Agent Development Kit-Agenten mit Cloud Storage verbinden

Sie können Agent Development Kit (ADK)-Agenten mit Cloud Storage verbinden, um agentischen Arbeitslasten Zugriff auf gespeicherte Daten und integrierte ADK-Toolsets zu gewähren. Mit dieser Integration können Sie Zustand, Speicher und Prüfpunkte für lang andauernde Aufgaben persistent speichern und Zwischendateien in Multi-Agent-Workflows freigeben.

Eine Einrichtungsanleitung und Codebeispiele finden Sie im ADK-Integrationsleitfaden.

Vorteile der Cloud Storage-Integration mit ADK

Wenn Sie Cloud Storage in Ihre KI-Agenten einbinden, können diese große Dateien verarbeiten, den Unterhaltungsverlauf beibehalten und Ihre vorhandene Speicherinfrastruktur wiederverwenden.

• Dynamische Kontexterweiterung: Agenten können auf große Datasets, Handbücher oder Mediendateien zugreifen, ohne dass die Menge an Daten, die ein LLM auf einmal lesen kann, begrenzt ist.
• Dauerhafte Artefaktpersistenz: Temporäre Dateien, Logs oder generierte Elemente (wie Berichte oder Bilder) werden zuverlässig außerhalb des Unterhaltungsverlaufs gespeichert.
• Unterstützung für alle Artefakttypen: Sie können verschiedene Formate wie Text, Bilder, Audio und Video verarbeiten und generieren und dabei Cloud Storage als freigegebenen Speicher verwenden.
• Detaillierte Zugriffssteuerung: Mit IAM-Rollen können Sie den Zugriff von Agenten auf Cloud Storage genau steuern. Das ADK verwendet die Standardauthentifizierung von Google Cloud , um dafür zu sorgen, dass Agenten nur die Mindestberechtigungen haben, die für den Zugriff auf Daten oder die Ausführung einer Aufgabe erforderlich sind.

Anwendungsfälle

Wenn Sie Ihre KI-Agenten mit Cloud Storage-Funktionen ausstatten, können Sie die folgenden Anwendungsfälle abdecken:

• Dynamischer Kontextabruf, auch als Retrieval-Augmented Generation (RAG) bezeichnet
• Artefaktpersistenz und -archivierung
• Verarbeitung großer Nutzlasten
• Automatisierte Ressourcenverwaltung

Dynamischer Kontextabruf über RAG

KI-Agenten können als Rechercheure fungieren, indem sie Dokumente in Cloud Storage finden und lesen, um Fragen in Echtzeit zu beantworten. Dieser Ansatz ist nützlich für interne Wissensdatenbanken oder Support-Bots.

• Richtliniensuche: Sie können einen Agenten die neuesten PDF-Handbücher in einem compliance-docs-Bucket auflisten und lesen lassen, um Nutzeranfragen zu Unternehmensrichtlinien zu beantworten.
• Synthese mehrerer Objekte: Sie können einen Agenten erstellen, der Informationen aus mehreren Speicherobjekten abruft und kombiniert, um eine einheitliche Zusammenfassung zu erstellen.

Artefaktpersistenz und -archivierung

Große Mengen an von KI-Agenten generierten Daten zuverlässig für die manuelle Überprüfung, andere Systeme oder Audits speichern.

• Automatisierte Berichterstellung: Sie können einen Agenten erstellen, der Datenbankmesswerte analysiert, einen zusammenfassenden Bericht generiert und ihn in einen reports-archive-Bucket hochlädt.
• Generierte Medien speichern: Sie können ein Multi-Agenten-System so konfigurieren, dass generierte Bilder oder Audioobjekte in Cloud Storage gespeichert werden und nur der Speicher-URI oder eine signierte URL zurückgegeben wird.

Verarbeitung großer Nutzlasten

Entwerfen Sie Agenten so, dass sie Speicher-URIs (Dateipfade) verwenden, anstatt den gesamten Dateiinhalt in den Chat einzufügen. So werden die hohen Kosten und die Ineffizienz vermieden, die entstehen, wenn große CSV-Dateien oder Codebasen an das LLM gesendet werden.

• Datenpipeline-Handler: Sie können Ihren Agenten so konfigurieren, dass er einen Speicher-URI empfängt, anstatt eine große CSV-Datei zu verarbeiten. Der Agent kann dann eine Analyse durchführen, indem er Blöcke verarbeitet oder Metadaten prüft, und ein Zusammenfassungs-Dashboard zurückgeben.
• Entkoppelte Workflows: Sie können einen KI-Agenten so entwerfen, dass er als Supervisor fungiert und einen Speicher-URI für ein Cloud Storage-Präfix, einen Ordner oder einen Bucket empfängt. Der Agent kann diesen URI an Backend-Worker übergeben, um die Objekte zu verarbeiten und die endgültigen Ergebnisse wieder in den Speicher zu schreiben. Dieses Muster ist mit ereignisgesteuerten Diensten wie Cloud Run Functions oder Cloud Run kompatibel, um Daten asynchron zu verarbeiten.

Automatisierte Ressourcenverwaltung

KI-Agenten können die Speichernutzung optimieren, Verwaltungsaufgaben automatisieren und Governance-Richtlinien für mehrere Buckets durchsetzen. Das ist besonders für Teams nützlich, die eine umfangreiche Speicherinfrastruktur verwalten.

