במסמך הזה מוצגת ארכיטקטורת הפניה שתעזור לכם לתכנן מערכת AI עם סוכן יחיד ב- Google Cloud. מערכת הסוכן היחיד בארכיטקטורה הזו נוצרת באמצעות הערכה לפיתוח סוכנים (ADK) ונפרסת ב-Cloud Run. אפשר גם לפרוס את הסוכן ב-Agent Runtime ב-Gemini Enterprise Agent Platform או ב-Google Kubernetes Engine (GKE). הארכיטקטורה משתמשת ב-Model Context Protocol (MCP), שמאפשר לסוכן לגשת למידע ממקורות מרובים ולעבד אותו כדי לספק תובנות עשירות בהקשר.
המסמך הזה מיועד לארכיטקטים, למפתחים ולאדמינים של אפליקציות AI. ההנחה היא שיש לכם הבנה בסיסית במושגים של AI, למידת מכונה (ML) ומודלים גדולים של שפה (LLM). בנוסף, ההנחה היא שיש לכם הבנה בסיסית של סוכני AI ומודלים של AI. הוא לא מספק הנחיות ספציפיות לעיצוב ולתכנות של סוכני AI.
בקטע פריסה של המסמך הזה מופיעות דוגמאות קוד שאפשר להשתמש בהן כדי ללמוד איך ליצור ולפרוס מערכות AI עם סוכן יחיד.
ארכיטקטורה
בתרשים הבא מוצגת ארכיטקטורה של מערכת AI עם סוכן יחיד שנפרסת ב-Cloud Run:
רכיבי הארכיטקטורה
ארכיטקטורת הדוגמה כוללת את הרכיבים הבאים:
| רכיב | תיאור |
|---|---|
| קצה קדמי | המשתמשים יוצרים אינטראקציה עם הסוכן דרך קצה חזיתי, כמו ממשק צ'אט, שפועל כשירות Cloud Run ללא שרת. |
| סוכן | הסוכן מקבל בקשות ממשתמשים, מפרש את כוונת המשתמש, בוחר את הכלים המתאימים, ואז מסנתז מידע כדי לענות על שאילתות. |
| זמן הריצה של הסוכן | הסוכן נוצר באמצעות ADK ונפרס כשירות Cloud Run ללא שרת. אפשר גם לפרוס את הסוכן ב-Agent Runtime ב-Gemini Enterprise Agent Platform או כאפליקציה מבוססת-קונטיינר ב-GKE. מידע על בחירת זמן ריצה של סוכן זמין במאמר בחירת רכיבים לארכיטקטורת AI אקטיבי. |
| ADK | ערכת ה-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. כשמפתחים סוכנים באמצעות ADK, אפשר להגדיר את הסוכנים כך שיקבלו גישה לכלים מובנים כמו חיפוש Google וישתמשו בהם. |
| מודל AI וזמן ריצה של מודל | לצורך הסקת מסקנות, הסוכן בארכיטקטורה לדוגמה הזו משתמש במודל Gemini AI ב-Gemini Enterprise Agent Platform. |
| MCP Toolbox | MCP Toolbox for Databases מספקת כלים ספציפיים למסד נתונים עבור הסוכן. הוא יכול להתמודד עם מורכבויות כמו איגום חיבורים ואימות. |
| לקוחות, שרתים וכלים של MCP | MCP מאפשר גישה לכלים על ידי סטנדרטיזציה של האינטראקציה בין סוכנים לכלים. לכל צמד של סוכן וכלי, לקוח MCP שולח בקשות לשרת MCP שדרכו הסוכן ניגש לכלי כמו מערכת קבצים או API. לדוגמה, כלים חיצוניים כמו StackOverflow LangChain Tool וכלי חיפוש Google יכולים לספק נתונים ועיגון. |
| ניראות (observability) | הסוכן מנוטר באמצעות Google Cloud Observability לצורך רישום ביומן, מעקב ויומני מעקב. |
תהליך ליצירת סוכן
בדוגמה של מערכת עם סוכן יחיד 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 האפליקציה מעביר את ההנחיה לסוכן.
