Dokumen ini menjelaskan arsitektur tingkat tinggi untuk aplikasi yang membuat dan mengelola kuis pembelajaran interaktif dengan alur kerja AI agentic. Agen menilai pengetahuan pengguna tentang topik tertentu dan menggunakan status sesi persisten serta memori jangka panjang untuk menciptakan pengalaman yang dipersonalisasi. Agen menyimpan histori jawaban pengguna, sehingga dapat menyesuaikan tingkat kesulitan dan konten pertanyaan berikutnya secara dinamis.
Audiens yang dituju untuk dokumen ini mencakup arsitek, developer, dan administrator yang membangun dan mengelola aplikasi AI agentic. Arsitektur ini dapat disesuaikan untuk membuat aplikasi pendidikan yang interaktif dan stateful di berbagai industri. Dokumen ini mengasumsikan pemahaman dasar tentang sistem agen AI. Untuk mengetahui informasi tentang perbedaan antara agen dan sistem non-agentic, lihat Apa perbedaan antara agen AI, asisten AI, dan bot?
Bagian deployment dalam dokumen ini menyediakan link ke contoh kode untuk membantu Anda bereksperimen dengan men-deploy aplikasi AI agentic yang mengelola kuis pembelajaran interaktif.
Arsitektur
Diagram berikut menunjukkan arsitektur tingkat tinggi untuk agen pembelajaran interaktif.
Arsitektur ini menampilkan aliran data berikut:
- Pengguna melakukan tindakan, seperti memulai kuis atau mengirimkan jawaban, dalam aplikasi kuis yang dihosting di Cloud Run.
- Aplikasi meneruskan input pengguna ke agen AI.
Agen AI menggunakan model Gemini di Gemini Enterprise Agent Platform untuk menafsirkan input pengguna. Berdasarkan permintaan pengguna, agen memanggil alat yang sesuai untuk melakukan tindakan kuis yang diminta.
Misalnya, agen memilih alat untuk memulai sesi kuis, mengevaluasi jawaban, atau membuat pertanyaan berikutnya.
Agen mengirimkan respons ke aplikasi kuis.
Aplikasi kuis meneruskan respons kepada pengguna.
Untuk mempertahankan status kuis dan mempersonalisasi pengalaman, agen melakukan tugas latar belakang berikut:
- Agen menambahkan progres dan skor kuis terbaru ke histori sesi tersimpan yang disimpan di Gemini Enterprise Agent Platform Sessions.
- Agen mengubah data kuis menjadi memori dan menyimpannya di Memory Bank untuk diingat dalam jangka panjang. Agen menggunakan data historis yang disimpan dalam memori untuk menghasilkan respons yang sesuai konteks dalam sesi mendatang.
Produk yang digunakan
Contoh arsitektur ini menggunakan produk dan alat Google Cloud serta open source berikut:
- Cloud Run: Platform komputasi serverless yang memungkinkan Anda menjalankan container langsung di atas infrastruktur Google yang skalabel.
- Agent Development Kit (ADK): Serangkaian alat dan library untuk mengembangkan, menguji, dan men-deploy agen AI.
- Gemini Enterprise Agent Platform: Platform komprehensif yang memungkinkan Anda membangun, menskalakan, mengatur, dan mengoptimalkan agen AI tingkat perusahaan.
- Gemini Enterprise Agent Platform Sessions: Layanan penyimpanan persisten yang menyimpan dan mengambil histori interaksi antara pengguna dan agen.
- Memory Bank: Layanan penyimpanan persisten yang menghasilkan, menyaring, mengelola, dan mengambil memori jangka panjang berdasarkan percakapan pengguna dengan agen.
Pertimbangan keamanan
Untuk membantu mengatasi risiko keamanan unik agen AI, Google merekomendasikan pendekatan yang menggabungkan kontrol keamanan deterministik dengan pertahanan dinamis berbasis penalaran:
- Pengawasan manusia: Gabungkan alur human-in-the-loop dalam sistem yang penting bagi bisnis sehingga pengawas manusia dapat meninjau output dan menyetujui, mengganti, atau menjeda tindakan agen.
- Agent Identity: Menetapkan identitas yang terikat workload untuk setiap agen guna menerapkan kontrol akses dengan hak istimewa terendah dan mengelola kredensial untuk alat eksternal secara terpusat.
- Agent Gateway: Terapkan tata kelola traffic ingress dan egress, kebijakan akses tolak secara default, serta pemeriksaan perintah dan alat inline dengan Model Armor.
- Agent Registry: Memastikan agen hanya terhubung ke sub-agen dan alat MCP yang disetujui.
Panduan di bagian ini tidak lengkap. Untuk mengetahui informasi selengkapnya tentang faktor desain dan praktik terbaik, serta rekomendasi tentang cara membangun dan men-deploy sistem AI multi-agen, lihat Sistem AI multi-agen di Google Cloud.
Deployment
Untuk men-deploy contoh implementasi arsitektur ini yang menyediakan kuis terkait coding, gunakan contoh kode tutor Python yang tersedia di GitHub.
Langkah berikutnya
- (Notebook) Get started with Agent Platform Sessions and Memory Bank for ADK agents in Cloud Run.
- (Blog) Pelajari lebih lanjut status dan memori dengan ADK.
- (Codelab) Membangun asisten peninjauan kode AI produksi dengan ADK.
- (Video) Tonton Memori jangka panjang agen AI dengan memory bank.
- Pelajari cara menghosting agen AI di Cloud Run.
- Untuk ringkasan prinsip dan rekomendasi arsitektur yang khusus untuk workload AI dan ML di Google Cloud, lihat Perspektif AI dan ML dalam Well-Architected Framework.
- Untuk mengetahui lebih banyak tentang arsitektur referensi, diagram, dan praktik terbaik lainnya, jelajahi Pusat Arsitektur Cloud.
Kontributor
Penulis: Samantha He | Technical Writer
Kontributor lainnya:
- Amina Mansour | Tech Lead, Global Developer Relations & Strategic Content
- Kumar Dhanagopal | Developer Solusi Lintas Produk
- Megan O'Keefe | Developer Advocate
- Rachael Deacon-Smith | Advokat Developer
- Shir Meir Lador | Developer Relations Engineering Manager