Agent Runtime ist eine vollständig verwaltete, meinungsbildende Laufzeit, mit der Sie Agent-Anwendungen bereitstellen, betreiben und skalieren können. Die Agent Runtime abstrahiert die zugrunde liegende Infrastruktur, sodass Sie sich auf die Logik des KI-Agenten und nicht auf den Betrieb konzentrieren können.
Mit Agent Runtime können Sie Folgendes tun:
- Agents bereitstellen und skalieren – mit einer verwalteten Runtime und End-to-End-Verwaltungsfunktionen.
- Passen Sie das Container-Image des Agents mit Installationsskripts für Systemabhängigkeiten an, die zur Build-Zeit ausgeführt werden.
- Nutzen Sie Sicherheitsfunktionen wie VPC-SC-Compliance und die Konfiguration von Authentifizierung und IAM.
- Zugriff auf Modelle und Tools wie Funktionsaufrufe.
- Stellen Sie Agenten bereit, die mit verschiedenen Sprachen und Frameworks und dem offenen Agent2Agent-Protokoll erstellt wurden.
In Agent Runtime erstellen und bereitstellen
Der Workflow zum Erstellen eines KI-Agenten in Agent Runtime ist folgender:
- Umgebung einrichten: Richten Sie Ihr Google-Projekt ein und installieren Sie die neueste Version des Agent Platform SDK für Python.
- Agent entwickeln: Entwickeln Sie einen Agenten, der in der Agent Runtime bereitgestellt werden kann.
- KI‑Agent bereitstellen: Stellen Sie den KI‑Agenten in der verwalteten Laufzeit der Agent Runtime bereit.
- Agent verwenden: Fragen Sie den Agent ab, indem Sie eine API-Anfrage senden.
- Bereitgestellten Agent verwalten: Sie können Agents verwalten und löschen, die Sie in Agent Runtime bereitgestellt haben.
Unterstützte Sprachen und Frameworks
In der Agent Runtime können Sie Agents bereitstellen, die in einer beliebigen Programmiersprache und einem beliebigen Agent-Framework geschrieben wurden, sofern die Agent-Anwendung containerisiert werden kann und dem Laufzeitvertrag entspricht:
Aus einem Container-Image: Wenn Sie ein Container-Image für Ihren Agent erstellt haben, können Sie es direkt aus Artifact Registry in der Agent Runtime bereitstellen. Weitere Informationen finden Sie unter Aus einem Container-Image bereitstellen.
Aus einem Dockerfile: Wenn Sie containerisierten Quellcode haben, können Sie ein
Dockerfilemit Ihren Quelldateien bereitstellen. Agent Runtime erstellt und stellt das Container-Image automatisch bereit. Weitere Informationen finden Sie unter Über ein Dockerfile bereitstellen.
Für unterstützte Sprachen und Frameworks sind Tools und SDKs auf höherer Ebene verfügbar, um die Bereitstellung zu vereinfachen. In der folgenden Tabelle wird der Support beschrieben, den Agent Runtime für verschiedene Agent-Frameworks bietet:
| Supportstufe | Frameworks für KI-Agenten |
|---|---|
| Benutzerdefinierte Vorlage: Sie können eine benutzerdefinierte Vorlage anpassen, um die Bereitstellung in Agent Runtime über Ihr Framework zu unterstützen. Informationen zum Bereitstellen benutzerdefinierter Container finden Sie unter Laufzeitvertrag. | CrewAI, benutzerdefinierte Frameworks |
| Integration des Agent Platform SDK: Agent Runtime bietet verwaltete Vorlagen pro Framework im Agent Platform SDK und in der Dokumentation. | LangChain, LangGraph, AG2, LlamaIndex |
| Vollständige Integration: Die Funktionen sind so integriert, dass sie im gesamten Framework, in der Agent Runtime und im gesamten Google Cloud Ökosystem funktionieren. | Agent Development Kit (ADK) |
Mit der Agents CLI in der Produktion bereitstellen
Die Agents CLI ist die einheitliche Befehlszeilenschnittstelle und der einheitliche Satz von Fähigkeiten für die Gemini Enterprise Agent Platform. Es bietet Codierungs-Agents und Entwicklern einen vorhersehbaren Pfad durch den Lebenszyklus der Agentenentwicklung: Gerüst erstellen, bewerten, bereitstellen, veröffentlichen und beobachten. Die Agents CLI bietet Folgendes:
- Vordefinierte Agenten-Vorlagen:ReAct, RAG, Multi-Agent und andere Vorlagen.