- הסוכן משתמש במודל ה-AI כדי להסיק מסקנות לגבי ההנחיה של המשתמש וליצור תשובה:
- מודל ה-AI קובע באילו כלים להשתמש כדי לאסוף מידע לפי הקשר או כדי לבצע משימה.
- הסוכן מבצע קריאות לכלים ומוסיף את התשובה להקשר שלו.
- הסוכן מבצע עיגון ואימות ביניים.
המוצרים שהשתמשו בהם
בארכיטקטורת ההפניה הזו נעשה שימוש במוצרים ובכלים הבאים Google Cloud ובקוד פתוח:
- Cloud Run: פלטפורמת מחשוב ללא שרת שמאפשרת להריץ קונטיינרים ישירות על גבי התשתית הניתנת להרחבה של Google.
- Gemini: משפחה של מודלים מולטי-מודאליים של AI שפותחו על ידי Google.
- Gemini Enterprise Agent Platform: פלטפורמה מקיפה שמאפשרת ליצור, להרחיב, לנהל ולבצע אופטימיזציה של סוכני AI ברמה שמתאימה לארגונים.
- Model Context Protocol (MCP): תקן קוד פתוח לחיבור אפליקציות מבוססות-AI למערכות חיצוניות.
- MCP Toolbox for Databases: שרת Model Context Protocol (MCP) בקוד פתוח שמאפשר לסוכני AI להתחבר למסדי נתונים בצורה מאובטחת. השרת מנהל את המורכבויות של מסדי הנתונים, כמו איגום חיבורים, אימות ויכולת צפייה.
- Google Cloud Observability: שירותי Observability, כולל Cloud Monitoring, Cloud Logging ו-Cloud Trace, שעוזרים לכם להבין את ההתנהגות, המצב והביצועים של האפליקציות שלכם.
תרחישים לדוגמה
בקטע הזה מתוארים תרחישי שימוש אפשריים לארכיטקטורה שמתוארת במסמך הזה.
תעדוף אוטומטי של דוחות על באגים
אתם יכולים להתאים את ארכיטקטורת ההפניה הזו כדי להפוך את תהליך המיון של דוחות על באגים שנכנסים לאוטומטי: להבין את הבעיה, לחפש כפילויות, לאסוף הקשר טכני רלוונטי ואז ליצור באג במערכת. סוכן מבוסס-AI יכול לשמש כעוזר חכם שיכול לבצע את הבדיקה הראשונית, וכך לאפשר למומחים אנושיים להתמקד בפתרון בעיות מורכבות יותר.
במקרה השימוש הזה, הארכיטקטורה מספקת את היתרונות הבאים:
- זמני פתרון מהירים יותר: הנציג מבצע אוטומטית את המחקר הראשוני ואת איסוף ההקשר, מה שיכול לקצר משמעותית את הזמן שנדרש להקצאה ולפתרון של כרטיסי באגים.
- שיפור הדיוק והעקביות: הסוכן יכול לבצע חיפוש שיטתי בכמה מקורות נתונים (מסדי נתונים פנימיים, מאגרי קוד והאינטרנט הציבורי). היכולת הזו מספקת ניתוח מקיף ועקבי יותר ממה שאפשר לקבל במיון ידני.
- צמצום עומס העבודה הידני: הסוכן יכול להעביר משימות חוזרות של תעדוף לצוותי התמיכה ב-IT וההנדסה, וכך לאפשר להם להתמקד בעבודה בעלת ערך גבוה יותר.
הארכיטקטורה הזו מתאימה לכל ארגון שמפתח תוכנה ורוצה לשפר את היעילות והאפקטיביות של תהליך פתרון הבאגים. מידע נוסף ואפשרויות פריסה זמינים במאמרים Software Bug Assistant - ADK Python Sample Agent ו-Tools Make an Agent: From Zero to Assistant with ADK.
