Anwendungsfall für agentische KI: Workflows für Sicherheitsvorgänge orchestrieren

Last reviewed 2026-04-08 UTC

In diesem Dokument wird eine allgemeine Architektur für ein Multi-Agenten-KI-System beschrieben, das komplexe Untersuchungs- und Priorisierungsprozesse in einem Security Operations Center (SOC) orchestriert. Das Agentensystem orchestriert Workflows über verschiedene Sicherheitssysteme hinweg, z. B. Security Information and Event Management (SIEM)-Systeme, Threat Intelligence-Feeds, Cloud-Sicherheitsstatus-Management (CSPM)-Plattformen und Endpoint Detection and Response (EDR)-Lösungen. Das KI-Agentensystem kann die folgenden Aktionen ausführen:

  • Suchen Sie nach wichtigen Warnungen von Google Security Operations.
  • Meldungen mit Google Threat Intelligence anreichern
  • Suchen Sie nach Fehlkonfigurationen von Assets in einem CSPM-Tool eines Drittanbieters.
  • Implementieren Sie eine Human-in-the-Loop-Genehmigung.
  • Rufen Sie detaillierte Endpunkt-Telemetriedaten und den Verlauf der Prozessausführung von einem EDR-Tool eines Drittanbieters ab, um einen manipulierten oder verdächtigen Endpunkt zu untersuchen.

Diese Architektur trägt zur Verbesserung der Effizienz von Operatoren bei, da weniger Kontextwechsel erforderlich sind und Operatoren komplexe, mehrstufige Untersuchungen über eine einzige Oberfläche durchführen können.

Dieses Dokument richtet sich an Architekten und Entwickler, die für das Entwerfen, Erstellen und Implementieren von agentischen KI-Anwendungen und für die Integration dieser Anwendungen in vorhandene Sicherheitssysteme in Cloud-Umgebungen verantwortlich sind. Die Zielgruppe umfasst auch SOC-Analysten und Systemadministratoren, die für SecOps zuständig sind, Threat Intelligence für die proaktive Abwehr nutzen und robuste SecOps-Workflows für die Erkennung, Untersuchung und Reaktion auf Vorfälle verwalten. In diesem Dokument wird davon ausgegangen, dass Sie über grundlegende Kenntnisse der Konzepte von agentischer KI verfügen, einschließlich Multi-Agenten-Systemen, der Verwendung von agentischen Tools und der agentischen Orchestrierung. In diesem Dokument wird außerdem davon ausgegangen, dass Sie mit Anwendungsfällen für Threat Intelligence, SecOps-Workflows und gängigen Sicherheitstools vertraut sind. Informationen zu Threat Intelligence und gängigen Sicherheitstools finden Sie unter Threat Intelligence – Anwendungsfälle und Beispiele.

Architektur

Je nach Ihren Anforderungen können Sie die folgenden Bereitstellungsmodelle auswählen:

  • Cloud Run-Bereitstellung: Eine vollständig verwaltete, serverlose Plattform, mit der Sie die gesamte Agent-Anwendung, einzelne Komponenten oder benutzerdefinierte Tools als skalierbare HTTP-Endpunkte bereitstellen können, ohne die zugrunde liegende Infrastruktur verwalten zu müssen.
  • Agent Runtime auf der Gemini Enterprise Agent Platform: Eine vollständig verwaltete, vordefinierte Laufzeit, mit der Sie agentische Anwendungen mit minimalem Betriebsaufwand bereitstellen, betreiben und skalieren können.

Informationen zur Auswahl einer Agent Runtime finden Sie unter Komponenten für die agentische KI-Architektur auswählen.

Die folgenden Tabs enthalten Architekturdiagramme, die eine Cloud Run-Bereitstellung und eine Agent Runtime mit Gemini Enterprise-Bereitstellung zeigen.

Cloud Run

Das folgende Diagramm zeigt eine detaillierte Architektur für ein SOC-Agentensystem, das in Cloud Run bereitgestellt wird:

Eine detaillierte Architektur für ein SOC-Agentensystem, das in Cloud Run bereitgestellt wird.

