Desarrolla e implementa agentes en Vertex AI Agent Engine

En esta página, se muestra cómo crear e implementar un agente que devuelva la tasa de cambio entre dos monedas en una fecha especificada con los siguientes frameworks de agentes:

Antes de comenzar

  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.

Para obtener los permisos que necesitas para usar el motor de agentes de Vertex AI, pídele a tu administrador que te otorgue los siguientes roles de IAM en tu proyecto:

Para obtener más información sobre cómo otorgar roles, consulta Administra el acceso a proyectos, carpetas y organizaciones.

También puedes obtener los permisos necesarios mediante roles personalizados o cualquier otro rol predefinido.

Instala e inicializa el SDK de Vertex AI para Python

  1. Ejecuta el siguiente comando para instalar el SDK de Vertex AI para Python y otros paquetes necesarios:

    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. Autentícate como usuario

    Colab

    Ejecuta el siguiente código:

    from google.colab import auth

auth.authenticate_user(project_id="PROJECT_ID")

    Cloud Shell

    No se requiere ninguna acción.

    Shell local

    Ejecuta el siguiente comando:

    gcloud auth application-default login

  3. Ejecuta el siguiente código para importar Vertex AI Agent Engine y, luego, inicializar el SDK:

    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.
)

Desarrolla un agente

Primero, desarrolla una herramienta:

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()

A continuación, crea una instancia de un agente:

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,
)

Por último, prueba el agente de forma local:

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)

en el que USER_ID es un ID definido por el usuario con un límite de 128 caracteres.

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?"
)

Implementa un agente

Para implementar el agente, haz lo siguiente:

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]"],
)

Esto crea un recurso reasoningEngine en Vertex AI.

Usa un agente

Para probar el agente implementado, envía una consulta:

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?"
)

Limpia

Para evitar que se apliquen cargos a tu cuenta de Google Cloud por los recursos que usaste en esta página, sigue estos pasos. 

remote_agent.delete(force=True)

¿Qué sigue?