Bots mit der Vertex AI Agent Engine entwickeln und bereitstellen

Auf dieser Seite wird gezeigt, wie Sie mit den folgenden Agent-Frameworks einen Agenten erstellen und bereitstellen, der den Wechselkurs zwischen zwei Währungen an einem bestimmten Datum zurückgibt:

Hinweise

  1. Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

  2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Go to project selector

  3. Make sure that billing is enabled for your Google Cloud project.

  4. Enable the Vertex AI and Cloud Storage APIs.

    Enable the APIs

    5.

  5. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Go to project selector

  6. Make sure that billing is enabled for your Google Cloud project.

  7. Enable the Vertex AI and Cloud Storage APIs.

    Enable the APIs

    8.

Bitten Sie Ihren Administrator, Ihnen die folgenden IAM-Rollen für Ihr Projekt zuzuweisen, um die Berechtigungen zu erhalten, die Sie zur Verwendung der Vertex AI-Agent Engine benötigen:

Weitere Informationen zum Zuweisen von Rollen finden Sie unter Zugriff auf Projekte, Ordner und Organisationen verwalten.

Sie können die erforderlichen Berechtigungen auch über benutzerdefinierte Rollen oder andere vordefinierte Rollen erhalten.

Vertex AI SDK für Python installieren und initialisieren

  1. Führen Sie den folgenden Befehl aus, um das Vertex AI SDK for Python und andere erforderliche Pakete zu installieren:

    ADK 

    pip install --upgrade --quiet google-cloud-aiplatform[agent_engines,adk]

    LangGraph 

    pip install --upgrade --quiet google-cloud-aiplatform[agent_engines,langchain]

    LangChain 

    pip install --upgrade --quiet google-cloud-aiplatform[agent_engines,langchain]

    AG2 

    pip install --upgrade --quiet google-cloud-aiplatform[agent_engines,ag2]

    LlamaIndex 

    pip install --upgrade --quiet google-cloud-aiplatform[agent_engines,llama_index]

  2. Als Nutzer authentifizieren

    Colab

    Führen Sie den folgenden Code aus:

    from google.colab import auth

auth.authenticate_user(project_id="PROJECT_ID")

    Cloud Shell

    Es sind keine weiteren Schritte erforderlich.

    Lokale Shell

    Führen Sie dazu diesen Befehl aus:

    gcloud auth application-default login

  3. Führen Sie den folgenden Code aus, um die Vertex AI-Agent-Engine zu importieren und das SDK zu initialisieren:

    import vertexai
from vertexai import agent_engines

vertexai.init(
    project="PROJECT_ID",               # Your project ID.
    location="LOCATION",                # Your cloud region.
    staging_bucket="gs://BUCKET_NAME",  # Your staging bucket.
)

Agent entwickeln

Entwickeln Sie zuerst ein Tool:

def get_exchange_rate(
    currency_from: str = "USD",
    currency_to: str = "EUR",
    currency_date: str = "latest",
):
    """Retrieves the exchange rate between two currencies on a specified date."""
    import requests

    response = requests.get(
        f"https://api.frankfurter.app/{currency_date}",
        params={"from": currency_from, "to": currency_to},
    )
    return response.json()

Als Nächstes instanziieren Sie einen Agenten:

ADK 

from google.adk.agents import Agent
from vertexai.preview.reasoning_engines import AdkApp

agent = Agent(
    model="gemini-2.0-flash",
    name='currency_exchange_agent',
    tools=[get_exchange_rate],
)

app = AdkApp(agent=agent)

LangGraph 

from vertexai import agent_engines

agent = agent_engines.LanggraphAgent(
    model="gemini-2.0-flash",
    tools=[get_exchange_rate],
    model_kwargs={
        "temperature": 0.28,
        "max_output_tokens": 1000,
        "top_p": 0.95,
    },
)

LangChain 

from vertexai import agent_engines

agent = agent_engines.LangchainAgent(
    model="gemini-2.0-flash",
    tools=[get_exchange_rate],
    model_kwargs={
        "temperature": 0.28,
        "max_output_tokens": 1000,
        "top_p": 0.95,
    },
)

