本文档提供了一个高级别架构，用于构建可信且有效的智能体 AI 系统，该系统基于 Google Maps Platform 和 Google 日历中的真实世界情境数据。系统会为用户在提示中指明的地点制定旅行计划。该方案会考虑用户的日程安排、地点的地理位置、营业时间和路线距离。
本文档的目标受众群体包括构建和管理智能体 AI 应用的 AI 架构师、开发者和管理员。本文档假定您对 AI 和机器学习概念以及云架构有基本的了解。
本文档的部署部分提供了一个 Codelab 的链接，您可以通过该 Codelab 了解如何构建和测试基于此架构的功能性智能体 AI 系统。
架构
下图展示了一个应用的架构，该应用使用多智能体 AI 系统来生成用户希望在一天内游览的景点的旅游计划。用户通过聊天界面与应用互动。编排器代理通过调用专业代理来收集必要的信息，然后创建每日计划。智能体在 Gemini Enterprise 中运行，其推理过程基于 Google Maps Platform 和 Google 日历中的真实世界数据。
上图中的架构包含以下组件：
Gemini Enterprise：架构的核心组件。 它托管了智能体 AI 系统，其中包含以下智能体：
- 编排器代理：通过聊天界面接收用户请求，解读目标，然后与专业代理协调以完成请求。
- Places agent：处理基于位置的任务，例如查找地点和检查地点是否营业。
- 路线智能体：处理路线规划和旅行规划任务，例如确保有足够的时间前往所需地点。
- 日程安排智能体：管理日程安排和日历相关任务，例如加载日历和移动活动以适应行程时间。
此架构中的所有代理均使用智能体开发套件 (ADK) 构建。智能体在 Gemini Enterprise Agent Platform 上的 Agent Runtime 中运行，并使用 Gemini 模型。
工具和数据：智能体使用以下工具获取所需的数据：
- Grounding with Google Maps：为地点和路线智能体提供来自 Google Maps Platform 的真实世界地理背景信息。
- 地点数据分析：提供来自 Google Maps Platform 的深入的特定于地点的分析和信息，帮助智能体根据会议类型创建合适的制品。
- 日历：使 Schedule 代理能够访问和管理日历活动。
可观测性：此组件可用于监控和调试代理操作。
- 代理事件记录在 Cloud Logging 中，并发布到 Firestore 数据库。
- 该架构包含一个部署为 Cloud Run 服务的事件查看器应用。管理员可以使用此应用监控已记录的事件，并查看代理的思维流程和操作，例如验证地点和路线。
使用的产品
此架构使用以下 Google 产品和工具：
- Google Maps Platform：提供地图、路线和位置搜索服务的平台。
- Google 日历：一款供团队和个人管理日程和活动的工具。
- Gemini Enterprise：一个全托管式安全平台，用于在企业内部署和管理 AI 智能体。
- 智能体开发套件 (ADK)：一套用于开发、测试和部署 AI 代理的工具和库。
- Cloud Logging：具有存储、搜索、分析和提醒功能的实时日志管理系统。
- Firestore：一个 NoSQL 文档数据库，能够自动扩缩、具备出色的性能，并且易于进行应用开发。
- Cloud Run：一个无服务器计算平台，可让您直接在 Google 可伸缩的基础设施之上运行容器。
使用场景
以下是此架构的用例示例：
自动规划公司差旅：某位员工需要为客户峰会规划行程。
- 旅行智能体查找航班和酒店，并进行预订。
- 客户关系管理 (CRM) 代理检索峰会地址和参会者名单。
- Schedule 代理会在旅客的日历中安排会议。 最终输出是完整的行程安排。
智能现场服务调度：客户报告服务中断。
- CRM 客服人员确定客户的合同和位置。
- 旅行社代理找到最近的可用技术人员，并优化其行程路线。
- 调度代理预订服务预约。
物流和供应链协调：物流经理需要因天气事件而重新安排货运。
- 物流代理使用 Google Maps Platform 监控实时路况和天气。
- 物流代理会寻找替代路线和仓库
- 客户关系管理代理通知客户修订后的配送时间表。
设计考虑事项
如需在生产环境中实现此架构，请考虑以下建议：
- 安全性：采用零信任模型，为每个代理授予执行其任务所需的最低访问权限。严格定义每个代理可以访问的工具和数据。例如，将 Schedule 代理配置为仅读取或写入特定日历。
- 可靠性：针对预订不可退款机票等关键任务，纳入人机协同 (HITL) 验证。通过使用 Logging 和 Pub/Sub 构建可观测性流水线，为代理决策创建清晰的审核轨迹。
- 性能：此架构中的模块化多智能体协调器模式有助于提高性能，因为它可以让专业智能体并行工作。例如，“地点”智能体可以搜索地点，而“日程”智能体同时检查日历冲突。
- 费用：通过严格限定每个代理的任务范围，防止出现开放式或不必要的查询，从而控制费用。通过缓存常用路线或热门地点等经常请求的数据来减少 API 调用次数。
- 治理：为每个智能体明确角色，并制定数据处理指南，从而建立强大的治理机制。使用包含持续监控的迭代式开发流程。此过程有助于优化代理的行为，并确保该行为符合业务要求。
为智能体 AI 工作负载设计架构时，请考虑 Google Cloud Well-Architected Framework：AI 和机器学习视角中的最佳实践和建议。
部署
如需了解如何构建和测试基于此架构的功能性智能体 AI 系统，请按照 Codelab 使用 ADK 和 Google 地图 Grounding 构建行程规划智能体中的说明操作。本 Codelab 将引导您完成整个部署过程，包括以下任务：
- 启用必要的 Google Cloud 服务。
- 使用 ADK 创建智能体。
- 将智能体配置为使用 Grounding with Google 地图来获取真实世界背景信息。
- 通过网页界面运行和测试代理。
后续步骤
- 详细了解Grounding with Google Maps。
- 详细了解 Gemini Enterprise。
- 如需查看更多参考架构、图表和最佳做法，请浏览云架构中心。
贡献者
作者：Kenneth Nevarez | Google Maps Platform 开发技术推广工程师
其他贡献者：
- Caio Moreira | DevX 工程师
- Kumar Dhanagopal | 跨产品解决方案开发者
- Mike Pegg | 开发者关系经理