- Interaktiver Playground: Hier können Sie Ihren Agenten testen und mit ihm interagieren.
- Automatisierte Infrastruktur: Nutzt Terraform für eine optimierte Ressourcenverwaltung.
- CI/CD-Pipelines: Automatisierte Bereitstellungsworkflows mit Cloud Build.
- Observability: Integrierte Unterstützung für Cloud Trace und Cloud Logging.
Anwendungsfälle
Weitere Informationen zur Agent Runtime mit End-to-End-Beispielen finden Sie in den folgenden Ressourcen:
Klicken, um Anwendungsfälle zu maximieren
| Anwendungsfall | Beschreibung | Links | |
|---|---|---|---|
| Agents erstellen, indem eine Verbindung zu öffentlichen APIs hergestellt wird | Währungen umrechnen. Erstellen Sie eine Funktion, die eine Verbindung zu einer Währungsaustauschanwendung herstellt, damit das Modell korrekte Antworten auf Anfragen wie „Wie hoch ist der Wechselkurs von Euro zu Dollar heute?“ liefert. |
Agent Platform SDK (Python)-Notebook – Einführung in das Erstellen und Bereitstellen eines Agents mit Agent Runtime | |
| Design eines Solarprojekts für eine Gemeinde Potenzielle Standorte identifizieren, relevante Behörden und Lieferanten suchen und Satellitenbilder und das Solarpotenzial von Regionen und Gebäuden prüfen, um den optimalen Standort für die Installation Ihrer Solarmodule zu finden. |
Agent Platform SDK (Python)-Notebook – Google Maps API-Agent mit Agent Runtime erstellen und bereitstellen | ||
| KI-Agenten erstellen, indem eine Verbindung zu Datenbanken hergestellt wird | Integration in AlloyDB und Cloud SQL for PostgreSQL | Blogpost – LangChain auf der Gemini Enterprise Agent Platform für AlloyDB und Cloud SQL for PostgreSQL Agent Platform SDK (Python)-Notebook – Bereitstellen einer RAG-Anwendung mit Cloud SQL for PostgreSQL in der Agent-Laufzeit Agent Platform SDK (Python)-Notebook – Bereitstellen einer RAG-Anwendung mit AlloyDB for PostgreSQL in der Agent-Laufzeit |
|
| Erstellen Sie Agents mit Tools, die auf Daten in Ihrer Datenbank zugreifen. | Agent Platform SDK (Python)-Notebook – Bereitstellen eines Agents mit Agent Runtime und MCP Toolbox for Databases | ||
| Strukturierte Datenspeicher mit natürlicher Sprache abfragen und analysieren | Agent Platform SDK (Python)-Notebook – Konversations-Such-Agent mit Agent Runtime und RAG für die Agent-Suche erstellen | ||
| Grafikdatenbanken mit natürlicher Sprache abfragen und analysieren | Blogpost – GenAI GraphRAG und KI-Agenten mit Agent Runtime mit LangChain und Neo4j | ||
| Vektorspeicher mit natürlicher Sprache abfragen und analysieren | Blogpost – Simplify GenAI RAG with MongoDB Atlas and Agent Runtime | ||
| Agents mit dem Agent Development Kit erstellen | Sie lernen, wie Sie mit dem Agent Development Kit Agenten erstellen und bereitstellen. | Agent Development Kit – In Agent Runtime bereitstellen | |
| KI-Agenten mit OSS-Frameworks erstellen | Mit dem Open-Source-Framework OneTwo können Sie Agents erstellen und bereitstellen. | Blogpost – OneTwo und Agent Runtime: Entwicklung fortschrittlicher KI-Agenten in Google Cloud | |
