיות מסחר, הגדרת תוכניות ביצוע והערכת סיכונים.
- עוזר מחקר: תכנון מחקר, ביצוע מחקר, הערכת הממצאים וכתיבת דוח מחקר.
- סוכן ביטוח: יצירת חברות במועדון, מתן סיוע בצד הדרך וטיפול בתביעות ביטוח.
- כלי אופטימיזציה לחיפוש: מציאת מילות מפתח לחיפוש, ניתוח דפי אינטרנט ומתן הצעות לאופטימיזציה של החיפוש.
- כלי לניתוח נתונים: אחזור נתונים, ביצוע מניפולציות מורכבות, יצירת תרשימים והרצת משימות של ML.
- סוכן שיווק באינטרנט: תבחר שם דומיין, תעצב אתר, תיצור קמפיינים ותפיק תוכן.
- מתכנן נסיעות ב-Airbnb (עם A2A ו-MCP): חיפוש של נכסים ב-Airbnb וקבלת מידע על מזג האוויר במיקום מסוים ובזמן מסוים.
כדי לראות קוד לדוגמה שיעזור לכם להתחיל להשתמש ב-ADK יחד עם שרתי MCP, אפשר לעיין בכלי MCP.
המאמרים הבאים
- בחירת דפוס עיצוב למערכת ה-AI האקטיבי.
- דוגמאות לסוכנים ולכלים ב-Agent Garden
- יצירת סוכנים באמצעות Agent Development Kit (ADK).
- פריסת סוכנים אל Google Cloud.
- אירוח סוכני A2A ב-Cloud Run.
- אירוח שרתי MCP ב-Cloud Run.
- סקירה כללית של עקרונות והמלצות בנושא ארכיטקטורה שספציפיים לעומסי עבודה של AI ו-ML ב- Google Cloudמופיעה בפרספקטיבה של AI ו-ML ב-Well-Architected Framework.
- לדוגמאות נוספות של ארכיטקטורות, תרשימים ושיטות מומלצות, עיינו במאמר Cloud Architecture Center.
שותפים ביצירת התוכן
מחבר: קומאר דהנגופל | מפתח פתרונות חוצי-מוצרים
תורמי תוכן אחרים:
- אלן בלונט | מנהל מוצר
- עלי ארסנג'אני, PhD | מנהל, הנדסת AI יישומי
- Filipe Gracio, PhD | Customer Engineer, AI/ML Specialist
- Holt Skinner | אחראי/ת קשרי מפתחים (Developers Advocate)
- Jack Wotherspoon | אחראי קשרי מפתחים
- Joe Shirey | Cloud Developer Relations Manager
- מייגן או'קיף | אחראית קשרי מפתחים
- Samantha He | Technical Writer
- Sara Ford | Senior Developer Relations Engineer
- שיר מאיר לדור | מנהלת הנדסה של קשרי מפתחים
- Victor Dantas | Gen AI Field Solutions Architect
- Vlad Kolesnikov | Developer Relations Engineer