Déployer un agent

Le déploiement d'un agent sur Agent Runtime le rend disponible à distance pour traiter les requêtes. Ce document explique comment déployer un agent en fonction de votre workflow de développement : à partir d'un objet d'exécution, de fichiers sources locaux, d'un Dockerfile, d'une image de conteneur hébergée dans Artifact Registry, d'un dépôt Git public ou directement via un dépôt Git connecté.

Pour déployer un agent sur Agent Runtime, choisissez l'une des méthodes suivantes :

Developer Connect

Recommandé pour les projets gérés dans un dépôt Git et associés via Developer Connect. Cette méthode simplifie le déploiement des agents directement à partir de votre code source et accepte de manière native le contrôle des versions, la collaboration en équipe et les pipelines CI/CD. Avant d'utiliser cette méthode, configurez votre lien de dépôt Git en suivant les instructions de la section Configurer un lien de dépôt Git Developer Connect.

Vous ne pouvez utiliser cette méthode de déploiement qu'avec Python.

Dépôt Git public

Adapté aux projets d'un dépôt Git public auquel vous pouvez accéder via HTTPS. Cette méthode vous permet de déployer directement à partir de l'URL du dépôt sans configurer de connexion Developer Connect ni de lien vers un dépôt Git. Cette méthode n'est compatible qu'avec les dépôts publics. Pour déployer à partir d'un dépôt privé, utilisez Developer Connect.

Vous ne pouvez utiliser cette méthode de déploiement qu'avec Python.

Fichiers sources

Idéal pour les workflows automatisés tels que les pipelines CI/CD et les outils d'infrastructure as code comme Terraform, permettant des déploiements entièrement déclaratifs et automatisés. Il déploie votre agent directement à partir du code source local et ne nécessite pas de bucket Cloud Storage.

Vous ne pouvez utiliser cette méthode de déploiement qu'avec Python.

Dockerfile

Semblable au déploiement à partir de fichiers sources. Vous déployez votre agent directement à partir du code source local sans avoir besoin d'un bucket Cloud Storage. Cette méthode est appropriée si vous devez définir et contrôler le serveur d'API déployé. Le conteneur déployé doit respecter le contrat d'exécution.

Vous pouvez utiliser cette méthode de déploiement avec n'importe quel langage.

Image de conteneur

Semblable au déploiement à partir d'un Dockerfile. Vous déployez une image de conteneur hébergée dans Artifact Registry. Utilisez cette méthode si vous souhaitez contrôler le processus de compilation de l'image de conteneur et réduire la latence de déploiement. L'image de conteneur doit respecter le contrat d'exécution.

Vous pouvez utiliser cette méthode de déploiement avec n'importe quel langage.

SDK Agent Platform

Idéal pour le développement interactif dans des environnements tels que Colab, permettant le déploiement d'objets local_agent en mémoire. Cette méthode est particulièrement adaptée aux agents dont les structures ne contiennent pas de composants complexes non sérialisables.

Pour commencer, procédez comme suit :

  1. Effectuer les opérations prérequises
  2. Facultatif : Configurer votre agent pour le déploiement
  3. Créer une instance Gemini Enterprise Agent Platform
  4. (Facultatif) Obtenir l'ID de ressource de l'agent
  5. Facultatif : Répertorier les opérations compatibles
  6. Facultatif : Accordez des autorisations à l'agent déployé

Prérequis

Avant de déployer un agent, assurez-vous d'avoir effectué les tâches suivantes :

  1. Configurer votre environnement
  2. Créer un agent

Facultatif : Configurer votre agent pour le déploiement

Vous pouvez configurer des paramètres facultatifs pour votre agent. Les exemples de cette section utilisent Python.

Créer une instance Agent Platform

Cette section explique comment créer une instance Agent Platform pour déployer un agent. Vous avez le choix entre les méthodes suivantes :

Developer Connect

Pour déployer depuis Developer Connect sur Agent Platform, utilisez client.runtimes.create en fournissant developer_connect_source, entrypoint_module et entrypoint_object dans le dictionnaire de configuration, ainsi que d'autres configurations facultatives. Cette méthode vous permet de déployer du code directement depuis un dépôt Git connecté.