Die Architektur umfasst die folgenden Komponenten:

Cloud Load Balancing
Ein Application Load Balancer leitet eingehende Inferenzanfragen vom Sicherheitsanalysten an das Agentensystem weiter.
Google Cloud Armor
Erzwingt Sicherheitsrichtlinien basierend auf konfigurierten WAF-Regeln (Web Application Firewall).
Identity-Aware Proxy (IAP)
Erzwingt ein Zero-Trust-Sicherheitsmodell und überprüft die Nutzeridentität.
Model Armor
Mit Model Armor können Sie Prompts, Toolinteraktionen und Antworten prüfen und bereinigen. Es bietet flexible Sicherheitskontrollen für alle zugrunde liegenden KI-Modelle. Für benutzerdefinierte KI-Agenten, die in Cloud Run ausgeführt werden, binden Sie Model Armor über die Model Armor API ein.
Zusammensetzung des KI-Agenten
Das Agent Development Kit (ADK) ist ein Framework für die Entwicklung von KI-Agenten, mit dem Sie den KI-Agenten erstellen und als serverlosen Cloud Run-Dienst bereitstellen können. Weitere Informationen zur internen Architektur dieses Agentensystems finden Sie im Abschnitt Architektur des Agentensystems weiter unten in diesem Dokument.
KI-Modell
Für die Inferenz verwenden die Agenten in dieser Architektur KI-Modelle auf der Gemini Enterprise Agent Platform.
MCP-Server

Das Model Context Protocol (MCP) erleichtert den Zugriff auf Tools und standardisiert die Interaktion zwischen Agenten und Tools. Das Agentensystem verwendet die folgenden MCP-Server:

Verwendete Produkte

In dieser Beispielarchitektur werden die folgenden Produkte und Tools von Google Cloud verwendet:

  • Cloud Run ist eine serverlose Computing-Plattform, mit der Sie Container direkt auf der skalierbaren Infrastruktur von Google ausführen können.
  • Cloud Load Balancing: Ein Portfolio von leistungsstarken, skalierbaren, globalen und regionalen Load-Balancern
  • Google Cloud Armor: Ein Netzwerksicherheitsdienst, der WAF-Regeln (Web Application Firewall) bietet und vor DDoS- und Anwendungsangriffen schützt.
  • Identity-Aware Proxy (IAP): Ein Dienst, der ein Zero-Trust-Zugriffsmodell für Ihre Anwendungen und virtuellen Maschinen ermöglicht.
  • Google Security Operations: Eine Plattform für Security Operations, mit der Sicherheitsteams Cyberbedrohungen erkennen, untersuchen und darauf reagieren können.
  • Google Threat Intelligence: Eine Sicherheitslösung, die einen umfassenden und proaktiven Ansatz zur Identifizierung, Analyse und Abwehr von Sicherheitsbedrohungen bietet.
  • Google Cloud-MCP-Server: Von Google verwaltete Remote-Dienste, die das Model Context Protocol (MCP) implementieren, um KI-Anwendungen Zugriff auf Produkte und Dienste von Google und Google Cloud zu gewähren.
  • Gemini: Eine Familie von multimodalen KI-Modellen, die von Google entwickelt wurden.
  • Gemini Enterprise Agent Platform: Eine umfassende Plattform, mit der Sie KI-Agenten auf Unternehmensniveau erstellen, skalieren, verwalten und optimieren können.
  • Agent Development Kit (ADK): Eine Reihe von Tools und Bibliotheken zum Entwickeln, Testen und Bereitstellen von KI-Agenten.
  • Model Armor: Ein Dienst, der Ihre generativen und agentischen KI-Ressourcen vor Prompt Injection, Lecks sensibler Daten und schädlichen Inhalten schützt.

