‫Google משתמשת בטכנולוגיית AI כדי לתרגם תוכן לשפה המועדפת עליך. בתרגומים כאלו עשויות להיות שגיאות.

הקצאת סוכנים באמצעות Terraform

אתם יכולים להשתמש ב-Terraform כדי להקצות ולנהל מופעים של Agent Runtime באופן הצהרתי. כשפורסים סוכנים באמצעות Terraform, מנהלים את המשאב google_vertex_ai_reasoning_engine באמצעות ספק Terraform הרשמי ( Google Cloud ספק GA או ספק בטא).

ההוראות בדף הזה מתאימות להטמעה לדוגמה של סוכן מבוסס-קונטיינר שמתוארת ב-Codelab בנושא פריסת סוכן מבוסס-קונטיינר באמצעות Agent Runtime.

דרישות מוקדמות

לפני שמשתמשים ב-Terraform כדי לפרוס סוכן, צריך לוודא שהשלמתם את ההגדרה הבאה:

מתקינים את Terraform (גרסה 1.5.0 ואילך) ומעיינים במסמכי התיעוד הרשמיים של HashiCorp Terraform Registry בנושא משאב google_vertex_ai_reasoning_engine (ספק GA וספק בטא).
מגדירים את Google Cloud הסביבה ומפעילים את Vertex AI API‏ (aiplatform.googleapis.com), Artifact Registry API‏ (artifactregistry.googleapis.com) ו-Cloud Build API‏ (cloudbuild.googleapis.com).
מאמתים את הסביבה המקומית באמצעות פרטי הכניסה של Google Cloud :
```
gcloud auth application-default login
```
כדי לשמור על הפרדה בין קוד האפליקציה לבין ניהול התשתית, כדאי לארגן את סביבת העבודה של הסוכן בספריות ייעודיות לאפליקציה ול-Terraform:
```
weather-agent-byoc/
├── main.py                # Python ADK agent entrypoint
├── requirements.txt       # Python dependencies
├── Dockerfile             # Container build definition
└── terraform/             # Terraform configuration directory
    ├── main.tf            # Agent Runtime resources and specifications
    ├── variables.tf       # Project, region, and container variables
    └── outputs.tf         # Resource name outputs
```
- קבצים של האפליקציה (main.py,‏ requirements.txt,‏ Dockerfile): מכילים את הלוגיקה של הסוכן, את העטיפה של מסגרת האינטרנט (כמו FastAPI או ADK App), את התלות ב-Python ואת הוראות הבנייה של הקונטיינר.
- ספריית Terraform (terraform/): מכילה את כל קובצי התצורה של Terraform שמשמשים להקצאת משאבים:
  - ‫variables.tf: הצהרה על משתני קלט כמו project_id,‏ location,‏ repository_name ו-image_tag.
  - ‫main.tf: הצהרה על הגדרות ספק, משתנים מקומיים, קישורי תפקידי IAM ומפרטי משאבים של google_vertex_ai_reasoning_engine.
  - outputs.tf: מייצא מאפיינים של משאבים שהוקצו, כמו מזהה Agent Runtime ושם המשאב המלא, אחרי הפריסה.
נותנים את התפקידים המתאימים ב-IAM בהתאם למי שמבצע את הפריסה:
- חשבון שירות של מפתח אנושי או של שירות CI/CD שמריץ את הפקודות terraform apply ופקודות build מקומיות.
  כאן אפשר ללחוץ כדי לראות את ההרשאות הנדרשות
  - ‫Vertex AI User (roles/aiplatform.user) או Vertex AI Administrator (roles/aiplatform.admin): הרשאה למשתמש שפורס את הסוכן להפעיל פעולות RPC של מישור הבקרה של Agent Runtime (CreateReasoningEngine, ‏ UpdateReasoningEngine, ‏ DeleteReasoningEngine).
  - משתמש בחשבון שירות (roles/iam.serviceAccountUser): התפקיד הזה מוקצה בחשבון השירות של זמן הריצה המותאם אישית (google_service_account.agent_runtime_sa) שמצורף לסוכן. ההרשאה מאפשרת למשתמש שפורס את האפליקציה לצרף את הזהות של חשבון השירות למשאב google_vertex_ai_reasoning_engine שהוקצה.
  - ‫Storage Object Admin (roles/storage.objectAdmin) או Storage Object Viewer (roles/storage.objectViewer): נדרש כשמשתמשים בהעלאה של חבילות Python (package_spec) כדי להעלות או לקרוא קבצי pickle של סוכנים (agent.pkl) ומניפסטים של תלות ב-Cloud Storage.
  - בעל הרשאת כתיבה ב-Artifact Registry (roles/artifactregistry.writer): נדרש כשמבצעים גרסת build מראש ושולחים קובצי אימג' מותאמים אישית של קונטיינרים (docker push) למאגרי Artifact Registry.
- סוכן שירות של Agent Runtime שמנוהל על ידי המערכת (service-<var>PROJECT_NUMBER</var>@gcp-sa-aiplatform-re.iam.gserviceaccount.com).
  כאן אפשר ללחוץ כדי לראות את ההרשאות הנדרשות
  - Artifact Registry Reader (roles/artifactregistry.reader): נותן לתשתית של פלטפורמת Agent Runtime ברקע הרשאה לבצע אימות ב-Artifact Registry ולשלוף את קובץ האימג' של הקונטיינר המותאם אישית שלכם במהלך פריסת ה-Pod וההפעלה במצב התחלתי (cold start) של הקונטיינר.
  חשוב: ב-Terraform, צריך לנהל באופן מפורש את הקישור של IAM לסוכן השירות ולוודא שהמשאב google_vertex_ai_reasoning_engine כולל הפניה depends_on לקישור של IAM. אחרת, יכול להיות שהקצאת ה-pod תיכשל עם IMAGE_PULL_BACKOFF בגלל מרוץ תהליכים.