• Infrastrukturprüfung: Sie können einen Agenten erstellen, der Bucket-Konfigurationen (z. B. Standort oder Speicherklasse) scannt und Optimierungen vorschlägt oder nicht konforme Einstellungen identifiziert.
• Ressourcenbereinigung: Sie können einen Agenten erstellen, der leere oder veraltete Buckets identifiziert und den Bereinigungsprozess basierend auf Ihren Aufbewahrungsrichtlinien automatisiert.

ADK-Toolsets für Cloud Storage

Das ADK bietet die folgenden Toolsets in Python für Cloud Storage. Wenn Sie beides verstehen, können Sie Agentenrollen definieren und ihre Berechtigungen einschränken.

GCSToolset für das Datenmanagement

Mit dem Toolset GCSToolset kann Ihr Agent Dateien in vorhandenen Buckets bearbeiten. Verwenden Sie es für Aufgaben wie das Lesen von Dokumenten, das Hochladen von Ergebnissen oder das Löschen temporärer Objekte.

• Objekte lesen: Inhalte direkt mit get_object_data abrufen.
• Inhalte entdecken: Verfügbare Objekte mit list_objects auflisten.
• Objektattribute prüfen: Prüfen Sie die Objektgröße oder die Content-Type-Metadaten mit get_object_metadata.
• Hochladen und persistent speichern: Erstellen Sie neue Objekte mit create_object.
• Objekte entfernen: Entfernen Sie temporäre Objekte mit delete_objects.

GCSAdminToolset für Infrastruktur

Verwenden Sie das GCSAdminToolset-Toolset, um die Speicherinfrastruktur zu verwalten, z. B. Buckets zu erstellen oder Verwaltungsaufgaben zu automatisieren.

• Infrastruktur erkennen: Buckets in einem Projekt mit list_buckets auflisten.
• Speicher bereitstellen: Erstellen Sie neue Buckets mit create_bucket.
• Speicher neu konfigurieren: Ändern Sie die Konfigurationen mit update_bucket.
• Speicher deprovisionieren: Entfernen Sie Buckets mit delete_bucket.
• Bucket-Kontext prüfen: Rufen Sie Bucket-Metadaten mit get_bucket ab, um den Bucket-Standort, die Speicherklasse oder die Zugriffssteuerung zu prüfen.

Best Practices

Beachten Sie die folgenden Best Practices, um die Leistung und Sicherheit des KI-Agenten bei der Einbindung in Cloud Storage zu optimieren:

• Große Nutzlasten vom Unterhaltungsverlauf entkoppeln: Vermeiden Sie es, große Dateien direkt an den Agenten zu übergeben. Speichern Sie sie stattdessen in Cloud Storage und senden Sie Dateireferenzen (URIs). Dadurch werden die Tokenkosten gesenkt und Kontextlimits nicht überschritten.
• Prinzip der geringsten Berechtigung anwenden: Gewähren Sie dem Agenten nur die Mindestberechtigungen, die er für die Ausführung seiner Aufgaben benötigt. Vermeiden Sie allgemeine Rollen wie roles/storage.admin, es sei denn, Sie verwalten die Infrastruktur. Verwenden Sie für Standarddateioperationen gezielte Rollen wie roles/storage.objectUser oder roles/storage.objectViewer, die auf bestimmte Buckets beschränkt sind.
• Konfigurationen zentral verwalten: Vermeiden Sie es, Bucket-Namen oder Objektnamenpfade in der Logik Ihres KI-Agenten fest zu codieren. Verwenden Sie Umgebungsvariablen oder Konfigurationsmanager, um zwischen Entwicklungs-, Test- und Produktionsspeicherumgebungen zu wechseln.
• Effiziente Abrufstrategien implementieren: Wenn Sie Cloud Storage als Ebene für den Wissensabruf verwenden, sollten Sie nicht ganze große Dokumente in den Kontext des KI-Agenten laden. Dokumente vorverarbeiten und in Blöcke aufteilen oder spezielle Suchtools verwenden, um nur die relevanten Segmente abzurufen.

Beschränkungen

Beachten Sie bei der Integration von Cloud Storage in das ADK die folgenden Einschränkungen:

• Unveränderliche Objekte: Cloud Storage-Objekte sind unveränderlich. Sie können keine Daten an ein vorhandenes Objekt anhängen. Wenn Ihr Agent Ereignisse kontinuierlich in einer einzelnen Datei protokollieren muss, muss er das Objekt vollständig überschreiben oder mehrere kleine Objekte erstellen und diese später zusammensetzen.
• Latenz bei der Statusverwaltung mit hoher Frequenz: Cloud Storage eignet sich gut für die dauerhafte Speicherung von Artefakten und große Nutzlasten. Die Verwendung von Cloud Storage für häufige Statusaktualisierungen mit niedriger Latenz kann jedoch zu Latenz führen. Das Verfolgen jeder Äußerung in einem schnellen Gespräch kann beispielsweise langsamer sein als die Verwendung von In-Memory-Caches oder ‑Datenbanken.
• Keine Atomarität für mehrere Objekte: Cloud Storage-Vorgänge gelten für einzelne Objekte. Wenn Ihr Agent atomare Aktualisierungen für mehrere Dateien gleichzeitig erfordert, müssen Sie eine Koordinationslogik in Ihrer Anwendung implementieren.

Nächste Schritte

• Detaillierte Codebeispiele, Einrichtungsanleitungen und Parameterreferenzen zum Initialisieren der Cloud Storage-Toolsets in Ihrer Python-Anwendung finden Sie im ADK-Integrationsleitfaden.
• Informationen zur Verwendung vordefinierter KI-Agenten-Skills mit Ihren ADK-Agenten oder KI-Unterstützung beim Programmieren finden Sie unter Cloud Storage-KI-Agenten-Skills.