שירות לקוחות
אתם יכולים להתאים את ארכיטקטורת ההפניה הזו כדי לספק ללקוחות חוויית קנייה חלקה ומותאמת אישית. סוכן וירטואלי מבוסס-AI יכול לספק שירות לקוחות, להמליץ על מוצרים, לנהל הזמנות ולתזמן שירותים, וכך לאפשר לנציגים אנושיים להתמקד במשימות אחרות.
במקרה השימוש הזה, הארכיטקטורה מספקת את היתרונות הבאים:
הגדלת המכירות ומבצעים: הסוכן יכול להציע מוצרים, שירותים ומבצעים כדי לעזור לכם להגדיל את המכירות. ההצעות של הנציג מבוססות על ההזמנה הנוכחית של הלקוח ומכירות רלוונטיות, על היסטוריית ההזמנות של הלקוח ועל הפריטים שנמצאים בעגלת הקניות שלו.
ניהול הזמנות ותזמון: הנציג יכול לשפר את היעילות ולצמצם את החיכוך עם הלקוח על ידי ניהול התוכן של עגלת הקניות של הלקוח ומתן אפשרות לתזמון עצמי של שירותים.
צמצום עומס העבודה הידני: הסוכן הדיגיטלי מטפל בפניות כלליות, בהזמנות ובתזמון, וכך מאפשר לנציגי שירות לקוחות אנושיים להתמקד בבעיות מורכבות יותר של לקוחות.
הארכיטקטורה הזו מתאימה במיוחד לארגונים קמעונאיים שרוצים לשפר את חוויית הלקוח, להגדיל את נפח המכירות ולפשט את ניהול ההזמנות והתזמון. מידע נוסף ואפשרויות פריסה זמינים במאמר Cymbal Home & Garden Customer Service Agent.
חיזוי של סדרות זמנים
אתם יכולים להתאים את ארכיטקטורת ההפניה הזו כדי לחזות תוצאות, כמו חיזוי ביקוש, חיזוי דפוסי תנועה או ניתוח וחיזוי של כשלים במכונות. סוכן מבוסס-AI יכול לנתח נתונים בזמן אמת, מגמות היסטוריות ואירועים קרובים. הסוכן יכול להשתמש בניתוחים האלה כדי לחזות תוצאות לתקופה ספציפית. התחזיות האלה יכולות לעזור לכם לתכנן ולצמצם את הזמן שמוקדש לניתוח נתונים על ידי אנליסטים אנושיים.
תרחיש השימוש הזה יכול להועיל לארגונים במקרים רבים, כמו:
- ניהול מלאי שטחי פרסום: באמצעות ניתוח נתונים מתקדם בשילוב עם נתוני מכירות היסטוריים ומגמות בשוק, הסוכן יכול לעזור לכם לתכנן הזמנות של מלאי חדש כדי להתכונן לעליות או לירידות בביקוש מצד הלקוחות.
- מסלולי נסיעה: הסוכן יכול לעזור לחסוך זמן ולהפחית את עלויות הנסיעה של ספקי משלוחים ושירותים. הוא עושה זאת על ידי ניתוח דפוסי תנועה בזמן אמת והיסטוריים, וגם אירועים כמו עבודות בנייה או חסימות כבישים.
- מניעת הפסקות שירות: הסוכן יכול לעזור לכם להימנע מהפסקות שירות פוטנציאליות, כי הוא עוזר לזהות את הגורם העיקרי להפסקות שירות היסטוריות. הכלי יכול גם לעזור לחזות מצבי כשל פוטנציאליים בעתיד, כדי שתוכלו לטפל בבעיה לפני שהיא תהפוך לבעיה.