הכנה לפריסה

‫Terraform תומך בנתיבי הפריסה הבאים של Agent Runtime:

פריסה מקובץ אימג' של קונטיינר שנבנה מראש: יוצרים קובץ אימג' של קונטיינר ומעבירים אותו בדחיפה ל-Artifact Registry ‏ ({region}-docker.pkg.dev/...) ופורסים אותו באמצעות container_spec. כדאי להשתמש בשיטה הזו אם אתם רוצים שליטה מלאה בתהליך build של הקונטיינר, בתמונות בסיס מותאמות אישית או בזמן אחזור קצר יותר של הפריסה.
פריסה מקובצי מקור או מ-Dockerfile: פריסת הסוכן ישירות מקובצי מקור מקומיים או מ-Dockerfile. ה-Agent Runtime יוצר ומקצה את קובץ האימג' של הקונטיינר באופן אוטומטי, בלי צורך בניהול ידני של התמונה.
פריסה באמצעות מפרטים של חבילות Python פריסה באמצעות (package_spec) שמוצג ב-Cloud Storage. ה-Agent Runtime יוצר ומקצה את קובץ האימג' של הקונטיינר באופן אוטומטי, בלי צורך בניהול ידני של התמונה.

פריסה מקובץ אימג' של קונטיינר מוכן מראש

אם אתם יוצרים מראש קובצי אימג' של קונטיינרים ושולחים אותם אל Artifact Registry (לדוגמה, כדי לכלול ספריות מערכת בהתאמה אישית, לבצע אופטימיזציה של ביצועי הפעלה ראשונית או לאכוף אמצעי בקרה ארגוניים ליצירת קובצי אימג'), אתם יכולים לבצע פריסה באמצעות container_spec. פרטים על הדרישות בנוגע לתמונות מופיעים במאמר פריסה מתמונת מאגר.