Vous ne pouvez utiliser cette méthode de déploiement qu'avec Python.

remote_agent = client.runtimes.create(
    config={
        "developer_connect_source": {                   # Required.
            "git_repository_link": "projects/PROJECT_ID/locations/LOCATION/connections/CONNECTION_ID/gitRepositoryLinks/REPO_ID",
            "revision": "main",
            "dir": "path/to/dir",
        },
        "entrypoint_module": "agent",                   # Required.
        "entrypoint_object": "root_agent",              # Required.
        "requirements_file": "requirements.txt",        # Optional.
        # Other optional configs:
        # "env_vars": {...},
        # "service_account": "...",
    },
)

Les paramètres du déploiement Developer Connect sont les suivants :

  • developer_connect_source (dict) : configuration pour récupérer le code source. Pour en savoir plus, consultez Configurer un lien de dépôt Git Developer Connect.
    • git_repository_link (str) : nom de ressource du lien du dépôt Git Developer Connect.
    • revision (str) : révision à récupérer (branche, tag ou SHA de commit).
    • dir (str) : répertoire racine du code de l'agent dans le dépôt.
  • entrypoint_module (str) : nom du module Python contenant le point d'entrée de l'agent, par rapport au répertoire spécifié dans developer_connect_source.dir.
  • entrypoint_object (str) : nom de l'objet appelable dans le entrypoint_module qui représente l'application de l'agent (par exemple, root_agent).
  • requirements_file (str) : (facultatif) chemin d'accès à un fichier d'exigences pip par rapport à la racine source. La valeur par défaut est requirements.txt.

Le déploiement prend quelques minutes, pendant lesquelles les étapes suivantes se déroulent en arrière-plan :

  1. Le service Agent Runtime récupère le code source à partir de la révision du dépôt Git spécifiée.
  2. Le service installe les dépendances à partir de requirements_file (si fourni).
  3. Le service démarre l'application de l'agent à l'aide des valeurs entrypoint_module et entrypoint_object spécifiées.

La latence de déploiement dépend du temps total nécessaire à l'installation des packages requis. Une fois déployé, remote_agent correspond à une instance de local_agent qui s'exécute sur Agent Platform et peut être interrogée ou supprimée.

L'objet remote_agent correspond à une classe AgentRuntime qui contient les éléments suivants :

Dépôt Git public

Pour déployer à partir d'un dépôt Git public sur Agent Platform, utilisez client.runtimes.create en fournissant git_source, entrypoint_module, entrypoint_object et class_methods dans le dictionnaire de configuration, ainsi que d'autres configurations facultatives. Pour déployer à partir d'un dépôt privé, utilisez Developer Connect.

Vous ne pouvez utiliser cette méthode de déploiement qu'avec Python.

remote_agent = client.runtimes.create(
    config={
        "git_source": {                                 # Required.
            "url": "https://github.com/OWNER/REPO.git", # Required.
            "revision": "main",                         # Required.
            "dir": "path/to/dir",                       # Optional.
        },
        "entrypoint_module": "agent",                   # Required.
        "entrypoint_object": "root_agent",              # Required.
        "class_methods": class_methods,                 # Required.
        "requirements_file": "requirements.txt",        # Optional.
        # Other optional configs:
        # "env_vars": {...},
        # "service_account": "...",
    },
)

Les paramètres de déploiement d'un dépôt Git public sont les suivants :

