Agent Runtime est un environnement d'exécution entièrement géré et basé sur des opinions que vous pouvez utiliser pour déployer, exploiter et faire évoluer des applications agentiques. Agent Runtime abstrait l'infrastructure sous-jacente, ce qui vous permet de vous concentrer sur la logique de l'agent plutôt que sur les opérations.
Agent Runtime vous permet d'effectuer les opérations suivantes :
- Déployer et faire évoluer des agents avec un environnement d'exécution géré et des fonctionnalités de gestion de bout en bout.
- Personnaliser l'image de conteneur de l'agent avec des scripts d'installation au moment de la compilation pour les dépendances système.
- Utiliser des fonctionnalités de sécurité, y compris la conformité VPC-SC et la configuration de l'authentification et d'IAM.
- Accéder à des modèles et des outils tels que function calling.
- Déployer des agents créés à l'aide de différents frameworks Python et du protocole ouvert Agent2Agent.
Créer et déployer sur Agent Runtime
Le workflow de création d'un agent sur Agent Runtime est le suivant :
- Configurer l'environnement : configurez votre projet Google et installez la dernière version du SDK Agent Platform pour Python.
- Développer un agent : développez un agent qui peut être déployé sur Agent Runtime.
- Déployer l'agent : déployez l'agent sur l'environnement d'exécution géré Agent Runtime.
- **Utiliser l'agent** : interrogez l' agent en envoyant une requête d'API.
- Gérer l'agent déployé : gérez et supprimez les agents que vous avez déployés sur Agent Runtime.
Frameworks compatibles
Le tableau suivant décrit le niveau de compatibilité qu'Agent Runtime offre pour différents frameworks d'agent :
| Niveau d'assistance | Frameworks d'agent |
|---|---|
| Modèle personnalisé : vous pouvez adapter un modèle personnalisé pour prendre en charge le déploiement sur Agent Runtime à partir de votre framework. Pour déployer des conteneurs personnalisés, consultez le contrat d'exécution. | CrewAI, frameworks personnalisés |
| Intégration du SDK Agent Platform : Agent Runtime fournit des modèles gérés par framework dans le SDK Agent Platform et la documentation. | LangChain, LangGraph, AG2, LlamaIndex |
| Intégration complète : les fonctionnalités sont intégrées pour fonctionner dans le framework, Agent Runtime et l'écosystème plus large Google Cloud . | Agent Development Kit (ADK) |
Déployer en production avec la CLI Agents
La Agents CLI est l'interface de ligne de commande et l'ensemble de compétences unifiés pour Gemini Enterprise Agent Platform. Elle fournit aux agents de codage et aux développeurs un chemin prévisible tout au long du cycle de vie du développement d'agents : échafaudage, évaluation, déploiement, publication et observation. La CLI Agents fournit les éléments suivants :
- Modèles d'agent prédéfinis : ReAct, RAG, multi-agents et autres modèles.
- Bac à sable interactif : testez votre agent et interagissez avec lui.
- Infrastructure automatisée : utilise Terraform pour une gestion simplifiée des ressources.
- Pipelines CI/CD : workflows de déploiement automatisés utilisant Cloud Build.
- Observabilité : compatibilité intégrée avec Cloud Trace et Cloud Logging.
Pour commencer, consultez le guide de démarrage rapide.