קובצי אימג' של קונטיינרים צריכים להיות מאוחסנים ב-Artifact Registry‏ ({LOCATION}-docker.pkg.dev/{PROJECT_ID}/{REPOSITORY}/{IMAGE}:{TAG}), להאזין ליציאה 8080 (או ליציאה מותאמת אישית שצוינה ב-container_spec) ולפעול בהתאם לחוזה זמן הריצה.

מפתחים גרסת build מקומית של קובץ האימג' בקונטיינר ומעבירים אותו בדחיפה למאגר ב-Artifact Registry:

# 1. Authenticate Docker with your Artifact Registry region
gcloud auth configure-docker us-central1-docker.pkg.dev
# 2. Build the container image from your application root directory
cd weather-agent-byoc
docker build -t us-central1-docker.pkg.dev/PROJECT_ID/agents-repo/weather-agent-image:latest .
# 3. Push the container image to Artifact Registry
docker push us-central1-docker.pkg.dev/PROJECT_ID/agents-repo/weather-agent-image:latest

מגדירים את קובץ אימג' של קונטיינר שנבנה מראש לפריסת Terraform. ההגדרה הבאה מדגימה פריסה של קובץ אימג' של קונטיינר שנבנה מראש ומתארח ב-Artifact Registry, על ידי יצירת הקבצים variables.tf, main.tf ו-outputs.tf בתיקייה terraform/:

משתני קלט (`terraform/variables.tf`)

variable "project_id" {
  type        = string
  description = "The Google Cloud Project ID"
}

variable "project_number" {
  type        = string
  description = "The Google Cloud Project Number"
}

variable "location" {
  type        = string
  default     = "us-central1"
  description = "The region to deploy Agent Runtime"
}

variable "repository_name" {
  type        = string
  default     = "agents-repo"
  description = "The Artifact Registry repository name"
}

variable "image_tag" {
  type        = string
  default     = "latest"
  description = "The tag of the container image to deploy"
}

מפרטי משאבים (`terraform/main.tf`)

terraform {
  required_providers {
    google = {
      source  = "hashicorp/google"
      version = ">= 5.28.0"
    }
  }
}

provider "google" {
  project = var.project_id
  region  = var.location
}

locals {
  class_methods = [
    { "name" = "get_session", "api_mode" = "" },
    { "name" = "list_sessions", "api_mode" = "" },
    { "name" = "create_session", "api_mode" = "" },
    { "name" = "delete_session", "api_mode" = "" },
    { "name" = "async_get_session", "api_mode" = "async" },
    { "name" = "async_list_sessions", "api_mode" = "async" },
    { "name" = "async_create_session", "api_mode" = "async" },
    { "name" = "async_delete_session", "api_mode" = "async" },
    { "name" = "async_add_session_to_memory", "api_mode" = "async" },
    { "name" = "async_search_memory", "api_mode" = "async" },
    { "name" = "stream_query", "api_mode" = "stream" },
    { "name" = "async_stream_query", "api_mode" = "async_stream" },
    { "name" = "streaming_agent_run_with_events", "api_mode" = "async_stream" }
  ]
}

# Grant Artifact Registry Reader permission to the Agent Runtime Service Agent
resource "google_project_iam_member" "re_service_agent_ar_reader" {
  project = var.project_id
  role    = "roles/artifactregistry.reader"
  member  = "serviceAccount:service-${var.project_number}@gcp-sa-aiplatform-re.iam.gserviceaccount.com"
}

# Define the Agent Runtime resource with BYOC container configuration
resource "google_vertex_ai_reasoning_engine" "byoc_weather_agent" {
  display_name = "byoc_weather_agent_tf"
  description  = "BYOC weather agent deployed using Terraform"
  project      = var.project_id
  location     = var.location

  spec {
    agent_framework = "google-adk"

    container_spec {
      image_uri = "${var.location}-docker.pkg.dev/${var.project_id}/${var.repository_name}/weather-agent-image:${var.image_tag}"
    }

    class_methods = jsonencode(local.class_methods)
  }

  # Ensure service agent permission exists before provisioning to prevent IMAGE_PULL_BACKOFF
  depends_on = [google_project_iam_member.re_service_agent_ar_reader]
}