Agent Runtime mit Gemini Enterprise

Das folgende Diagramm zeigt eine detaillierte Architektur für ein SOC-Agenten-KI-System, das in Agent Runtime mit Gemini Enterprise bereitgestellt wird:

Eine detaillierte Architektur für ein SOC-Agenten-KI-System, das in der Agent Runtime mit Gemini Enterprise bereitgestellt wird.

Das Architekturdiagramm zeigt die folgenden Komponenten:

Gemini Enterprise
Nutzer interagieren mit dem Agentensystem über den Chat-Assistenten, der von Gemini Enterprise bereitgestellt wird.
Zusammensetzung des KI-Agenten
Das Agent Development Kit (ADK) ist ein Framework für die Agentenentwicklung, mit dem Sie einen benutzerdefinierten Agenten erstellen, in der Agent Runtime bereitstellen und bei Gemini Enterprise registrieren können. Weitere Informationen zur internen Architektur dieses Agentensystems finden Sie im Abschnitt Architektur des Agentensystems weiter unten in diesem Dokument.
KI-Modell
Die KI-Agenten in dieser Architektur verwenden KI-Modelle aus dem Model Garden der Agent Platform, um Inferenzen auszuführen.
Model Armor
Um die Sicherheits- und Compliance-Richtlinien des Unternehmens durchzusetzen, wird Model Armor direkt in Google Cloud -Dienste eingebunden, um Nutzer-Prompts und Modellantworten inline zu prüfen und zu bereinigen. Durch die integrierte Einbindung in Gemini Enterprise und die Agent Platform prüft Model Armor automatisch die Interaktionen zwischen Nutzern und den verwalteten Agents. Weitere Informationen finden Sie unter Model Armor-Integration in Google Cloud-Dienste.
MCP-Server

Das Model Context Protocol (MCP) erleichtert den Zugriff auf Tools und standardisiert die Interaktion zwischen Agenten und Tools. Das Agentensystem verwendet die folgenden MCP-Server:

  • Google SecOps MCP-Server: Ein von Google verwalteter MCP-Server, der Zugriff auf Google SecOps SIEM- und Google SecOps SOAR-Daten bietet, einschließlich Ereignissen, Entitäten, Rohlogs und Falldetails.
  • Google Threat Intelligence-MCP-Server: Ein lokaler MCP-Server, der Zugriff auf Google Threat Intelligence bietet. Google Threat Intelligence korreliert interne Warnungen mit globalen Angreiferdaten und optimiert die Identifizierung bekannter bösartiger Indikatoren im SOC-Workflow.
  • MCP-Server von Drittanbietern: Ein Connector, der von Drittanbietern verwaltet wird und mit dem Sie mit externen Sicherheitstools interagieren können.

Verwendete Produkte

In dieser Beispielarchitektur werden die folgenden Produkte und Tools von Google Cloudverwendet:

  • Agent Runtime auf der Gemini Enterprise Agent Platform: Eine Plattform, mit der Sie KI-Agenten in der Produktion ausführen, verwalten und skalieren können.
  • Gemini Enterprise: Eine vollständig verwaltete, sichere Plattform zum Bereitstellen und Verwalten von KI-Agenten in einem Unternehmen.
  • Google Security Operations: Eine Plattform für Security Operations, mit der Sicherheitsteams Cyberbedrohungen erkennen, untersuchen und darauf reagieren können.
  • Google Threat Intelligence: Eine Sicherheitslösung, die einen umfassenden und proaktiven Ansatz zur Identifizierung, Analyse und Abwehr von Sicherheitsbedrohungen bietet.
  • Google Cloud-MCP-Server: Von Google verwaltete Remote-Dienste, die das Model Context Protocol (MCP) implementieren, um KI-Anwendungen Zugriff auf Produkte und Dienste von Google und Google Cloud zu gewähren.
  • Gemini: Eine Familie von multimodalen KI-Modellen, die von Google entwickelt wurden.
  • Gemini Enterprise Agent Platform: Eine umfassende Plattform, mit der Sie KI-Agenten auf Unternehmensniveau erstellen, skalieren, verwalten und optimieren können.
  • Agent Development Kit (ADK): Eine Reihe von Tools und Bibliotheken zum Entwickeln, Testen und Bereitstellen von KI-Agenten.
  • Model Armor: Ein Dienst, der Ihre generativen und agentischen KI-Ressourcen vor Prompt Injection, Lecks sensibler Daten und schädlichen Inhalten schützt.