  • git_source (dict) : configuration permettant de récupérer le code source à partir d'un dépôt Git public.
    • url (str) : URL HTTPS d'un dépôt Git public (par exemple, https://github.com/OWNER/REPO.git). L'URL ne peut pas contenir d'identifiants, tels que user:password@.
    • revision (str) : branche, tag ou SHA de commit complet à récupérer. Les SHA de commit abrégés ne sont pas acceptés.
    • dir (str) : (facultatif) répertoire, relatif à la racine du dépôt, dans lequel la compilation est exécutée. Seul le contenu de ce répertoire est déployé. Si ce paramètre n'est pas défini, la racine du dépôt est utilisée. Le chemin d'accès ne peut pas commencer par / ni contenir de segments ...
  • entrypoint_module (str) : nom du module Python contenant le point d'entrée de l'agent, par rapport au répertoire spécifié dans git_source.dir.
  • entrypoint_object (str) : nom de l'objet appelable dans le entrypoint_module qui représente l'application de l'agent (par exemple, root_agent).
  • class_methods (list[dict]) : liste de dictionnaires qui définissent les méthodes exposées de l'agent. Chaque dictionnaire inclut un champ name, un champ api_mode et un champ parameters facultatif. Pour en savoir plus sur les méthodes d'un agent personnalisé, consultez Répertorier les opérations compatibles.
  • requirements_file (str) : (facultatif) chemin d'accès à un fichier d'exigences pip par rapport à git_source.dir (ou à la racine du dépôt si dir n'est pas défini). La valeur par défaut est requirements.txt.

Le déploiement prend quelques minutes, pendant lesquelles les étapes suivantes se déroulent en arrière-plan :

  1. Le service Agent Runtime clone le dépôt à la révision spécifiée.
  2. Le service installe les dépendances à partir de requirements_file (si le fichier existe).
  3. Le service démarre l'application de l'agent à l'aide des valeurs entrypoint_module et entrypoint_object spécifiées.

La latence de déploiement dépend du temps total nécessaire à l'installation des packages requis. Une fois déployé, remote_agent correspond à votre agent exécuté sur Agent Platform et peut être interrogé ou supprimé.

L'objet remote_agent correspond à une classe AgentRuntime qui contient les éléments suivants :

Fichiers sources

Pour déployer à partir de fichiers sources sur Agent Platform, utilisez client.runtimes.create en fournissant source_packages, entrypoint_module, entrypoint_object et class_methods dans le dictionnaire de configuration, ainsi que d'autres configurations facultatives. Avec cette méthode, vous n'avez pas besoin de transmettre un objet d'agent ni un bucket Cloud Storage.

Vous ne pouvez utiliser cette méthode de déploiement qu'avec Python.

# Example file structure:
# /agent_directory
#     ├── agent.py
#     ├── requirements.txt

# Example agent_directory/agent.py:
# class MyAgent:
#     def ask(self, question: str) -> str:
#         return f"Answer to {question}"
# root_agent = MyAgent()

remote_agent = client.runtimes.create(
    config={
        "source_packages": source_packages,             # Required.
        "entrypoint_module": entrypoint_module,         # Required.
        "entrypoint_object": entrypoint_object,         # Required.
        "class_methods": class_methods,                 # Required.
        "requirements_file": requirements_file,         # Optional.
        "display_name": display_name,                   # Optional.
        "description": description,                     # Optional.
        "labels": labels,                               # Optional.
        "env_vars": env_vars,                           # Optional.
        "build_options": build_options,                 # Optional.
        "identity_type": identity_type,                 # Optional.
        "service_account": service_account,             # Optional.
        "min_instances": min_instances,                 # Optional.
        "max_instances": max_instances,                 # Optional.
        "resource_limits": resource_limits,             # Optional.
        "container_concurrency": container_concurrency, # Optional
        "encryption_spec": encryption_spec,             # Optional.
        "agent_framework": agent_framework,             # Optional.
    },
)

Les paramètres du déploiement de source intégrée sont les suivants :

  • source_packages (list[str]) : liste des chemins d'accès aux fichiers ou répertoires locaux à inclure dans le déploiement. La taille totale des fichiers et des répertoires dans source_packages ne doit pas dépasser 8 Mo.
  • entrypoint_module (str) : nom complet du module Python contenant le point d'entrée de l'agent (par exemple, agent_dir.agent).
  • entrypoint_object (str) : nom de l'objet appelable dans le entrypoint_module qui représente l'application de l'agent (par exemple, root_agent).
  • class_methods (list[dict]) : liste de dictionnaires qui définissent les méthodes exposées de l'agent. Chaque dictionnaire inclut un champ name, un champ api_mode et un champ parameters facultatif. Pour en savoir plus sur les méthodes d'un agent personnalisé, consultez Répertorier les opérations compatibles.