פלט של משאבים (`terraform/outputs.tf`)

output "reasoning_engine_id" {
  value       = google_vertex_ai_reasoning_engine.byoc_weather_agent.id
  description = "The ID of the deployed Agent Runtime instance"
}

output "reasoning_engine_resource_name" {
  value       = google_vertex_ai_reasoning_engine.byoc_weather_agent.name
  description = "The resource name of the deployed Agent Runtime instance"
}

פריסה מקובץ Dockerfile או ממאגר קוד מקור

כשפורסים מקובץ Docker, צריך לציין את ארכיון המקור ב-source_code_spec ולהגדיר בלוק image_spec {} ריק כדי להנחות את Agent Runtime ליצור את קובץ האימג' של הקונטיינר באמצעות קובץ Docker. הקונטיינר שנבנה מקובץ ה-Dockerfile חייב לעמוד בתנאי הסכם זמן הריצה.

לפרטים נוספים על אופן הפריסה, אפשר לעיין במאמרים פריסה מקובץ Docker או פריסה מקובצי מקור.

דוחסים את קוד האפליקציה (main.py), את מניפסט התלות של Python (requirements.txt) ואת הוראות בניית המאגר (Dockerfile) לארכיון מסוג tar.gz.
מריצים את הפקודה הבאה מתיקיית השורש של האפליקציה (בדוגמה נעשה שימוש בתיקיית השורש weather-agent-byoc/ ובארכיון קובץ ה-tar‏ weather_agent_source.tar.gz):
```
cd weather-agent-byoc
tar -czvf terraform/weather_agent_source.tar.gz main.py requirements.txt Dockerfile
```
הערה: הקבצים main.py, ‏requirements.txt ו-Dockerfile צריכים להיות במיקום ישירות ברמת הבסיס של ארכיון קובץ ה-tar (לא בתוך ספריית אב כמו weather-agent-byoc/main.py). כש-Agent Runtime מקצה את קונטיינר ה-build, ‏ Cloud Build API פורק את weather_agent_source.tar.gz ישירות אל בסיס סביבת העבודה של ה-build, ומצפה ש-Dockerfile יהיה במיקום ./Dockerfile במהלך ההידור.

יוצרים את הקבצים variables.tf, main.tf ו-outputs.tf בספרייה terraform/:

משתני קלט (`terraform/variables.tf`)

variable "project_id" {
  type        = string
  description = "The Google Cloud Project ID"
}

variable "location" {
  type        = string
  default     = "us-central1"
  description = "The region to deploy Agent Runtime"
}

מפרטי משאבים (`terraform/main.tf`)

terraform {
  required_providers {
    google = {
      source  = "hashicorp/google"
      version = ">= 5.28.0"
    }
  }
}

provider "google" {
  project = var.project_id
  region  = var.location
}

resource "google_vertex_ai_reasoning_engine" "dockerfile_agent" {
  display_name = "dockerfile_weather_agent_tf"
  description  = "BYOC weather agent deployed using Dockerfile"
  project      = var.project_id
  location     = var.location

  spec {
    agent_framework = "google-adk"

    source_code_spec {
      inline_source {
        source_archive = filebase64("weather_agent_source.tar.gz")
      }

      # Empty image_spec instructs the runtime to build using the Dockerfile
      image_spec {}
    }

    class_methods = jsonencode([
      { "name" = "get_session", "api_mode" = "" },
      { "name" = "list_sessions", "api_mode" = "" },
      { "name" = "create_session", "api_mode" = "" },
      { "name" = "delete_session", "api_mode" = "" },
      { "name" = "async_get_session", "api_mode" = "async" },
      { "name" = "async_list_sessions", "api_mode" = "async" },
      { "name" = "async_create_session", "api_mode" = "async" },
      { "name" = "async_delete_session", "api_mode" = "async" },
      { "name" = "async_add_session_to_memory", "api_mode" = "async" },
      { "name" = "async_search_memory", "api_mode" = "async" },
      { "name" = "stream_query", "api_mode" = "stream" },
      { "name" = "async_stream_query", "api_mode" = "async_stream" },
      { "name" = "streaming_agent_run_with_events", "api_mode" = "async_stream" }
    ])
  }
}