| Mit dem Open-Source-Framework LangGraph können Sie Agents erstellen und bereitstellen. | Agent Platform SDK (Python)-Notebook – LangGraph-Anwendung mit Agent Runtime erstellen und bereitstellen | ||
| Agents debuggen und optimieren | Mit OpenTelemetry und Cloud Trace können Sie Agenten erstellen und für sie Tracing ausführen. | Agent Platform SDK (Python) notebook - Debugging and Optimizing Agents: A Guide to Tracing in Agent Runtime | |
| Multi-Agenten-Systeme mit dem A2A-Protokoll erstellen (Vorabversion) | Interoperable KI-Agenten entwickeln, die unabhängig von ihrem Framework mit anderen KI-Agenten kommunizieren und zusammenarbeiten können. | Weitere Informationen finden Sie in der Dokumentation zum A2A-Protokoll. | |
Unterstützte Regionen
Eine Liste der unterstützten Regionen für die Agent Runtime finden Sie unter Standorte.
Kontingent
Informationen zu Kontingenten für die Agent Runtime finden Sie unter Kontingente und Systemlimits.
Preise
Für die Agent Runtime ist ein kostenloses Kontingent verfügbar. Informationen zu den Preisen für Agent Runtime finden Sie unter Preise für die Gemini Enterprise Agent Platform.
Migration zum clientbasierten SDK
In Version 2.0.1 des Agent Platform SDK wurde das Modul agent_engines umgestaltet und in einzelne Module (z. B. runtimes, sessions, sandboxes und memory_banks) unter dem eigenständigen Paket google-cloud-agentplatform (agentplatform) umbenannt. Das SDK basiert aus folgenden wichtigen Gründen auf einem clientbasierten Design:
- Um die kanonischen Typdarstellungen an das Agent Development Kit (ADK) und das Google Gen AI SDK (
google-genai) anzupassen. So wird eine einheitliche und standardisierte Darstellung von Datentypen in verschiedenen SDKs gewährleistet, was die Interoperabilität vereinfacht und den Konvertierungsaufwand reduziert. - Für die Client-Scoping-Ebene von Google Cloud -Parametern in Anwendungen mit mehreren Projekten und Standorten. So kann eine Anwendung Interaktionen mit Ressourcen in verschiedenen Google Cloud Projekten und geografischen Standorten verwalten, indem jede Clientinstanz (
client = agentplatform.Client(project=..., location=...)) mit den spezifischen Projekt- und Standorteinstellungen konfiguriert wird. - Um die Auffindbarkeit und Kohäsion der Dienste der Gemini Enterprise Agent Platform (
client.runtimes,client.sessions,client.sandboxesundclient.memory_banks) zu verbessern. - Um ein schlankes, entkoppeltes Paket (
google-cloud-agentplatform) für Agent-Arbeitslasten bereitzustellen, während generative KI-Module zum Google Gen AI SDK (google-genai) migriert werden.
Eine detaillierte Anleitung zur Migration zur neuen SDK-Struktur finden Sie in den folgenden Leitfäden:
- Migration des Agent Runtime SDK: Migrieren Sie von
vertexai.agent_engineszuagentplatform.Client().runtimes. - Agent Platform SDK for Python: Migrationsleitfaden für Version 2.0.1: Umfassender Leitfaden zur Entkopplung von Paketen, zur Einstellung von Modulen und zur Migration von Modulen für generative KI zum Google Gen AI SDK.
Nächste Schritte
Agent Platform Runtime einrichten
Richten Sie Ihre Umgebung für die Verwendung der Agent Platform-Laufzeit ein.