    Exemple :

    class_methods = [
        {
            "name": "method_name",
            "api_mode": "",  # Options: "", "async", "async_stream", "stream", "bidi_stream"
            "parameters": {
                "type": "object",
                "properties": {
                    "param1": {"type": "string", "description": "Description of param1"},
                    "param2": {"type": "integer"}
                },
                "required": ["param1"]
            }
        }
    ]
  • requirements_file (str) : (facultatif) chemin d'accès à un fichier d'exigences pip dans les chemins d'accès spécifiés dans source_packages. La valeur par défaut est requirements.txt dans le répertoire racine de la source empaquetée.

Le déploiement prend quelques minutes, pendant lesquelles les étapes suivantes se déroulent en arrière-plan :

  1. Le SDK Agent Platform crée une archive tar.gz des chemins d'accès spécifiés dans source_packages.
  2. Cette archive est encodée et envoyée directement à l'API Agent Platform.
  3. Le service Agent Runtime reçoit l'archive, l'extrait, installe les dépendances à partir de requirements_file (si fourni) et démarre l'application de l'agent à l'aide des entrypoint_module et entrypoint_object spécifiés.

La latence de déploiement dépend du temps total nécessaire à l'installation des packages requis. Une fois déployé, remote_agent correspond à une instance de local_agent qui s'exécute sur Agent Platform et peut être interrogée ou supprimée.

L'objet remote_agent correspond à une classe AgentRuntime qui contient les éléments suivants :

Dockerfile

Le déploiement à partir d'un Dockerfile sur la plate-forme de l'agent suit une approche similaire au déploiement à partir de fichiers sources, sauf que vous incluez un Dockerfile dans vos fichiers sources et que vous spécifiez image_spec dans la configuration au lieu de entrypoint_module, entrypoint_object et requirements_file. Le conteneur créé à partir du fichier Dockerfile doit écouter les requêtes HTTP sur 0.0.0.0 sur le port 8080 et respecter le contrat d'exécution.

Vous pouvez utiliser cette méthode de déploiement avec n'importe quel langage.

Tout d'abord, créez un fichier Dockerfile à la racine du répertoire de votre projet qui installe les dépendances et démarre votre serveur HTTP sur 0.0.0.0:8080 :

Python

FROM python:3.13-slim
WORKDIR /app

COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt

COPY . .

EXPOSE 8080

# Start an ADK API server or custom FastAPI server on 0.0.0.0:8080:
CMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "8080"]

Go

FROM golang:1.24 AS builder
WORKDIR /app

COPY go.mod go.sum ./
RUN go mod download

COPY . .
RUN CGO_ENABLED=0 GOOS=linux GOARCH=amd64 go build -o /app/server .

FROM gcr.io/distroless/static-debian12
WORKDIR /app
COPY --from=builder /app/server /app/server

EXPOSE 8080

# For an ADK Go agent using the built-in launcher:
# CMD ["/app/server", "web", "-host", "0.0.0.0", "-port", "8080", "agentengine"]
# For a custom Go HTTP server listening on 0.0.0.0:8080:
CMD ["/app/server"]

TypeScript

FROM node:22-slim
WORKDIR /app

COPY package*.json ./
RUN npm ci

COPY . .
RUN npm run build

EXPOSE 8080

# For an ADK TypeScript agent (with @google/adk-devtools in package.json):
# CMD ["npx", "adk", "api_server", "/app/agents/my_agent", "--host=0.0.0.0", "--port=8080"]
# For a custom Node.js HTTP server listening on 0.0.0.0:8080:
CMD ["node", "dist/index.js"]