פלט של משאבים (`terraform/outputs.tf`)

output "dockerfile_agent_id" {
  value       = google_vertex_ai_reasoning_engine.dockerfile_agent.id
  description = "Resource ID of the deployed Dockerfile agent"
}

פריסה באמצעות מפרט חבילת Python

אם הסוכן שלכם נוצר באמצעות אובייקטים של Python SDK או אפליקציות pickled (כמו ADK,‏ LangChain או סוכני Python בהתאמה אישית), אתם יכולים להכין את הסוכן הסדרתי (.pkl) ואת הגדרות התלות (requirements.txt) בקטגוריה של Cloud Storage ולהפנות אליהם באמצעות package_spec.

פרטים נוספים על תהליך הפריסה זמינים במאמר פריסה מאובייקט Python.

מריצים את סקריפט Python הבא כדי לבצע סריאליזציה של הסוכן ולהכין את פריטי הפריסה ב-Cloud Storage:

import cloudpickle
from google.adk.agents import Agent
from google.cloud import storage
from vertexai.agent_engines import AdkApp
PROJECT_ID = "PROJECT_ID"
BUCKET_NAME = "BUCKET_NAME"
GCS_DIR = "agents/weather_agent"

# 1. Define agent logic
root_agent = Agent(
    model="gemini-3.1-flash-lite",
    name="weather_agent",
    description="Agent deployed using Terraform package_spec.",
)
local_app = AdkApp(agent=root_agent)

# 2. Upload pickle to Cloud Storage
storage_client = storage.Client(project=PROJECT_ID)
bucket = storage_client.bucket(BUCKET_NAME)

pkl_blob = bucket.blob(f"{GCS_DIR}/agent.pkl")
with pkl_blob.open("wb") as f:
    cloudpickle.dump(local_app, f)

# 3. Upload requirements.txt
requirements_content = """google-cloud-aiplatform[agent_engines,adk]>=1.144
cloudpickle==3.0.0
"""
req_blob = bucket.blob(f"{GCS_DIR}/requirements.txt")
req_blob.upload_from_string(requirements_content)

print(f"Artifacts uploaded to gs://{BUCKET_NAME}/{GCS_DIR}/")

יוצרים את הקבצים variables.tf, main.tf ו-outputs.tf בספרייה terraform/, עם הפניה ל-URI של Cloud Storage שהועברו להמתנה:

משתני קלט (`terraform/variables.tf`)

variable "project_id" {
  type        = string
  description = "The Google Cloud Project ID"
}

variable "location" {
  type        = string
  default     = "us-central1"
  description = "The region to deploy Agent Runtime"
}

variable "bucket_name" {
  type        = string
  description = "Cloud Storage bucket name containing agent artifacts"
}

מפרטי משאבים (`terraform/main.tf`)

terraform {
  required_providers {
    google = {
      source  = "hashicorp/google"
      version = ">= 5.28.0"
    }
  }
}

provider "google" {
  project = var.project_id
  region  = var.location
}

resource "google_vertex_ai_reasoning_engine" "package_agent" {
  display_name = "weather_agent_package_tf"
  description  = "Agent Runtime instance deployed using package_spec"
  project      = var.project_id
  location     = var.location

  spec {
    agent_framework = "google-adk"
    package_spec {
      python_version        = "3.11"
      pickle_object_gcs_uri = "gs://${var.bucket_name}/agents/weather_agent/agent.pkl"
      requirements_gcs_uri  = "gs://${var.bucket_name}/agents/weather_agent/requirements.txt"
    }
  }
}

פלט של משאבים (`terraform/outputs.tf`)

output "package_agent_id" {
  value       = google_vertex_ai_reasoning_engine.package_agent.id
  description = "Resource ID of the deployed package agent"
}

הגדרת משתני סביבה וסודות

לפני הפריסה, אפשר לצרף לחשבון של הסוכן חשבון שירות מותאם אישית של זמן ריצה ולהעביר משתני סביבה (env) או הפניות ל-Secret Manager (secret_env).

