In diesem Dokument wird eine allgemeine Architektur für eine Anwendung beschrieben, die einen Data-Science-Workflow ausführt, um komplexe Datenanalyse- und Machine-Learning-Aufgaben zu automatisieren.
In dieser Architektur werden Datasets verwendet, die in BigQuery oder AlloyDB for PostgreSQL gehostet werden. Die Architektur ist ein Multi-Agenten-System, mit dem Nutzer Aktionen in Befehlen in natürlicher Sprache ausführen können. Es ist nicht erforderlich, komplexen SQL- oder Python-Code zu schreiben.
Dieses Dokument richtet sich an Architekten, Entwickler und Administratoren, die agentische KI-Anwendungen erstellen und verwalten. Mit dieser Architektur können Geschäfts- und Datenteams Messwerte in einer Vielzahl von Branchen wie Einzelhandel, Finanzen und Fertigung analysieren. In diesem Dokument werden grundlegende Kenntnisse über agentische KI-Systeme vorausgesetzt. Informationen zu den Unterschieden zwischen KI-Agenten und nicht agentischen Systemen finden Sie unter Was ist der Unterschied zwischen KI-Agenten, KI-Assistenten und Bots?.
Architektur
Das folgende Diagramm zeigt die Architektur für einen Data-Science-Workflow-Agenten.
Diese Architektur umfasst die folgenden Komponenten:
- Frontend
- Nutzer interagieren mit dem Multi-Agenten-System über ein Frontend, z. B. eine Chat-Oberfläche, die als serverloser Cloud Run-Dienst ausgeführt wird.
- KI-Modell und Modelllaufzeiten
- Für die Inferenzbereitstellung verwenden die Agenten in dieser Beispielarchitektur das neueste Gemini-Modell auf der Gemini Enterprise Agent Platform.
- KI-Agenten
-
In dieser Architektur werden die folgenden Agents verwendet:
- Root-Agent: Ein Koordinator-Agent, der Anfragen vom Frontend-Dienst empfängt. Der Root-Agent interpretiert die Anfrage des Nutzers und versucht, sie selbst zu beantworten. Wenn für die Aufgabe spezielle Tools erforderlich sind, leitet der Root-Agent die Anfrage an den entsprechenden spezialisierten Agenten weiter.
- Spezialisierter Agent: Der Root-Agent ruft die folgenden spezialisierten Agenten mithilfe der Funktion Agent als Tool auf:
- Analytics-Agent: Ein spezialisierter Agent für die Datenanalyse und ‑visualisierung. Der Analyse-Agent verwendet das KI-Modell, um Python-Code zu generieren und auszuführen, mit dem Datasets verarbeitet, Diagramme erstellt und statistische Analysen durchgeführt werden.
- AlloyDB for PostgreSQL-Agent: Ein spezialisierter Agent für die Interaktion mit Daten in AlloyDB for PostgreSQL. Der Agent verwendet das KI-Modell, um die Anfrage des Nutzers zu interpretieren und SQL im PostgreSQL-Dialekt zu generieren. Der Agent stellt über die MCP Toolbox for Databases eine sichere Verbindung zur Datenbank her und führt dann die Abfrage aus, um die angeforderten Daten abzurufen.
- BigQuery-Agent: Ein spezialisierter Agent für die Interaktion mit Daten in BigQuery. Der Agent verwendet das KI-Modell, um die Anfrage des Nutzers zu interpretieren und GoogleSQL-Abfragen zu generieren. Der KI-Agent stellt mithilfe des integrierten BigQuery-Tools des Agent Development Kit (ADK) eine Verbindung zu BigQuery her und führt dann die Abfrage aus, um die angeforderten Daten abzurufen.
- BigQuery ML-Agent: Ein Sub-Agent des Root-Agents, der für Workflows des maschinellen Lernens vorgesehen ist. Der Agent interagiert mit BigQuery ML, um den End-to-End-ML-Lebenszyklus zu verwalten. Der Agent kann Modelle erstellen und trainieren, Bewertungen ausführen und Vorhersagen basierend auf Nutzeranfragen generieren.
- Agent Runtime
- Die KI-Agenten in dieser Architektur werden als serverlose Cloud Run-Dienste bereitgestellt.