Java

FROM maven:3.9-eclipse-temurin-17
WORKDIR /app

COPY pom.xml .
COPY src ./src
RUN mvn package -DskipTests

EXPOSE 8080

# For an ADK Java agent using AdkWebServer (set --server.address=0.0.0.0):
# CMD ["sh", "-c", "mvn exec:java -Dexec.mainClass=com.google.adk.web.AdkWebServer -Dexec.args='--server.address=0.0.0.0 --server.port=${PORT:-8080} --adk.agents.source-dir=.'"]
# For a packaged Java HTTP server JAR listening on 0.0.0.0:8080:
CMD ["java", "-jar", "target/app.jar"]

Si votre conteneur implémente les points de terminaison de routage du contrat d'exécution (/api/reasoning_engine et /api/stream_reasoning_engine, que le lanceur ADK Go agentengine expose également), déclarez les opérations compatibles dans class_methods (ou spec.classMethods dans REST) afin de pouvoir appeler l'agent via des requêtes query et streamQuery standards. Si votre conteneur exécute le serveur d'API ADK (tel que npx adk api_server pour TypeScript ou AdkWebServer pour Java), appelez ses points de terminaison /run et /run_sse via le proxy d'API sous-jacent (/api/run et /api/run_sse).

Ensuite, déployez l'agent à partir de vos fichiers sources locaux et de Dockerfile à l'aide du SDK Agent Platform, de l'API REST ou de Terraform :

SDK Agent Platform

# Example file structure:
# /current_directory
#     ├── agent.py
#     ├── main.py
#     ├── requirements.txt
#     ├── Dockerfile
#
# For other languages, pass your project's source files and Dockerfile in source_packages:
#   Go:         ["main.go", "go.mod", "go.sum", "Dockerfile"]
#   TypeScript: ["src", "package.json", "package-lock.json", "tsconfig.json", "Dockerfile"]
#   Java:       ["src", "pom.xml", "Dockerfile"]

remote_agent = client.runtimes.create(
    config={
        "source_packages": [
            "agent.py",
            "main.py",
            "requirements.txt",
            "Dockerfile",
        ],
        "image_spec": {},  # tells Agent Runtime to use the Dockerfile
        # Optional: declare class_methods if your container implements /api/reasoning_engine or /api/stream_reasoning_engine
        # "class_methods": class_methods,
        # Other optional configs
        "display_name": "Dockerfile agent",
    }
)

La latence de déploiement dépend du temps total nécessaire pour créer l'image de conteneur et installer les packages requis. Une fois déployé, remote_agent correspond à votre agent exécuté sur Agent Platform et peut être interrogé ou supprimé.

L'objet remote_agent correspond à une classe AgentRuntime qui contient les éléments suivants :

REST

Empaquetez votre fichier Dockerfile et les fichiers sources de l'application au niveau racine d'une archive .tar.gz (8 Mo maximum), encodez l'archive en base64 et envoyez une requête POST à la méthode reasoningEngines.create :

# Package your Dockerfile and source files at the root of a tar.gz archive
# (replace main.py and requirements.txt with your project's source files):
tar -czf /tmp/source.tar.gz Dockerfile main.py requirements.txt

curl -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/reasoningEngines" \
  -d "{
    \"displayName\": \"Dockerfile agent\",
    \"spec\": {
      \"sourceCodeSpec\": {
        \"inlineSource\": {
          \"sourceArchive\": \"$(base64 < /tmp/source.tar.gz | tr -d '\n')\"
        },
        \"imageSpec\": {}
      }
    }
  }"

La requête renvoie une Operation de longue durée qui se résout en ressource ReasoningEngine déployée une fois la compilation et le déploiement du conteneur terminés.

Image de conteneur

Pour effectuer un déploiement à partir d'une image de conteneur, suivez d'abord les instructions de configuration de la section Utiliser votre propre conteneur pour créer et transférer votre image vers Artifact Registry. Si vous utilisez le SDK Agent Platform pour créer l'instance Agent Platform, veillez à installer une version de google-cloud-aiplatform satisfaisant >=1.144. L'image de conteneur doit écouter les requêtes HTTP sur 0.0.0.0 sur le port 8080 et respecter le contrat d'exécution.

Vous pouvez utiliser cette méthode de déploiement avec n'importe quel langage.