בדוגמה הבאה מוגדרים משתני סביבה (LOCATION, ‏MODEL, ‏MODEL_REGION) ומפתח API מועבר בצורה מאובטחת מ-Secret Manager לחשבון השירות של זמן הריצה דרך הקובץ terraform/main.tf:

# 1. Dedicated Runtime Service Account
resource "google_service_account" "agent_runtime_sa" {
  account_id   = "agent-runtime-sa"
  display_name = "Agent Runtime Identity"
  project      = var.project_id
}

# 2. Secret Manager Secret for Agent Credentials
resource "google_secret_manager_secret" "api_key_secret" {
  secret_id = "agent-api-key"
  project   = var.project_id

  replication {
    auto {}
  }
}

resource "google_secret_manager_secret_version" "api_key_version" {
  secret      = google_secret_manager_secret.api_key_secret.id
  secret_data = var.api_key_value
}

# Grant Secret Accessor role to Runtime Service Account
resource "google_secret_manager_secret_iam_member" "secret_accessor" {
  secret_id = google_secret_manager_secret.api_key_secret.id
  role      = "roles/secretmanager.secretAccessor"
  member    = "serviceAccount:${google_service_account.agent_runtime_sa.email}"
}

# Grant Artifact Registry Reader permission to the Agent Runtime Service Agent
resource "google_project_iam_member" "re_service_agent_ar_reader" {
  project = var.project_id
  role    = "roles/artifactregistry.reader"
  member  = "serviceAccount:service-${var.project_number}@gcp-sa-aiplatform-re.iam.gserviceaccount.com"
}

# 3. Agent Runtime Resource with Environment Variables and Secret References
resource "google_vertex_ai_reasoning_engine" "advanced_weather_agent" {
  display_name = "byoc_weather_agent_advanced_tf"
  description  = "BYOC weather agent with custom service account and secrets"
  project      = var.project_id
  location     = var.location

  spec {
    agent_framework = "google-adk"
    service_account = google_service_account.agent_runtime_sa.email

    container_spec {
      image_uri = "${var.location}-docker.pkg.dev/${var.project_id}/${var.repository_name}/weather-agent-image:${var.image_tag}"
    }

    deployment_spec {
      env {
        name  = "LOCATION"
        value = var.location
      }
      env {
        name  = "MODEL"
        value = "gemini-3.1-flash-lite"
      }
      env {
        name  = "MODEL_REGION"
        value = "global"
      }

      secret_env {
        name = "API_KEY"
        secret_ref {
          secret  = google_secret_manager_secret.api_key_secret.secret_id
          version = "latest"
        }
      }
    }

    class_methods = jsonencode([
      { "name" = "get_session", "api_mode" = "" },
      { "name" = "create_session", "api_mode" = "" },
      { "name" = "stream_query", "api_mode" = "stream" },
      { "name" = "async_stream_query", "api_mode" = "async_stream" }
    ])
  }

  depends_on = [
    google_secret_manager_secret_iam_member.secret_accessor,
    google_project_iam_member.re_service_agent_ar_reader
  ]
}

ביצוע ומחזור חיים

מריצים את מחזור החיים הרגיל של Terraform כדי לתכנן, לפרוס, להפעיל ולהשמיד את משאבי הסוכן.