הארכיטקטורה הזו מתאימה לכל ארגון שצריך להסתגל לדפוסים משתנים על סמך מגמות קיימות. הוא גם אידיאלי לארגונים שהלקוחות שלהם יכולים להפיק תועלת מתובנות פרואקטיביות שיעזרו להם לתכנן את העתיד. מידע נוסף ואפשרויות פריסה זמינים במאמר Time Series Forecasting Agent with Google's ADK and MCP Toolbox.
אחזור מסמכים
אתם יכולים להתאים את ארכיטקטורת ההפניה הזו לשימוש ב-RAG Engine בפלטפורמת הסוכנים של Gemini Enterprise וליצור סוכן לניהול אחזור נתונים הקשרי. סוכן לאחזור מסמכים יכול לאחזר נתונים רלוונטיים ממערך מסמכים שנבחר בקפידה כדי לספק תשובות עובדתיות עם ציטוטים של חומר המקור.
סוכן לאחזור מסמכים יכול לעזור לכם לוודא שהלקוחות והמשתמשים הפנימיים מקבלים תשובות מושכלות ומותאמות להקשר לשאילתות שלהם. ההטמעה הזו יכולה לעזור לצמצם את הטעויות וחוסר הדיוקים, כי היא מבטיחה שהתשובות יתבססו על המידע שאימתתם.
ארכיטקטורה של אחזור מסמכים מתאימה במיוחד למאגרי ידע בנושא מדיניות ותהליכים, תשתית טכנית, יכולות מוצר ותיעוד אחר שמבוסס על עובדות. מידע על פיתוח סוכן לאחזור מסמכים שמבוסס על Retrieval-Augmented Generation (יצירה משולבת-אחזור, RAG) זמין במאמר סוכן לאחזור מסמכים.
חלופות עיצוב
בקטע הזה מוצגות גישות עיצוב חלופיות שאפשר לשקול כשפורסים סוכן AI ב- Google Cloud.
זמן הריצה של הסוכן
באדריכלות שמתוארת במסמך הזה, הסוכן והכלים שלו נפרסים ב-Cloud Run. אפשר גם להשתמש ב-GKE או ב-Agent Runtime כסביבת זמן ריצה חלופית. במאמר בנושא רכיבי ארכיטקטורת ה-AI האקטיבי של סוכנים, בקטע 'בחירת Agent Runtime', מוסבר איך לבחור Agent Runtime.
זמן הריצה של מודל AI
בארכיטקטורה שמתוארת במסמך הזה, זמן הריצה של מודל ה-AI הוא Agent Platform. אפשר גם להשתמש ב-Cloud Run או ב-GKE כסביבת ריצה חלופית. במאמר בנושא בחירת רכיבי ארכיטקטורת AI אקטיבי מוסבר איך לבחור זמן ריצה של מודל.
שיקולים בתכנון
בקטע הזה מוסבר איך להשתמש בארכיטקטורת ההפניה הזו כדי לפתח ארכיטקטורה שעונה על הדרישות הספציפיות שלכם מבחינת אבטחה, מהימנות, עלות, יעילות תפעולית וביצועים.
עיצוב המערכת
בקטע הזה אנחנו מספקים הנחיות שיעזרו לכם לבחור Google Cloud אזורים לפריסה ולבחור 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 |
|
זיכרון ואחסון סשן
ארכיטקטורת הדוגמה שמוצגת במסמך הזה לא כוללת אחסון בזיכרון או אחסון סשנים. בסביבת ייצור, אפשר לשפר את התשובות ולהוסיף התאמה אישית על ידי שילוב של מצב וזיכרון בסוכן.
- Session: סשן הוא רצף השיחה בין משתמש לבין הנציג, מהאינטראקציה הראשונית ועד לסיום הדיאלוג.
- מצב: מצב הוא הנתונים שהסוכן משתמש בהם ואוסף אותם במהלך סשן ספציפי. נתוני המצב שנאספים כוללים את היסטוריית ההודעות שהמשתמש והסוכן החליפו ביניהם, את התוצאות של כל קריאות הכלים ומשתנים אחרים שהסוכן צריך כדי להבין את ההקשר של השיחה.