Architektur des Agentensystems

In diesem Abschnitt wird die Architektur des benutzerdefinierten SOC-Agent-Systems für die vorherigen Cloud Run- oder Gemini Enterprise-Bereitstellungen beschrieben. Um komplexe Sicherheitsworkflows zu orchestrieren, verwendet der Agent ein hierarchisches Muster zur Aufgabenaufteilung. Die Zusammensetzung des KI-Agenten bleibt unabhängig von der gewählten Bereitstellungsmethode gleich.

Das folgende Diagramm zeigt eine detaillierte Ansicht der Architektur des Agentensystems: Eine detaillierte KI-Agenten-Systemarchitektur für einen agentischen SecOps-Workflow.

Die Architektur umfasst die folgenden Komponenten:

Anwendung
Eine Frontend-Anwendung, z. B. eine Chatoberfläche, die mit dem Nutzer interagiert. Sie können Ihre Anwendung mit Cloud Run oder Agent Runtime mit Gemini Enterprise bereitstellen.
KI-Agenten

In dieser Architektur werden die folgenden Agenten verwendet:

  • Root-Agent: Ein Koordinator-Agent, der Anfragen vom Nutzer empfängt. Der Stamm-Agent interpretiert die Anfrage des Nutzers und versucht, sie selbst zu beantworten. Wenn für die Aufgabe spezielle Tools erforderlich sind, delegiert der Root-Agent die Anfrage an den entsprechenden spezialisierten Agenten.
  • Spezialisierte Agenten: Der Root-Agent ruft die folgenden spezialisierten Agenten auf:
    • Tier-1-Analyst: Ruft Benachrichtigungsdetails ab, identifiziert betroffene Assets und extrahiert den Nutzerkontext, wenn Google SecOps und zugehörige Telemetriequellen abgefragt werden.
    • Cyber Threat Intelligence (CTI)-Forscher: Erforscht die Taktiken von Bedrohungsakteuren, die sich auf die spezifische Warnung beziehen. Dieser Agent führt eine Risikobewertung der Aktivität durch, indem er Threat-Intelligence-Plattformen abfragt, um interne Kompromittierungsindikatoren (IOCs) mit bekannten Bedrohungsakteurgruppen und dokumentierten Taktiken, Techniken und Verfahren (TTPs) zu korrelieren.

Das Architekturdiagramm des Agentensystems zeigt eine Beispielarchitektur, die zwei SOC-Personas verwendet. Je nach Ihren spezifischen Anwendungsfällen können Sie andere SOC-Personas bereitstellen oder eigene benutzerdefinierte Personas erstellen. Eine umfassendere Liste von SOC-Personas, die Ihnen helfen können, Ihre Sicherheitsabläufe robuster zu gestalten, finden Sie unter SOC-Personas.