Cas d'utilisation
Pour en savoir plus sur Agent Runtime avec des exemples de bout en bout, consultez les ressources suivantes :
Cliquez pour développer les cas d'utilisation
| Cas d'utilisation | Description | Liens | |
|---|---|---|---|
| Créer des agents en se connectant à des API publiques | Effectuer des conversions entre des devises. Créez une fonction qui se connecte à une application de change de devises pour permettre au modèle de fournir des réponses précises à des requêtes telles que "Quel est le taux de change entre l'euro et le dollar aujourd'hui ?" |
Notebook SDK Agent Platform (Python) : présentation de la création et du déploiement d'un agent avec Agent Runtime | |
| Concevoir un projet d'énergie solaire communautaire. Identifiez les emplacements potentiels recherchez les bureaux et fournisseurs gouvernementaux pertinents, et examinez les images satellite et le potentiel solaire des régions et des bâtiments pour trouver l' emplacement optimal pour installer vos panneaux solaires. |
Notebook SDK Agent Platform (Python) : création et déploiement d'un agent de l'API Google Maps avec Agent Runtime | ||
| Créer des agents en se connectant à des bases de données | Intégration à AlloyDB et Cloud SQL pour PostgreSQL. | Article de blog : lancement de LangChain sur Gemini Enterprise Agent Platform pour AlloyDB et Cloud SQL pour PostgreSQL Notebook SDK Agent Platform (Python) : déployer une application RAG avec Cloud SQL pour PostgreSQL vers Agent Runtime Notebook SDK Agent Platform (Python) : déployer une application RAG avec AlloyDB for PostgreSQL vers Agent Runtime |
|
| Créer des agents avec des outils qui accèdent aux données de votre base de données. | Notebook SDK Agent Platform (Python) : déploiement d'un agent avec Agent Runtime et MCP Toolbox for Databases | ||
| Interroger et comprendre des magasins de données structurés en langage naturel. | Notebook SDK Agent Platform (Python) : création d'un agent de recherche conversationnel avec Agent Runtime et RAG dans Agent Search | ||
| Interroger et comprendre des bases de données orientées graphe en langage naturel | Article de blog : GraphRAG GenAI et agents d'IA utilisant Agent Runtime avec LangChain et Neo4j | ||
| Interroger et comprendre des magasins de vecteurs en langage naturel | Article de blog : simplifier GenAI RAG avec MongoDB Atlas et Agent Runtime | ||
| Créer des agents avec Agent Development Kit | Créer et déployer des agents à l'aide d'Agent Development Kit. | Agent Development Kit : déployer sur Agent Runtime | |
| Créer des agents avec des frameworks OSS | Créer et déployer des agents à l'aide du framework Open Source Onetwo. | Article de blog : OneTwo et Agent Runtime : explorer le développement d'agents d'IA avancée sur Google Cloud | |
| Créer et déployer des agents à l'aide du framework Open Source LangGraph. | Notebook SDK Agent Platform (Python) : création et déploiement d'une application LangGraph avec Agent Runtime | ||
| Déboguer et optimiser les agents | Créer et tracer des agents à l'aide d'OpenTelemetry et de Cloud Trace. | Notebook SDK Agent Platform (Python) : débogage et optimisation des agents : guide de traçage dans Agent Runtime | |
| Créer des systèmes multi-agents avec le protocole A2A (aperçu) | Créer des agents interopérables qui communiquent et collaborent avec d'autres agents, quel que soit leur framework. | Pour en savoir plus, consultez la documentation sur le protocole A2A. | |
Régions où le service est disponible
Consultez la page Emplacements pour obtenir la liste des régions compatibles avec Agent Runtime.
Quota
Pour en savoir plus sur les quotas d'Agent Runtime, consultez la section Quotas et limites du système.
Tarifs
Une version sans frais est disponible pour Agent Runtime. Pour en savoir plus sur les tarifs d' Agent Runtime, consultez la page Tarifs de Gemini Enterprise Agent Platform .
Migration vers le SDK basé sur le client
Le module agent_engines du SDK Agent Platform est en cours de refactorisation vers une conception basée sur le client pour les principales raisons suivantes :
- S'aligner sur le Agent Development Kit (ADK) et le SDK Google Gen AI dans les représentations de types canoniques. Cela garantit une représentation cohérente et standardisée des types de données dans différents SDK, ce qui simplifie l'interopérabilité et réduit la surcharge de conversion.
- Pour la définition de Google Cloud paramètres au niveau du client dans les applications multiprojets multirégionales. Cela permet à une application de gérer les interactions avec les ressources dans différents Google Cloud projets et emplacements géographiques en configurant chaque instance client avec ses paramètres de projet et d'emplacement spécifiques.
- Pour améliorer la visibilité et la cohérence des services Agent Runtime
Étape suivante
Configuration d'Agent Platform Runtime
Configurez votre environnement pour utiliser Agent Platform Runtime.