ערכת ה-ADK יכולה לעקוב אחרי סשנים בזיכרון לטווח קצר באמצעות האובייקט Session והמאפיינים state. בנוסף, ADK תומך בזיכרון לטווח ארוך בסשנים של אותו משתמש, כולל באמצעות Memory Bank.
כדי לאחסן את מצב הסשן, אפשר גם להשתמש בשירותים כמו Memorystore for Redis.
מידע על אפשרויות הזיכרון של הסוכן זמין במאמר בנושא בחירת רכיבי הארכיטקטורה של ה-AI הגנרטיבי.
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
אמינות
בקטע הזה מפורטים שיקולים והמלצות לתכנון ולתפעול של תשתית אמינה לפריסה ב- Google Cloud.
| רכיב | שיקולים והמלצות לגבי עיצוב |
|---|---|
| סוכן |
סימולציה של כשלים: לפני שפורסים את מערכת ה-AI האקטיבי בסביבת ייצור, כדאי לאמת אותה באמצעות סימולציה של סביבת ייצור. זיהוי בעיות והתנהגויות לא צפויות ופתרון שלהן. התאמה לעומס אופקית: כדי להבטיח זמינות גבוהה ועמידות בפני תקלות, מומלץ להפעיל כמה מופעים של אפליקציית הסוכן מאחורי מאזן עומסים. הגישה הזו יכולה גם לעזור לצמצם את זמן האחזור ואת פסק הזמן, כי הבקשות מתחלקות בין המופעים. חלק מהסביבות של סוכנים מטפלות באיזון עומסים באופן אוטומטי, כמו התאמה אוטומטית של מספר המכונות בשירותי Cloud Run. שחזור אחרי הפסקות שירות: כדי לוודא שהסוכן יוכל לטפל בהפעלה מחדש בצורה חלקה ולשמור על ההקשר, צריך להפריד את המצב מזמן הריצה. כדי להטמיע אפליקציית סוכן כזו בלי שמירת מצב, צריך להשתמש במאגר נתונים חיצוני כמו מסד נתונים או מטמון מבוזר. לדוגמה, אפשר להשתמש ב-Memory Bank, ב-Memorystore for Redis או בשירות מסד נתונים כמו Cloud SQL. טיפול בשגיאות: כדי לאפשר אבחון ופתרון של שגיאות, מטמיעים רישום ביומן, טיפול בחריגים ומנגנוני ניסיון 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, ומבצע איזון עומסים אוטומטי של התנועה בין האזורים. אם מתרחש הפסקת חשמל באזור, Cloud Run ממשיך לפעול והנתונים לא אובדים. אם מתרחש הפסקת חשמל באזור מסוים, השירות מפסיק לפעול עד ש-Google פותרת את הבעיה. התאמה אופקית לעומס: שירותי Cloud Run מטפלים בהתאמה אוטומטית לעומס של מכונות בשבילכם. התאמה אוטומטית לעומס עוזרת לוודא שהמופעים יכולים לטפל בכל הבקשות הנכנסות, האירועים וניצול המעבד שנדרשים כדי להבטיח זמינות גבוהה. |
| כל המוצרים בארכיטקטורה |
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. |
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 |
|---|---|
| סוכן |
ניפוי באגים וניתוח: הטמעה של רישום ביומן במבנה מוגדר באפליקציית הסוכן. רישום ביומן ומעקב מאפשרים לכם לתעד מידע חשוב בפורמט מובנה, כמו הכלים שהופעלו, הקלט והפלט של הסוכן והחביון של כל שלב. |
| Agent Platform |
מעקב באמצעות יומנים: כברירת מחדל, יומני סוכנים 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 הערכה של סוכנים, אפשר להשתמש בשירות ההערכה של AI גנרטיבי או בשיטות ההערכה שנתמכות ב-ADK. |
| Cloud Run |