- ADK
- Das ADK bietet Tools und ein Framework zum Entwickeln, Testen und Bereitstellen von KI-Agenten. Das ADK abstrahiert die Komplexität der Agentenerstellung, sodass sich KI-Entwickler auf die Logik und die Funktionen des Agenten konzentrieren können.
Verwendete Produkte
In dieser Beispielarchitektur werden die folgenden Google Cloud - und Open-Source-Produkte und -Tools verwendet:
- Cloud Run ist eine serverlose Computing-Plattform, mit der Sie Container direkt auf der skalierbaren Infrastruktur von Google ausführen können.
- Agent Development Kit (ADK): Eine Reihe von Tools und Bibliotheken zum Entwickeln, Testen und Bereitstellen von KI-Agenten.
- Gemini Enterprise Agent Platform: Eine umfassende Plattform, mit der Sie KI-Agenten auf Unternehmensniveau erstellen, skalieren, verwalten und optimieren können.
- Gemini: Eine Familie von multimodalen KI-Modellen, die von Google entwickelt wurden.
- BigQuery: Ein Data Warehouse für Unternehmen, mit dem Sie Ihre Daten mit integrierten Features wie raumbezogenen Analysen für maschinelles Lernen und Business Intelligence verwalten und analysieren können.
- AlloyDB for PostgreSQL: Ein vollständig verwalteter, PostgreSQL-kompatibler Datenbankdienst, der für Ihre anspruchsvollsten Arbeitslasten entwickelt wurde, einschließlich hybrider transaktionsorientierter und analytischer Verarbeitung.
- MCP Toolbox for Databases: Ein Open-Source- Model Context Protocol (MCP)-Server, mit dem KI-Agenten sich sicher mit Datenbanken verbinden können, indem Datenbankkomplexitäten wie Verbindungspooling, Authentifizierung und Beobachtbarkeit verwaltet werden.
Sicherheitsaspekte
Um die besonderen Sicherheitsrisiken von KI-Agenten zu minimieren, empfiehlt Google einen Ansatz, der deterministische Sicherheitskontrollen mit dynamischen, logikbasierten Abwehrmechanismen kombiniert:
- Menschliche Kontrolle: Integrieren Sie einen Human-in-the-Loop-Workflow in geschäftskritische Systeme, damit menschliche Prüfer die Ausgaben überprüfen und die Aktionen des KI-Agenten genehmigen, überschreiben oder pausieren können.
- Agent Identity: Weisen Sie jedem KI-Agenten eine arbeitslastgebundene Identität zu, um die Zugriffssteuerung nach dem Prinzip der geringsten Berechtigung durchzusetzen und Anmeldedaten für externe Tools zentral zu verwalten.
- Agent Gateway: Erzwingen Sie die Governance für eingehenden und ausgehenden Traffic, Standardzugriffsrichtlinien für die Ablehnung und die Inline-Prüfung von Prompts und Tools mit Model Armor.
- Agent Registry: Prüfen Sie, ob KI-Agenten nur eine Verbindung zu genehmigten Sub-Agenten und MCP-Tools herstellen.
Die Anleitung in diesem Abschnitt ist nicht vollständig. Weitere Informationen zu Designfaktoren und Best Practices sowie Empfehlungen zum Erstellen und Bereitstellen eines Multi-Agenten-KI-Systems finden Sie unter Multi-Agenten-KI-System in Google Cloud.
Nächste Schritte
- (Video) Agent Factory Podcast über KI-Agenten für Data Engineering und Data Science ansehen.
- (Notebook) Data Science Agent in Colab Enterprise verwenden
- KI-Agenten in Cloud Run hosten
- Eine Übersicht über Architekturprinzipien und Empfehlungen, die speziell für KI- und ML-Arbeitslasten in Google Cloudgelten, finden Sie im Well-Architected Framework unter KI- und ML-Perspektive.
- Weitere Referenzarchitekturen, Diagramme und Best Practices finden Sie im Cloud-Architekturcenter.
Beitragende
Autor: Samantha He | Technical Writer
Weitere Beitragende:
- Amina Mansour | Tech Lead, Global Developer Relations & Strategic Content
- Kumar Dhanagopal | Cross-Product Solution Developer
- Megan O'Keefe | Developer Advocate
- Rachael Deacon-Smith | Developer Advocate
- Shir Meir Lador | Developer Relations Engineering Manager