שימוש בתצורה של Terraform

פורסים את הסוכן על ידי החלת ההגדרות של Terraform:

עוברים לספריית Terraform (לדוגמה, cd weather-agent-byoc/terraform):
```
cd weather-agent-byoc/terraform
```
מאתחלים את ספריית העבודה:
```
terraform init
```

תצוגה מקדימה של תוכנית הפריסה:

terraform plan -var="project_id=PROJECT_ID" -var="project_number=PROJECT_NUMBER"

מחילים את ההגדרה כדי להקצות את הסוכן:

terraform apply -var="project_id=PROJECT_ID" -var="project_number=PROJECT_NUMBER"

שליחת שאילתה לסוכן הפעיל

אחרי ש-Terraform מקצה את משאב google_vertex_ai_reasoning_engine, שולחים בקשת HTTP POST לנקודת הקצה :streamQuery?alt=sse כדי להזרים אירועי תגובה בזמן אמת באמצעות Server-Sent Events ‏ (SSE):

LOCATION="LOCATION"
PROJECT_ID="PROJECT_ID"
REASONING_ENGINE_ID="REASONING_ENGINE_ID"
curl -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json; charset=utf-8" \
  -d '{
    "class_method": "async_stream_query",
    "input": {
      "user_id": "terraform_test_user",
      "message": "What is the temperature in Seattle?"
    }
  }' \
  "https://${LOCATION}-aiplatform.googleapis.com/v1/projects/${PROJECT_ID}/locations/${LOCATION}/reasoningEngines/${REASONING_ENGINE_ID}:streamQuery?alt=sse"

‫OAuth Access Token: Authorization: Bearer $(gcloud auth print-access-token) יוצר אסימון גישה מסוג OAuth 2.0 עם תוקף קצר באמצעות פרטי הכניסה המקומיים שלכם. Google Cloud
מעטפת JSON input: תוכן הבקשה צריך להיות מטען ייעודי (payload) של JSON שמכיל אובייקט input. כשמפעילים שיטות של מחלקה מפורשת (כמו async_stream_query), צריך לכלול את הפרמטר "class_method" לצד "input".
המטען הייעודי של התגובה: התגובות מועברות באופן רציף כנתונים של data: { ... } אירועים שנשלחים מהשרת (SSE).

השמדת משאבים של סוכנים

כדי למחוק משאבים ולמנוע חיובים לא צפויים, עוברים לספרייה terraform/ (לדוגמה, cd weather-agent-byoc/terraform) ומריצים את הפקודה terraform destroy:

cd weather-agent-byoc/terraform
terraform destroy -var="project_id=PROJECT_ID" -var="project_number=PROJECT_NUMBER"

הקצאת סוכנים באמצעות Terraform קל לארגן דפים בעזרת אוספים אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.

דרישות מוקדמות

כאן אפשר ללחוץ כדי לראות את ההרשאות הנדרשות

כאן אפשר ללחוץ כדי לראות את ההרשאות הנדרשות

הכנה לפריסה

פריסה מקובץ אימג' של קונטיינר מוכן מראש

משתני קלט (terraform/variables.tf)

מפרטי משאבים (terraform/main.tf)

פלט של משאבים (terraform/outputs.tf)

פריסה מקובץ Dockerfile או ממאגר קוד מקור

משתני קלט (terraform/variables.tf)

מפרטי משאבים (terraform/main.tf)

פלט של משאבים (terraform/outputs.tf)

פריסה באמצעות מפרט חבילת Python

משתני קלט (terraform/variables.tf)

מפרטי משאבים (terraform/main.tf)

פלט של משאבים (terraform/outputs.tf)

הגדרת משתני סביבה וסודות

ביצוע ומחזור חיים

שימוש בתצורה של Terraform

שליחת שאילתה לסוכן הפעיל

השמדת משאבים של סוכנים

המאמרים הבאים

הקצאת סוכנים באמצעות Terraform

משתני קלט (`terraform/variables.tf`)

מפרטי משאבים (`terraform/main.tf`)

פלט של משאבים (`terraform/outputs.tf`)

משתני קלט (`terraform/variables.tf`)

מפרטי משאבים (`terraform/main.tf`)

פלט של משאבים (`terraform/outputs.tf`)

משתני קלט (`terraform/variables.tf`)

מפרטי משאבים (`terraform/main.tf`)

פלט של משאבים (`terraform/outputs.tf`)