RAG-Wissensdatenbank
Diese Datenbank dient als Fundierungsquelle für Retrieval-Augmented Generation (RAG). Die Datenbank wird verwendet, um den KI-Agenten Incident-Response-Pläne und KI-Runbooks zur Verfügung zu stellen. KI-Runbooks sind vordefinierte Workflows in Form von Agent Skills.
Artefaktdienst
Ein verwalteter Dienst, der Prüfberichte und Beweise in Cloud Storage speichert.
Memory Bank
Ein System zur Verwaltung des nichtflüchtigen Zustands, das benutzerdefinierte Themen speichert und es KI-Agenten ermöglicht, den Kontext zu Umgebung und Bedrohungen über Sitzungen hinweg beizubehalten.
KI-Modelle
Für die Inferenz verwenden die KI-Agenten in dieser Architektur das neueste Gemini-Modell auf der Agent Platform.
MCP-Server
Die MCP-Server ermöglichen den Zugriff auf Tools und standardisieren die Interaktion zwischen KI-Agenten und Tools. Für jedes Agent-Tool-Paar sendet ein MCP-Client Anfragen an einen MCP-Server, über den der Agent auf ein Tool wie eine Datenbank, ein Dateisystem oder eine API zugreift.
Tools von KI-Agenten
Mit diesen Tools können Agenten Fundierungsdaten abrufen, z. B. entsprechende KI-Runbooks, Incident-Response-Pläne, frühere Berichte, interne Dokumentation und Playbooks.
ADK
Das ADK bietet Tools und ein Framework zum Entwickeln, Testen und Bereitstellen von KI-Agenten. Das ADK abstrahiert die Komplexität der Agentenerstellung und ermöglicht es KI-Entwicklern, sich auf die Logik und die Funktionen des Agenten zu konzentrieren.

Die Architektur zeigt den folgenden Datenfluss:

  1. Ein Sicherheitsanalyst sendet eine Anfrage an den SOC-Manager, der ein Koordinator-Agent ist. Beispiel: Ein Analyst reicht eine Anfrage zur Untersuchung von Fall 37 ein.
  2. Die Anwendung, die in Cloud Run oder Gemini Enterprise bereitgestellt wird, leitet die Anfrage an den SOC-Manager weiter.
  3. Der SOC-Manager verwendet Gemini, um die Anfrage des Nutzers zu interpretieren.
  4. Der SOC-Manager führt die folgenden Aufgaben aus, um Kontext zur Anfrage zu erhalten:
    1. Sendet eine Abfrage an die RAG-Wissensdatenbank, um die entsprechenden KI-Runbooks, präskriptiven Workflows in Form von AI Skills und den Incident Response Plan abzurufen.
    2. Ruft frühere gemerkte Informationen ab, um festzustellen, ob das KI-Agentensystem ähnliche Vorfälle analysiert hat.
    3. Prüft den Artifact-Dienst auf vorhandene Berichte oder Nachweise, die sich auf die Anfrage beziehen.
  5. Der SOC-Manager verwendet Gemini und den abgerufenen Kontext, um die Anfrage in eine Reihe von Unteraufgaben aufzuteilen und die geeigneten Tools zu identifizieren.
  6. Der SOC-Manager leitet Unteraufgaben dynamisch an spezialisierte Unter-Agents weiter, z. B. an den Tier-1-Analysten und den Cyber Threat Intelligence (CTI)-Forscher.
  7. Jeder Sub-Agent führt die folgenden Aktionen aus, um die ihm zugewiesenen Unteraufgaben zu erledigen:
    1. Verwendet Gemini, um die Zielsetzungen der Aufgabe zu interpretieren.
    2. Ruft relevanten Kontext aus der RAG-Wissensdatenbank, gemerkten Informationen und Artefakten ab.
    3. Verwendet MCP-Server, um die folgenden zusätzlichen Kontextinformationen für fundierte Antworten zu erfassen:
      • Wissensdokumentation wie frühere Berichte, interne Dokumentation und Playbooks.
      • Sicherheitsinformationen und Telemetrie, die Daten aus Google SecOps und Google Threat Intelligence verwenden.
    4. Verwendet Gemini und den abgerufenen Kontext, um Ergebnisse zu generieren.
    5. Die Ergebnisse werden in einer strukturierten Zusammenfassung dargestellt.
    6. Leitet die Zwischenantwort an den SOC-Manager weiter.
  8. Der SOC-Manager empfängt die Zwischenantworten von den Sub-Agents und wertet die Ergebnisse anhand der Anforderungen des KI-Runbooks aus.
    1. Wenn die Ergebnisse die Bewertungskriterien nicht erfüllen, wiederholt der SOC-Manager die Analyse der Nutzeranfrage und delegiert Unteraufgaben an Sub-Agents, um zusätzliche Daten zu erfassen. Während dieser iterativen Schleife behält der SOC-Manager die vorherige Kontextkette bei, um nachfolgende Toolaufrufe und Subagent-Delegierungen zu informieren und zu ergänzen. Die SOC-Managerin setzt diese Schleife fort, bis die Ergebnisse die Bewertungskriterien erfüllen.
    2. Wenn die Ergebnisse die Bewertungskriterien oder eine Abbruchbedingung wie die maximale Anzahl von Iterationen erfüllen, führt der SOC-Manager die folgenden Aktionen aus:
      1. Verwendet Gemini, um alle Ergebnisse der Sub-Agents in einem Prüfbericht zusammenzufassen, und speichert den Bericht im Artifact Service.
      2. Verwendet den Google SecOps-MCP-Server, um Ergebnisse auf der Fallpinnwand zu posten.
      3. Speichert neue gemerkte Informationen in der Memory Bank der Agent Platform.
  9. Der SOC-Manager sendet den Artefaktlink und die Zusammenfassung des Berichts an den Sicherheitsanalysten zurück.