תקינות וביצועים: אפשר לעקוב אחרי שירותי Cloud Run באמצעות Google Cloud Observability. כדאי להגדיר התראות ב-Cloud Monitoring כדי לקבל הודעה על בעיות פוטנציאליות, כמו עלייה בשיעורי השגיאות, חביון גבוה או שימוש לא תקין במשאבים. |
| מסדי נתונים |
תקינות וביצועים: אפשר לעקוב אחרי מסד הנתונים באמצעות Google Cloud Observability. כדאי להגדיר התראות ב'מעקב' כדי לקבל הודעה על בעיות פוטנציאליות, כמו עלייה בשיעורי השגיאות, חביון גבוה או שימוש לא תקין במשאבים. |
| MCP |
כלי מסד נתונים: כדי לנהל ביעילות כלי מסד נתונים לסוכני AI, ולוודא 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 סוכנים 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 Google Cloud לממשקי API של מדיה גנרטיבית. מוצרי אבטחה וכלי אבטחה של Google: כדי לאפשר לסוכני ה-AI שלכם לגשת למוצרי אבטחה ולכלי אבטחה 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 מתמשכים של נתוני מעקב באמצעות Trace. נתוני מעקב מאפשרים לזהות ולאבחן במהירות בעיות של זמן אחזור בתהליכי עבודה מורכבים של סוכנים. אתם יכולים לבצע ניתוח מעמיק באמצעות תרשימים בדף Trace explorer במסוף Google Cloud . מידע נוסף זמין במאמר מעקב אחרי סוכן. |
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
אין אפשרות לפריסה אוטומטית לארכיטקטורת ההפניה הזו. אפשר להיעזר בדוגמאות הקוד הבאות כדי ליצור ארכיטקטורה של סוכן יחיד:
- כדי לפרוס ארכיטקטורה דומה, פורסים את הסוכן לדוגמה של Python ADK – עוזר לתיקון באגים בתוכנה.
- מידע נוסף על זיכרון ומצב זמין בPython Tutor - ADK State and Memory Example.
כאן אפשר למצוא דוגמאות לקוד שיעזרו לכם להתחיל להשתמש ב-ADK יחד עם שרתי MCP.
בדוגמאות הקוד הבאות אפשר לראות עוד מערכות AI עם סוכן יחיד. 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.
- קניות בהתאמה אישית: המלצות מותאמות אישית למוצרים של מותג מסוים, מוכר מסוים או זירת מסחר מסוימת באינטרנט.
- ניהול אירועים: אימות האסימון והזהות של משתמש הקצה על בסיס כל בקשה באמצעות העברת זהויות דינמית.
- עיבוד הזמנות: עיבוד ואחסון של הזמנות, ותיאום של אישור באימייל עם בדיקה אנושית מותנית עבור כמויות הזמנה שצוינו.
- הנדסת נתונים: פיתוח צינורות עיבוד נתונים של Dataform, פתרון בעיות בצינורות עיבוד נתונים וניהול הנדסת נתונים משאילתות SQL מורכבות ועד לשינויי נתונים ותלות בנתונים.
- אחזור מסמכים: אפשר להשתמש ב-RAG כדי לשלוח שאילתות למסמכים שמעלים ל-RAG Engine ב-Gemini Enterprise Agent Platform ולקבל תשובות עם ציטוטים של מסמכים וקוד.
המאמרים הבאים
- דוגמאות לסוכנים ולכלים ב-Agent Garden
- יצירת סוכנים באמצעות ADK.
- פריסת סוכנים אל Google Cloud.
- אירוח שרתי MCP ב-Cloud Run.
- אירוח של אפליקציות וסוכנים מבוססי-AI ב-Cloud Run.
- כך מטמיעים תשתית RAG לאפליקציות של AI גנרטיבי ב- Google Cloud.
- 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
- קומאר דהנגופאל | מפתח פתרונות חוצי-מוצרים
- מייגן או'קיף | אחראית קשרי מפתחים
- שיר מאיר לדור | מנהלת הנדסה של קשרי מפתחים