本文档提供了一个高级架构，用于构建一个值得信赖且有效的智能体 AI 系统，该系统以 Google Maps Platform 和 Google 日历中的真实世界情境数据为基础。该系统会根据用户在提示中指明的位置制定旅行计划。该计划会考虑用户的日程安排、位置的地理位置、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，您可以使用该 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 系统为用户在一天内想要游览的位置生成旅行计划。用户通过聊天界面与应用互动。编排器智能体会通过调用专业智能体来收集必要的信息，然后创建每日计划。智能体在 Gemini Enterprise 中运行，其推理以 Google Maps Platform 和日历中的真实世界数据为基础。
上图中显示的架构包含以下组件：
Gemini Enterprise：架构的核心组件。 它托管智能体 AI 系统，该系统包含以下智能体：
- 编排器智能体：通过聊天界面接收用户请求， 解读目标，然后与专业智能体协调以 满足请求。
- 地点智能体：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计划任务，例如 确保有足够的时间前往所需地点。
- 日程智能体：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。
此架构中的所有智能体都是使用智能体开发套件 (ADK) 构建的。智能体在 Gemini Enterprise Agent Platform 上的智能体运行时中运行，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: 向地点智能体和路线智能体提供来自 Google Maps Platform 的真实世界地理位置情境。
- 地点数据分析： 提供来自 Google Maps Platform 的深入的特定地点分析和信息，帮助智能体根据会议类型创建适当的工件。
- 日历：使日程智能体能够访问和管理 日历活动。
可观测性：此组件支持监控和调试智能体 操作。
- 智能体事件记录在 Cloud Logging 中，并发布到 Firestore 数据库。
- 该架构包含一个事件查看器应用，该应用以 Cloud Run 服务的形式部署。管理员可以使用此应用监控记录的事件，并查看智能体的思考流程和操作，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：一个提供地图、路线规划和地点搜索 服务的平台。
- Google 日历：一个供团队和个人管理日程安排和活动的工具。
- Gemini Enterprise：一个完全托管的安全平台，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 智能体的工具和库。
- 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
以下是此架构的使用场景示例：
自动化的企业差旅规划：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) 智能体检索峰会地址和参会者名单。
- 日程智能体在旅行者的日历中安排会议。 最终输出是完整的行程。
智能现场服务调度：客户报告服务中断。
- CRM 智能体识别客户的合同和位置。
- 旅行智能体查找最近的可用技术人员并优化其行程路线。
- 日程智能体预订服务预约。
物流和供应链协调：物流经理需要 因天气事件而重定向货件。
- 物流智能体使用 Google Maps Platform 监控实时路况和天气。
- 物流智能体查找替代路线和仓库
- CRM 智能体通知客户修订后的货件时间表。
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，为每个智能体提供执行任务所需的 最小访问权限。严格定义每个智能体可以访问的工具和数据。例如，将日程智能体配置为仅读取或写入特定日历。
- 可靠性：针对关键任务（例如预订不可退款的机票）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，为智能体决策创建清晰的审核跟踪记录。
- 性能：此架构中的模块化 多智能体协调器模式 有助于通过使专业 智能体能够并行工作来提高性能。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：通过严格限定每个智能体的任务范围来管理费用，以防止出现 开放式或不必要的查询。通过为常用路线或热门地点等经常请求的数据使用缓存来减少 API 调用。
- 治理：建立强大的治理机制，为每个智能体明确角色 并制定数据处理指南。使用包含持续监控的迭代开发流程。此流程有助于改进智能体的行为，并有助于确保该行为符合业务要求。
在为智能体 AI 工作负载设计架构时，请考虑 Well-Architected Framework：AI 和机器学习视角中的最佳 实践和建议 Google Cloud 。
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 地图接地构建行程规划智能体”中的说明进行操作。 该 Codelab 将引导您完成整个部署过程，包括以下任务：
- 启用必要 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情境。
- 通过网页界面运行和测试智能体。
后续步骤
- 详细了解如何依托 Google 地图进行接地。
- 详细了解 Gemini Enterprise。
- 如需查看更多参考架构、图表和最佳实践，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 | 开发技术推广经理