Neste documento, descrevemos uma arquitetura de alto nível para um aplicativo que gera e administra um teste de aprendizado interativo com um fluxo de trabalho de IA agêntica. O agente avalia o conhecimento de um usuário sobre um tópico específico e usa um estado de sessão persistente e uma memória de longo prazo para criar uma experiência personalizada. O agente mantém um histórico das respostas do usuário, o que permite ajustar dinamicamente a dificuldade e o conteúdo das perguntas seguintes.
O público-alvo deste documento inclui arquitetos, desenvolvedores e administradores que criam e gerenciam aplicativos de IA agêntica. Essa arquitetura pode ser adaptada para criar aplicativos educacionais interativos e com estado em vários setores. O documento pressupõe um entendimento básico dos sistemas de agentes de IA. Para saber como os agentes diferem de sistemas não agênticos, consulte Qual é a diferença entre agentes de IA, assistentes de IA e bots?
A seção de implantação deste documento fornece um link para um exemplo de código que ajuda você a testar a implantação de um aplicativo de IA agêntica que administra um teste de aprendizado interativo.
Arquitetura
O diagrama a seguir mostra uma arquitetura de alto nível para um agente de aprendizado interativo.
A arquitetura mostra o seguinte fluxo de dados:
- Um usuário realiza uma ação, como iniciar um teste ou enviar uma resposta, no aplicativo de teste hospedado no Cloud Run.
- O aplicativo encaminha a entrada do usuário para o agente de IA.
O agente de IA usa o modelo do Gemini na Gemini Enterprise Agent Platform para interpretar a entrada do usuário. Com base na solicitação do usuário, o agente chama as ferramentas adequadas para realizar a ação solicitada no teste.
Por exemplo, o agente seleciona uma ferramenta para iniciar uma sessão de teste, avaliar uma resposta ou gerar a próxima pergunta.
O agente envia a resposta para o aplicativo de teste.
O aplicativo de teste encaminha a resposta ao usuário.
Para manter o estado do teste e personalizar a experiência, o agente realiza as seguintes tarefas em segundo plano:
- O agente adiciona o progresso e a pontuação mais recentes do teste ao histórico da sessão salva que está armazenada nas sessões da Gemini Enterprise Agent Platform.
- O agente transforma os dados do teste em memórias e os armazena no Memory Bank para recuperação de longo prazo. O agente usa os dados históricos armazenados na memória para gerar respostas que consideram o contexto em sessões futuras.
Produtos usados
Este exemplo de arquitetura usa os seguintes produtos e ferramentas do Google Cloud e de código aberto:
- Cloud Run: uma plataforma de computação sem servidor que permite executar contêineres diretamente na infraestrutura escalonável do Google.
- Kit de Desenvolvimento de Agente (ADK): um conjunto de ferramentas e bibliotecas para desenvolver, testar e implantar agentes de IA.
- Gemini Enterprise Agent Platform: uma plataforma abrangente que permite criar, escalonar, governar e otimizar agentes de IA de nível empresarial.
- Sessões da Gemini Enterprise Agent Platform: um serviço de armazenamento persistente que salva e recupera o histórico de interações entre um usuário e os agentes.
- Memory Bank: um serviço de armazenamento permanente que gera, refina, gerencia e recupera memórias de longo prazo com base nas conversas de um usuário com um agente.
Considerações sobre segurança
Para ajudar a lidar com os riscos de segurança exclusivos dos agentes de IA, o Google recomenda uma abordagem que combina controles de segurança determinísticos com defesas dinâmicas baseadas em raciocínio:
- Supervisão humana: incorpore um fluxo de human-in-the-loop em sistemas essenciais para os negócios, de modo que os supervisores humanos possam analisar as saídas e aprovar, substituir ou pausar as ações do agente.
- Identidade do agente: atribua a cada agente uma identidade vinculada à carga de trabalho para aplicar o controle de acesso com privilégio mínimo e gerenciar centralmente as credenciais de ferramentas externas.
- Gateway de Agente: aplique a governança de tráfego de entrada e saída, políticas de acesso de negação padrão e inspeção de comandos e ferramentas inline com o Model Armor.
- Agent Registry: verifique se os agentes se conectam apenas a subagentes e ferramentas MCP aprovados.
As orientações desta seção não são completas. Para mais informações sobre fatores de design e práticas recomendadas, além de recomendações sobre como criar e implantar um sistema de IA multiagente, consulte Sistema de IA multiagente no Google Cloud.
Implantação
Para implantar um exemplo de implementação dessa arquitetura que fornece testes relacionados à programação, use o exemplo de código do tutor de Python disponível no GitHub.
A seguir
- (Notebook) Começar a usar as sessões da Agent Platform e o banco de memória para agentes do ADK no Cloud Run.
- (Blog) Saiba mais sobre estado e memória com o ADK.
- (Codelab) Criar um assistente de revisão de código de IA de produção com o ADK.
- (Vídeo) Assista Memória de longo prazo do agente de IA com o Memory Bank.
- Saiba como hospedar agentes de IA no Cloud Run.
- Para uma visão geral dos princípios e recomendações de arquitetura específicos para cargas de trabalho de IA e ML no Google Cloud, consulte a perspectiva de IA e ML no Well-Architected Framework.
- Para mais arquiteturas de referência, diagramas e práticas recomendadas, confira a Central de arquitetura do Cloud.
Colaboradores
Autor: Samantha He | Redatora técnica
Outros colaboradores:
- Amina Mansour | Líder técnica, Relações globais com desenvolvedores e conteúdo estratégico
- Kumar Dhanagopal | Desenvolvedor de soluções para vários produtos
- Megan O'Keefe | Mediadora de desenvolvedores
- Rachael Deacon-Smith | Mediadora de desenvolvedores
- Shir Meir Lador | Gerente de engenharia de relações com desenvolvedores