Verwendete Produkte

Die in diesem Dokument beschriebene Agent-Systemarchitektur verwendet die folgenden Produkte und Tools von Google Cloud:

  • Google Security Operations: Eine Plattform für Security Operations, mit der Sicherheitsteams Cyberbedrohungen erkennen, untersuchen und darauf reagieren können.
  • Google Threat Intelligence: Eine Sicherheitslösung, die einen umfassenden und proaktiven Ansatz zur Identifizierung, Analyse und Abwehr von Sicherheitsbedrohungen bietet.
  • Google Cloud-MCP-Server: Von Google verwaltete Remote-Dienste, die das Model Context Protocol (MCP) implementieren, um KI-Anwendungen Zugriff auf Produkte und Dienste von Google und Google Cloud zu gewähren.
  • Gemini: Eine Familie von multimodalen KI-Modellen, die von Google entwickelt wurden.
  • Gemini Enterprise Agent Platform: Eine umfassende Plattform, mit der Sie KI-Agenten auf Unternehmensniveau erstellen, skalieren, verwalten und optimieren können.
  • Agent Development Kit (ADK): Eine Reihe von Tools und Bibliotheken zum Entwickeln, Testen und Bereitstellen von KI-Agenten.
  • Model Armor: Ein Dienst, der Ihre generativen und agentischen KI-Ressourcen vor Prompt Injection, Lecks sensibler Daten und schädlichen Inhalten schützt.
  • Memory Bank: Ein Dienst für nichtflüchtigen Speicher, der auf der Grundlage von Nutzerunterhaltungen mit einem KI-Agenten langfristige Erinnerungen generiert, verfeinert, verwaltet und abruft.
  • Cloud Storage: Ein kostengünstiger, unbegrenzter Objektspeicher für verschiedene Datentypen. Auf Daten kann von innerhalb und außerhalb von Google Cloudzugegriffen werden. Sie werden zu Redundanzzwecken über Standorte hinweg repliziert.

Informationen zum Auswählen alternativer Komponenten für Ihr agentisches KI-System, einschließlich Framework, Agent Runtime, Tools, Speicher und Designmuster, finden Sie unter Komponenten für die agentische KI-Architektur auswählen.

Designaspekte

In diesem Abschnitt werden Designfaktoren, Best Practices und Empfehlungen beschrieben, die Sie berücksichtigen sollten, wenn Sie diese Referenzarchitektur verwenden, um eine Topologie zu entwickeln, die Ihren spezifischen Anforderungen an Sicherheit, Zuverlässigkeit und Kosten entspricht.

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.

Sicherheit, Datenschutz und Compliance

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-Ablauf 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 zum Ablehnen und die Inline-Prüfung von Prompts und Tools mit Model Armor.