AG2 

from vertexai import agent_engines

agent = agent_engines.AG2Agent(
    model="gemini-2.0-flash",
    runnable_name="Get Exchange Rate Agent",
    tools=[get_exchange_rate],
)

LlamaIndex 

from vertexai.preview import reasoning_engines

def runnable_with_tools_builder(model, runnable_kwargs=None, **kwargs):
    from llama_index.core.query_pipeline import QueryPipeline
    from llama_index.core.tools import FunctionTool
    from llama_index.core.agent import ReActAgent

    llama_index_tools = []
    for tool in runnable_kwargs.get("tools"):
        llama_index_tools.append(FunctionTool.from_defaults(tool))
    agent = ReActAgent.from_tools(llama_index_tools, llm=model, verbose=True)
    return QueryPipeline(modules = {"agent": agent})

agent = reasoning_engines.LlamaIndexQueryPipelineAgent(
    model="gemini-2.0-flash",
    runnable_kwargs={"tools": [get_exchange_rate]},
    runnable_builder=runnable_with_tools_builder,
)

Testen Sie den Agenten abschließend lokal:

ADK 

for event in app.stream_query(
    user_id="USER_ID",
    message="What is the exchange rate from US dollars to SEK today?",
):
    print(event)

Dabei ist USER_ID eine benutzerdefinierte ID mit einer Zeichenbeschränkung von 128.

LangGraph 

agent.query(input={"messages": [
    ("user", "What is the exchange rate from US dollars to SEK today?"),
]})

LangChain 

agent.query(
    input="What is the exchange rate from US dollars to SEK today?"
)

AG2 

agent.query(
    input="What is the exchange rate from US dollars to SEK today?"
)

LlamaIndex 

agent.query(
    input="What is the exchange rate from US dollars to SEK today?"
)

Agent bereitstellen

So stellen Sie den Agenten bereit:

ADK 

from vertexai import agent_engines

remote_agent = agent_engines.create(
    app,
    requirements=["google-cloud-aiplatform[agent_engines,adk]"],
)

LangGraph 

from vertexai import agent_engines

remote_agent = agent_engines.create(
    agent,
    requirements=["google-cloud-aiplatform[agent_engines,langchain]"],
)

LangChain 

from vertexai import agent_engines

remote_agent = agent_engines.create(
    agent,
    requirements=["google-cloud-aiplatform[agent_engines,langchain]"],
)

AG2 

from vertexai import agent_engines

remote_agent = agent_engines.create(
    agent,
    requirements=["google-cloud-aiplatform[agent_engines,ag2]"],
)

LlamaIndex 

from vertexai import agent_engines

remote_agent = agent_engines.create(
    agent,
    requirements=["google-cloud-aiplatform[agent_engines,llama_index]"],
)

Dadurch wird eine reasoningEngine-Ressource in Vertex AI erstellt.

Kundenservicemitarbeiter verwenden

Testen Sie den bereitgestellten Agenten, indem Sie eine Anfrage senden:

ADK 

for event in remote_agent.stream_query(
    user_id="USER_ID",
    message="What is the exchange rate from US dollars to SEK today?",
):
    print(event)

LangGraph 

remote_agent.query(input={"messages": [
    ("user", "What is the exchange rate from US dollars to SEK today?"),
]})

LangChain 

remote_agent.query(
    input="What is the exchange rate from US dollars to SEK today?"
)

AG2 

remote_agent.query(
    input="What is the exchange rate from US dollars to SEK today?"
)

LlamaIndex 

remote_agent.query(
    input="What is the exchange rate from US dollars to SEK today?"
)

Bereinigen

Mit den folgenden Schritten vermeiden Sie, dass Ihrem Google Cloud -Konto die in dieser Anleitung verwendeten Ressourcen in Rechnung gestellt werden: 

remote_agent.delete(force=True)

Nächste Schritte