Les exemples suivants montrent un Dockerfile pour créer une image de conteneur qui écoute sur 0.0.0.0:8080 :

Python

FROM python:3.13-slim
WORKDIR /app

COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt

COPY . .

EXPOSE 8080

# Start an ADK API server or custom FastAPI server on 0.0.0.0:8080:
CMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "8080"]

Go

FROM golang:1.24 AS builder
WORKDIR /app

COPY go.mod go.sum ./
RUN go mod download

COPY . .
RUN CGO_ENABLED=0 GOOS=linux GOARCH=amd64 go build -o /app/server .

FROM gcr.io/distroless/static-debian12
WORKDIR /app
COPY --from=builder /app/server /app/server

EXPOSE 8080

# For an ADK Go agent using the built-in launcher:
# CMD ["/app/server", "web", "-host", "0.0.0.0", "-port", "8080", "agentengine"]
# For a custom Go HTTP server listening on 0.0.0.0:8080:
CMD ["/app/server"]

TypeScript

FROM node:22-slim
WORKDIR /app

COPY package*.json ./
RUN npm ci

COPY . .
RUN npm run build

EXPOSE 8080

# For an ADK TypeScript agent (with @google/adk-devtools in package.json):
# CMD ["npx", "adk", "api_server", "/app/agents/my_agent", "--host=0.0.0.0", "--port=8080"]
# For a custom Node.js HTTP server listening on 0.0.0.0:8080:
CMD ["node", "dist/index.js"]

Java

FROM maven:3.9-eclipse-temurin-17
WORKDIR /app

COPY pom.xml .
COPY src ./src
RUN mvn package -DskipTests

EXPOSE 8080

# For an ADK Java agent using AdkWebServer (set --server.address=0.0.0.0):
# CMD ["sh", "-c", "mvn exec:java -Dexec.mainClass=com.google.adk.web.AdkWebServer -Dexec.args='--server.address=0.0.0.0 --server.port=${PORT:-8080} --adk.agents.source-dir=.'"]
# For a packaged Java HTTP server JAR listening on 0.0.0.0:8080:
CMD ["java", "-jar", "target/app.jar"]

Si votre conteneur implémente les points de terminaison de routage du contrat d'exécution (/api/reasoning_engine et /api/stream_reasoning_engine, que le lanceur ADK Go agentengine expose également), déclarez les opérations compatibles dans class_methods (ou spec.classMethods dans REST) afin de pouvoir appeler l'agent via des requêtes query et streamQuery standards. Si votre conteneur exécute le serveur d'API ADK (tel que npx adk api_server pour TypeScript ou AdkWebServer pour Java), appelez ses points de terminaison /run et /run_sse via le proxy d'API sous-jacent (/api/run et /api/run_sse).

Après avoir créé et transféré votre image de conteneur vers Artifact Registry, déployez l'agent à l'aide du SDK Agent Platform, de l'API REST ou de Terraform :

SDK Agent Platform

remote_agent = client.runtimes.create(
    config={
        "container_spec": {
            "image_uri": "CONTAINER_IMAGE_URI",
        },
        # Optional: declare class_methods if your container implements /api/reasoning_engine or /api/stream_reasoning_engine
        # "class_methods": class_methods,
        # Other optional configs
        "display_name": "Container image agent",
    },
)

Où CONTAINER_IMAGE_URI correspond à l'URI de l'image de conteneur dans Artifact Registry (par exemple, us-central1-docker.pkg.dev/my-project/my-repo/my-image:tag).

Une fois déployé, remote_agent correspond à votre agent exécuté sur Agent Platform et peut être interrogé ou supprimé.

L'objet remote_agent correspond à une classe AgentRuntime qui contient les éléments suivants :

REST

Envoyez une requête POST à la méthode reasoningEngines.create :

curl -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/reasoningEngines" \
  -d '{
    "displayName": "Container image agent",
    "spec": {
      "containerSpec": {
        "imageUri": "CONTAINER_IMAGE_URI"
      }
    }
  }'

Où CONTAINER_IMAGE_URI correspond à l'URI de l'image de conteneur dans Artifact Registry (par exemple, us-central1-docker.pkg.dev/my-project/my-repo/my-image:tag). La requête renvoie une opération de longue durée Operation qui se résout en ressource ReasoningEngine déployée une fois le déploiement terminé.

SDK Agent Platform

Pour déployer l'agent sur Agent Platform, utilisez client.runtimes.create pour transmettre l'objet local_agent ainsi que toutes les configurations facultatives :

remote_agent = client.runtimes.create(
    agent=local_agent,                                  # Optional.
    config={
        "requirements": requirements,                   # Optional.
        "extra_packages": extra_packages,               # Optional.
        "gcs_dir_name": gcs_dir_name,                   # Optional.
        "display_name": display_name,                   # Optional.
        "description": description,                     # Optional.
        "labels": labels,                               # Optional.
        "env_vars": env_vars,                           # Optional.
        "build_options": build_options,                 # Optional.
        "identity_type": identity_type,                 # Optional.
        "service_account": service_account,             # Optional.
        "min_instances": min_instances,                 # Optional.
        "max_instances": max_instances,                 # Optional.
        "resource_limits": resource_limits,             # Optional.
        "container_concurrency": container_concurrency, # Optional
        "encryption_spec": encryption_spec,             # Optional.
        "agent_framework": agent_framework,             # Optional.
    },
)

Le déploiement prend quelques minutes, pendant lesquelles les étapes suivantes se déroulent en arrière-plan :

  1. Un ensemble des artefacts suivants est généré localement :
  2. Le bundle est importé dans Cloud Storage (dans le dossier correspondant) pour la préproduction des artefacts.
  3. Les URI Cloud Storage des artefacts respectifs sont spécifiés dans PackageSpec.
  4. Le service Agent Runtime reçoit la requête, crée des conteneurs et lance des serveurs HTTP sur le backend.

La latence de déploiement dépend du temps total nécessaire à l'installation des packages requis. Une fois déployé, remote_agent correspond à une instance de local_agent qui s'exécute sur Agent Platform et peut être interrogée ou supprimée.

L'objet remote_agent correspond à une classe AgentRuntime qui contient les éléments suivants :

Facultatif : Obtenir l'ID de ressource de l'agent

Chaque agent déployé possède un identifiant unique. Vous pouvez exécuter la commande suivante pour obtenir le nom de ressource de votre agent déployé :

remote_agent.api_resource.name

La réponse doit ressembler à la chaîne suivante :

"projects/PROJECT_NUMBER/locations/LOCATION/reasoningEngines/RESOURCE_ID"

Où :

  • PROJECT_ID est l'ID du projet Google Cloud dans lequel l'agent déployé s'exécute.

  • LOCATION est la région dans laquelle l'agent déployé s'exécute.

  • RESOURCE_ID est l'ID de l'agent déployé en tant que ressource reasoningEngine.

Facultatif : Lister les opérations compatibles

Chaque agent déployé dispose d'une liste d'opérations compatibles. Vous pouvez utiliser AgentRuntime.operation_schemas pour obtenir la liste des opérations compatibles avec l'agent déployé :

remote_agent.operation_schemas()

Le schéma de chaque opération est un dictionnaire qui documente les informations d'une méthode pour l'agent que vous pouvez appeler. L'ensemble des opérations compatibles dépend du framework que vous avez utilisé pour développer votre agent :

Facultatif : Accorder des autorisations à l'agent déployé

Si l'agent déployé doit disposer d'autorisations supplémentaires, suivez les instructions de la section Configurer l'identité et les autorisations de votre agent.

Facultatif : Déployer des agents avec une infrastructure d'entreprise

Pour déployer votre agent avec un environnement complet incluant des couches de sécurité et de gouvernance, copiez et personnalisez les modèles Application Design Center suivants :

Étapes suivantes

Guide

Découvrez comment gérer les agents déployés sur l'environnement d'exécution géré Agent Platform.

Guide

Utiliser un agent avec Agent Platform Runtime