  • Agent Registry: Prüfen Sie, ob Agenten nur eine Verbindung zu genehmigten Subagenten und MCP-Tools herstellen.

  • Authentifizierungsumgebungen: Konfigurieren Sie Ihre Bereitstellungspipelines so, dass der Übergang von Entwicklungsauthentifizierungsstrategien verwaltet wird, um eine nahtlose Authentifizierung über Umgebungen hinweg zu ermöglichen. Beispielsweise müssen Sie möglicherweise von Standardanmeldedaten für Anwendungen (Application Default Credentials, ADC) bei der lokalen Ausführung zu Dienstkonten wechseln, die von Identity and Access Management (IAM) für gehostete Remote-MCP-Server in der Produktion verwaltet werden.

Zuverlässigkeit

Damit Ihre Agent-Konfigurationen Ihren Zuverlässigkeitsanforderungen entsprechen, sollten Sie die folgenden Empfehlungen beachten:

  • Agentenbereich festlegen: Um die Modellgenauigkeit zu verbessern, legen Sie den Bereich für die Runbooks und Systemanweisungen jedes Agenten fest.
  • MCP-Schemakompatibilität: Bereinigen Sie Toolschemas, um zu verhindern, dass das KI-Modell Tooldefinitionen falsch interpretiert und fehlerhafte Toolaufrufe ausführt. Erstellen Sie eigenständige Konstrukte für das JSON-Schema $ref und $defs und normalisieren Sie Typstrings in Großbuchstaben.

Kostenoptimierung

Beachten Sie die folgenden Empfehlungen, damit Ihre Agent-Konfigurationen Ihren Kostenanforderungen entsprechen:

  • Zugriff auf Agent-Tools: Um den Tokenverbrauch zu reduzieren und das Prinzip der geringsten Berechtigung durchzusetzen, stellen Sie verschiedenen Agenten nach Bedarf Teilmengen von Tools zur Verfügung.
  • Kontextfensterverwaltung: Um den Tokenverbrauch zu minimieren, sollten Sie Prompts und Toolausgaben prägnant gestalten. Verwenden Sie RAG-Repositories und Agenten-Skills, um Kontext vorab zu laden und umfangreiche Tool-Antworten zusammenzufassen.
  • Prompt-Caching: Um die Kosten für Eingabetokens zu senken, können Sie statische Agenteninhalte wie Systemanweisungen, Personas, Runbooks und Toolschemas im Cache speichern.
  • Modellauswahl: Das Modell, das Sie für Ihre KI-Anwendung auswählen, wirkt sich direkt auf Kosten und Leistung aus. Wählen Sie in Ihrem agentischen System verschiedene Modelle basierend auf den verschiedenen Agentenrollen und Aufgabenanforderungen aus. Für komplexe Schlussfolgerungen und die Zerlegung von Aufgaben verwenden Sie ein Thinking-Modell wie Gemini Pro. Für kleine und direkte Aufgaben sollten Sie ein schnelles, kostengünstiges Modell wie Gemini Flash verwenden.

Bereitstellung

Wenn Sie eine Beispielimplementierung dieser Architektur mit benutzerdefinierten SOC-Agenten bereitstellen möchten, verwenden Sie das Agentic SOC Gemini Enterprise-Codebeispiel, das auf GitHub verfügbar ist.

Wir empfehlen, den Agent in der folgenden Reihenfolge zu iterieren:

  1. Lokal mit ADK Web bereitstellen: Beschleunigen Sie das Prototyping und iterieren Sie schnell die Agentenlogik.
  2. In einem lokalen Container bereitstellen: Sorgen Sie für eine portable und unveränderliche Umgebung mit konsistenten Abhängigkeiten.
  3. Container in Cloud Run oder Agent Runtime bereitstellen: Skalieren Sie Ihre Agenten für effektive Sicherheitsvorgänge und verschieben Sie Ihre Anwendung von der Entwicklung in die Produktion.

Nächste Schritte

Beitragende

Autor*innen:

Weitere Beitragende: