Google 会使用 AI 技术将内容翻译成您偏好的语言。AI 翻译可能包含错误。

部署代理

在 Agent Runtime 上部署智能体后，该智能体即可远程处理请求。本文档介绍了根据您的开发工作流部署代理的各种方式：从执行对象、本地源文件、Dockerfile、托管在 Artifact Registry 中的容器映像，或直接通过关联的 Git 代码库进行部署。

如需在 Agent Runtime 上部署代理，请选择以下方法之一：

Developer Connect

建议用于通过 Developer Connect 关联的 Git 代码库中管理的项目。此方法可直接从源代码简化代理部署，并原生支持版本控制、团队协作和 CI/CD 流水线。在使用此方法之前，请按照设置 Developer Connect Git 代码库链接中的说明设置 Git 代码库链接。

您只能将此部署方法与 Python 搭配使用。

源文件

非常适合 CI/CD 流水线和 Terraform 等基础设施即代码工具等自动化工作流，可实现完全声明式和自动化部署。它直接从本地源代码部署代理，不需要 Cloud Storage 存储桶。

您只能将此部署方法与 Python 搭配使用。

Dockerfile

类似于从源文件进行部署。您可以直接从本地源代码部署代理，而无需使用 Cloud Storage 存储桶。如果您需要定义并控制所部署的 API 服务器，则此方法非常适合。已部署的容器必须遵循运行时合同。

您可以使用此部署方法搭配任何语言。本页面上的示例使用 Python。

容器映像

与从 Dockerfile 部署类似。您部署了托管在 Artifact Registry 中的容器映像。如果您需要控制容器映像的构建流程并缩短部署延迟时间，请使用此方法。容器映像必须遵循运行时合同。

您可以使用此部署方法搭配任何语言。本页面上的示例使用 Python。

Agent Platform SDK

非常适合在 Colab 等环境中进行交互式开发，可用于部署内存中的 local_agent 对象。此方法最适合结构不包含复杂且不可序列化组件的代理。

如需开始使用，请按以下步骤操作：

前提条件

在部署智能体之前，请确保您已完成以下任务：

可选：配置智能体以进行部署

您可以为智能体进行可选配置。本部分中的示例使用 Python。

定义软件包要求

注意：对于从源文件进行的部署，您无需使用 requirements 参数。请改为直接在源代码包中添加 requirements.txt 文件。您可以在创建 Agent Platform 实例时在 requirements_file 参数中指定此文件的路径。

提供部署智能体所需的软件包集。软件包集可以是 pip 要安装的项的列表，也可以是遵循文件格式要求的文件的路径。请遵循以下最佳实践：

固定软件包版本，以实现版本可重现性。需要跟踪的常见软件包包括：google-cloud-aiplatform、cloudpickle、langchain、langchain-core、langchain-google-vertexai 和 pydantic。
尽可能减少智能体中的依赖项数量。这可以减少更新依赖项和智能体时发生的破坏性更改的数量。

如果智能体没有任何依赖项，则可以将 requirements 设置为 None：

requirements = None

如果智能体使用框架特定模板，应在开发智能体时指定所导入的 SDK 版本（例如 1.112.0）。

ADK

requirements = [
    "google-cloud-aiplatform[agent_engines,adk]",
    # any other dependencies
]

A2A

requirements = [
    "google-cloud-aiplatform[agent_engines]",
    "google-adk[a2a]",
    # any other dependencies
]

LangChain

requirements = [
    "google-cloud-aiplatform[agent_engines,langchain]",
    # any other dependencies
]

LangGraph

requirements = [
    "google-cloud-aiplatform[agent_engines,langgraph]",
    # any other dependencies
]

AG2

requirements = [
    "google-cloud-aiplatform[agent_engines,ag2]",
    # any other dependencies
]

LlamaIndex

以下说明适用于 LlamaIndex 查询流水线：

requirements = [
    "google-cloud-aiplatform[agent_engines,llama_index]",
    # any other dependencies
]

您还可以使用软件包 requirements 执行以下操作：

为给定软件包（例如 google-cloud-aiplatform）设置版本上限或固定版本：

  requirements = [
      # See https://pypi.org/project/google-cloud-aiplatform for the latest version.
      "google-cloud-aiplatform[agent_engines,adk]==1.112.0",
  ]

添加其他软件包和限制条件：

  requirements = [
      "google-cloud-aiplatform[agent_engines,adk]==1.112.0",
      "cloudpickle==3.0", # new
  ]

指向 GitHub 分支或拉取请求中的软件包版本：

  requirements = [
      "google-cloud-aiplatform[agent_engines,adk] @ git+https://github.com/googleapis/python-aiplatform.git@BRANCH_NAME", # new
  ]

在文件（例如 path/to/requirements.txt）中维护要求列表：
```
  requirements = "path/to/requirements.txt"
  
```
其中，path/to/requirements.txt 是遵循文件格式要求的文本文件。例如：
```
  google-cloud-aiplatform[agent_engines,adk]
  cloudpickle==3.0
  
```

定义其他软件包

注意：仅当从代理对象进行部署时，才会使用 extra_packages 参数。

您可以添加包含本地所需 Python 源文件的本地文件或目录。与软件包要求相比，这让您可以使用自己开发的未在 PyPI 或 GitHub 上提供的私有实用程序。

如果智能体不需要任何额外的软件包，则可以将 extra_packages 设置为 None：

extra_packages = None

您还可以使用 extra_packages 执行以下操作：

添加单个文件（例如 agents/agent.py）：

  extra_packages = ["agents/agent.py"]

添加整个目录（例如 agents/）中的一组文件：

  extra_packages = ["agents"] # directory that includes agents/agent.py

指定 Python wheel 二进制文件（例如 path/to/python_package.whl）：

  requirements = [
      "google-cloud-aiplatform[agent_engines,adk]",
      "cloudpickle==3.0",
      "python_package.whl",  # install from the whl file that was uploaded
  ]
  extra_packages = ["path/to/python_package.whl"]  # bundle the whl file for uploading

定义环境变量

如果您的智能体依赖于某些环境变量，则可以在 env_vars= 参数中指定这些变量。如果智能体不依赖于任何环境变量，则可以将其设置为 None：

env_vars = None

如果您将 Secret 用作环境变量，并使用配置为使用代理身份的代理，请向代理平台服务代理授予 secretmanager.versions.access 权限（包含在 roles/secretmanager.secretAccessor 角色中），该服务代理的格式如下：

service-PROJECT_NUMBER@gcp-sa-aiplatform.

您配置的代理身份在运行时使用，但在部署期间，系统会使用 Agent Platform Service 代理来提取密钥。添加的权限允许服务代理在部署过程中从 Secret Manager 检索 Secret 值。

警告：不应设置以下环境变量：GOOGLE_CLOUD_PROJECT、GOOGLE_CLOUD_QUOTA_PROJECT、GOOGLE_CLOUD_LOCATION、PORT、K_SERVICE、K_REVISION、K_CONFIGURATION 和 GOOGLE_APPLICATION_CREDENTIALS。此外，您应避免使用 GOOGLE_CLOUD_AGENT_ENGINE 前缀，以免与 Agent Runtime 环境变量发生命名冲突。

如需指定环境变量，您可以使用以下几种不同的方法：

字典

env_vars = {
  "VARIABLE_1": "VALUE_1",
  "VARIABLE_2": "VALUE_2",
}
# These environment variables will become available in Agent Platform
# through `os.environ`, e.g.
#
#   import os
#   os.environ["VARIABLE_1"] # will have the value "VALUE_1"
#
# and
#
#   os.environ["VARIABLE_2"] # will have the value "VALUE_2"
#

如需引用 Secret Manager 中的某个 Secret 并将其作为环境变量（例如 CLOUD_SQL_CREDENTIALS_SECRET）提供，请先按照说明在您的项目中为 CLOUD_SQL_CREDENTIALS_SECRET 创建 Secret，然后再将环境变量指定为：

env_vars = {
  # ... (other environment variables and their values)
  "CLOUD_SQL_CREDENTIALS_SECRET": {"secret": SECRET_ID, "version": SECRET_VERSION_ID},
}

其中

SECRET_VERSION_ID 是相应 Secret 版本的 ID。
SECRET_ID 是相应 Secret 的 ID。

在您的智能体代码中，您可以按如下方式引用 Secret：

secret = os.environ.get("CLOUD_SQL_CREDENTIALS_SECRET")
if secret:
  # Secrets are stored as strings, so use json.loads to parse JSON
  # payloads.
  return json.loads(secret)

列表

env_vars = ["VARIABLE_1", "VARIABLE_2"]
# This corresponds to the following code snippet:
#
#   import os
#
#   env_vars = {
#     "VARIABLE_1": os.environ["VARIABLE_1"],
#     "VARIABLE_2": os.environ["VARIABLE_2"],
#   }

您还需要按照为智能体设置身份和权限中的说明，向智能体授予 Secret Manager Secret Accessor (roles/secretmanager.secretAccessor) 权限。

定义自定义资源控制

您可以为智能体指定运行时资源控制，例如应用实例数下限和上限、每个容器的资源限制以及每个容器的并发数。

min_instances：始终保持运行的应用实例数下限，范围为 [0, 10]。默认值为 1。

注意：此功能目前为预览版，即使您配置了较高的实例数下限，也无需为智能体处于空闲状态的时间付费。此结算行为将来可能会发生变化。
max_instances：可以启动来处理增加的流量的应用实例数上限，范围为 [1, 1000]。默认值为 100。如果启用了 VPC-SC 或 PSC-I，则可接受的范围为每个 Agent Platform 资源 [1, 100]。
resource_limits：每个容器的资源限制。仅支持 cpu 和 memory 键。默认值为 {"cpu": "4", "memory": "4Gi"}。
- cpu 仅支持以下值：1、2、4、6 和 8。如需了解详情，请参阅配置 CPU 分配。
- memory 仅支持以下值：1Gi、2Gi、… 32Gi。
- 如需了解不同内存值对应的所需 CPU，请参阅配置内存限制。
container_concurrency：每个容器和智能体服务器的并发数。建议值为 2 * cpu + 1。默认值为 9。

remote_agent = client.runtimes.create(
    agent=local_agent,
    config={
        "min_instances": 1,
        "max_instances": 10,
        "resource_limits": {"cpu": "4", "memory": "8Gi"},
        "container_concurrency": 9,
        # ... other configs
    }
)

如需了解如何优化运行时资源方面的最佳实践，请参阅优化和扩缩 Agent Runtime。

定义版本选项

您可以为智能体指定版本选项，例如在构建智能体的容器映像时要运行的安装脚本。这对于安装系统依赖项（例如 gcloud cli、npx）或进行其他自定义设置非常有用。脚本以 root 权限运行。

如需使用安装脚本，请创建一个名为 installation_scripts 的目录，并将 Shell 脚本放置在该目录中：

.
├── ...
└── installation_scripts/
    └── install.sh

接下来，在 extra_packages 中指定 installation_scripts 目录，并在 build_options 中指定脚本路径：

extra_packages = [..., "installation_scripts/install.sh"]
build_options = {"installation_scripts": ["installation_scripts/install.sh"]}

您可以使用以下常用安装脚本之一：

install_npx.sh

#!/bin/bash

# Exit immediately if a command exits with a non-zero status.
set -e

echo "--- Installing System-Wide Node.js v20.x ---"

# 1. Install prerequisites
apt-get update
apt-get install -y ca-certificates curl gnupg

# 2. Add the NodeSource repository GPG key
mkdir -p /etc/apt/keyrings
curl -fsSL https://deb.nodesource.com/gpgkey/nodesource-repo.gpg.key | gpg --dearmor -o /etc/apt/keyrings/nodesource.gpg

# 3. Add the NodeSource repository for Node.js v20
NODE_MAJOR=20
echo "deb [signed-by=/etc/apt/keyrings/nodesource.gpg] https://deb.nodesource.com/node_$NODE_MAJOR.x nodistro main" | tee /etc/apt/sources.list.d/nodesource.list

# 4. Update package lists again and install Node.js
apt-get update
apt-get install nodejs -y

echo "--- System-wide Node.js installation complete ---"
echo "Verifying versions:"

# These commands will now work for ANY user because node and npx
# are installed in /usr/bin/ which is in everyone's default PATH.
node -v
npm -v
npx -v

install_uvx.sh

#!/bin/bash

# Exit immediately if a command exits with a non-zero status.
set -e

echo "Starting setup..."

# Install uv
apt-get update
apt-get install -y curl
curl -LsSf https://astral.sh/uv/install.sh | env UV_INSTALL_DIR="/usr/local/bin" sh

# These commands will now work for ANY user because uv and uvx
# are installed in /usr/local/bin/ which is in everyone's default PATH.
uv --version
uvx --version

install_gcloud_cli.sh

#!/bin/bash

# Exit immediately if a command exits with a non-zero status.
set -e

apt-get install -y curl gpg
curl https://packages.cloud.google.com/apt/doc/apt-key.gpg | gpg --dearmor -o /usr/share/keyrings/cloud.google.gpg
echo "deb [signed-by=/usr/share/keyrings/cloud.google.gpg] https://packages.cloud.google.com/apt cloud-sdk main" | tee -a /etc/apt/sources.list.d/google-cloud-sdk.list
apt-get update -y && apt-get install google-cloud-cli -y

gcloud --version

定义代理框架

您可以指定代理使用的代理框架：

agent_framework = "google-adk"

支持的值如下：

如果您从代理对象进行部署，则在未指定 agent_framework 的情况下，系统会自动检测该值。如果您要从源文件进行部署，agent_framework 默认为 `custom`。

定义 Cloud Storage 文件夹

注意：只有在从代理对象进行部署时，才会使用 gcs_dir_name 参数。

如果暂存制品与 Cloud Storage 存储桶中的现有文件夹相对应，则会被覆盖。如有必要，您可以为暂存制品指定 Cloud Storage 文件夹。如果您不介意可能会覆盖默认文件夹中的文件，则可以将 gcs_dir_name 设置为 None：

gcs_dir_name = None

为避免覆盖文件（例如针对开发、暂存和生产等不同环境），您可以设置相应的文件夹，指定用于暂存制品的文件夹：

gcs_dir_name = "dev" # or "staging" or "prod"

如果您想要或需要避免冲突，可以生成随机 uuid：

import uuid
gcs_dir_name = str(uuid.uuid4())

定义显示名称

您可以为 ReasoningEngine 资源设置显示名称：

display_name = "Currency Exchange Rate Agent (Staging)"

定义说明

您可以设置 ReasoningEngine 资源的说明：

description = """
An agent that has access to tools for looking up the exchange rate.

If you run into any issues, please contact the dev team.
"""

定义标签

您可以将 ReasoningEngine 资源的标签设置为键值字符串对的字典。下面给出了一个示例：

labels = {"author": "username", "version": "latest"}

配置默认代理身份

您可以在创建代理时，为部署到 Agent Platform 的代理预配唯一身份。身份与代理平台的代理资源 ID 相关联，并且与您用于开发代理的代理框架无关：

identity_type=AGENT_IDENTITY

如需了解详情，请参阅创建具有代理身份的代理。

配置自定义服务账号

您可以将自定义服务账号配置为所部署的代理的身份，而不是代理身份或默认身份。

为此，请在创建或更新 Agent Platform 实例时，将自定义服务账号的邮箱指定为 service_account，例如：

# Create a new instance
client.runtimes.create(
    agent=local_agent,
    config={
        "service_account": "my-custom-service-account@my-project.",
        # ...
    },
)

# Update an existing instance
resource_name = "projects/{project_id}/locations/{location}/reasoningEngines/{reasoning_engine_id}"
client.runtimes.update(
    name=resource_name,
    agent=local_agent,
    config={
        "service_account": "my-new-custom-service-account@my-project.",
        # ...
    },
)

注意：请仅指定服务账号邮箱，而不是完整的资源 URI，例如 projects/{project_id}/serviceAccounts/{service_account_email}。

配置 Private Service Connect 接口

如果您设置了 Private Service Connect 接口和专用 DNS 区域，则可以在部署代理时指定网络连接并创建专用 DNS 对等互连：

remote_agent = client.runtimes.create(
    agent=local_agent,
    config={
        "psc_interface_config": {
            "network_attachment": "NETWORK_ATTACHMENT",
            "dns_peering_configs": [
                {
                    "domain": "DOMAIN_SUFFIX",
                    "target_project": "TARGET_PROJECT",
                    "target_network": "TARGET_NETWORK",
                },
            ],
        },
    },
)

其中

NETWORK_ATTACHMENT 是网络连接的名称或完整路径。如果网络连接时所在的项目（例如共享 VPC 宿主项目）不同于您使用 Agent Platform 时所在的项目，您需要传递网络连接的完整路径。
DOMAIN_SUFFIX 是专用 Cloud DNS 区域的 DNS 名称。
TARGET_PROJECT 是托管 VPC 网络的项目。它可以不同于网络连接项目。
TARGET_NETWORK 是在 `TARGET_PROJECT` 中建立 DNS 对等互连的 VPC 网络名称。

您可以配置多个智能体，以使用单个共享网络连接或唯一的专用网络连接。如需使用共享网络连接，请在 psc_interface_config 中为您创建的每个智能体提供相同的网络连接。

配置客户管理的加密密钥

您可以使用自定义密钥来加密智能体的静态数据。如需了解详情，请参阅 Agent Engine 客户管理的加密密钥 (CMEK)。

如需为智能体配置自定义密钥 (CMEK)，您需要在创建 Agent Platform 实例时向 encryption_spec 参数提供密钥资源名称。

# The fully qualified key name
kms_key_name = "projects/PROJECT_ID/locations/LOCATION/keyRings/KEY_RING/cryptoKeys/KEY_NAME"

remote_agent = client.runtimes.create(
    agent=local_agent,
    config={
        "encryption_spec": {"kms_key_name": kms_key_name},
        # ... other parameters
    },
)

设置 Developer Connect Git 代码库链接

如需使用 Developer Connect 从 Git 代码库进行部署，请按照 Developer Connect 文档创建连接并关联到特定代码库。链接的资源名称在部署期间用作 git_repository_link，并遵循以下格式：projects/PROJECT_ID/locations/LOCATION/connections/CONNECTION_ID/gitRepositoryLinks/REPO_ID。

创建 Agent Platform 实例

本部分介绍如何创建 Agent Platform 实例以部署代理。您可以选择以下方法：

Developer Connect

如需从 Developer Connect 在 Agent Platform 上部署，请使用 client.runtimes.create，并在配置字典中提供 developer_connect_source、entrypoint_module 和 entrypoint_object，以及其他可选配置。此方法可让您直接从关联的 Git 代码库部署代码。

您只能将此部署方法与 Python 搭配使用。

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": "...",
    },
)

Developer Connect 部署的参数如下：

developer_connect_source (dict)：用于提取源代码的配置。如需了解详情，请参阅设置 Developer Connect Git 代码库链接。
- git_repository_link (str)：Developer Connect Git 代码库链接资源名称。
- revision (str)：要提取的修订版本（分支、标记或提交 SHA）。
- dir (str)：代码库中代理代码的根目录。
entrypoint_module (str)：包含代理入口点的 Python 模块名称，相对于 developer_connect_source.dir 中指定的目录。
entrypoint_object (str)：entrypoint_module 中表示代理应用的调用对象名称（例如 root_agent）。
requirements_file (str)：可选：相对于来源根目录的 pip 要求文件的路径。默认值为 requirements.txt。

部署需要几分钟时间完成，在此期间，系统会在后台执行以下步骤：

Agent Runtime 服务从指定的 Git 代码库修订版本中提取源代码。
服务会安装来自 requirements_file（如果提供）的依赖项。
服务使用指定的 entrypoint_module 和 entrypoint_object 启动代理应用。

部署延迟时间取决于安装所需软件包花费的总时间。部署后，remote_agent 对应于在 Agent Platform 上运行的 local_agent 的实例，您可以查询或删除该实例。

remote_agent 对象对应于包含以下内容的 AgentRuntime 类：

包含所部署智能体相关信息的 remote_agent.api_resource。您还可以调用 remote_agent.operation_schemas() 来返回 remote_agent 支持的操作的列表。如需了解详情，请参阅支持的操作。
remote_agent.api_client 允许同步服务交互
允许异步服务交互的 remote_agent.async_api_client

源文件

如需从 Agent Platform 上的源文件进行部署，请使用 client.runtimes.create，并在配置字典中提供 source_packages、entrypoint_module、entrypoint_object 和 class_methods，以及其他可选配置。使用此方法时，您无需传递代理对象或 Cloud Storage 存储桶。

您只能将此部署方法与 Python 搭配使用。

# 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.
    },
)

内嵌来源部署的参数如下：

source_packages (list[str])：要包含在部署中的本地文件或目录路径的列表。source_packages 中的文件和目录的总大小不应超过 8MB。
entrypoint_module (str)：包含代理入口点的完全限定 Python 模块名称（例如 agent_dir.agent）。
entrypoint_object (str)：entrypoint_module 中表示代理应用的调用对象名称（例如 root_agent）。

class_methods (list[dict])：一个字典列表，用于定义代理的公开方法。每个字典都包含 name、api_mode 和可选的 parameters 字段。如需详细了解自定义代理的方法，请参阅列出支持的操作。

例如：

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)：可选：source_packages 中指定的路径内某个 pip 要求文件的路径。默认为打包源代码根目录中的 requirements.txt。

部署需要几分钟时间完成，在此期间，系统会在后台执行以下步骤：

Agent Platform SDK 会创建 source_packages 中指定路径的 tar.gz 归档。
此归档文件经过编码，并直接发送到 Agent Platform API。
Agent Runtime 服务接收归档文件，对其进行提取，从 requirements_file（如果提供）安装依赖项，并使用指定的 entrypoint_module 和 entrypoint_object 启动代理应用。

部署延迟时间取决于安装所需软件包花费的总时间。部署后，remote_agent 对应于在 Agent Platform 上运行的 local_agent 的实例，您可以查询或删除该实例。

remote_agent 对象对应于包含以下内容的 AgentRuntime 类：

包含所部署智能体相关信息的 remote_agent.api_resource。您还可以调用 remote_agent.operation_schemas() 来返回 remote_agent 支持的操作的列表。如需了解详情，请参阅支持的操作。
remote_agent.api_client 允许同步服务交互
允许异步服务交互的 remote_agent.async_api_client

Dockerfile

从 Agent Platform 上的 Dockerfile 进行部署与从源文件进行部署类似，不同之处在于您在配置中使用 image_spec，而不是 entrypoint_module、entrypoint_object 和 requirements_file。根据 Dockerfile 构建的容器必须遵守运行时合约。

您可以使用此部署方法搭配任何语言。本部分中的示例使用 Python。

以下是使用 Dockerfile 部署代理的示例：

# Example file structure:
# /current_directory
#     ├── agent.py
#     ├── main.py
#     ├── requirements.txt
#     ├── 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
        # Other optional configs
        "display_name": "Dockerfile agent",
    }
)

部署延迟时间取决于安装所需软件包花费的总时间。部署后，remote_agent 对应于在 Agent Platform 上运行的 local_agent 的实例，您可以查询或删除该实例。

remote_agent 对象对应于包含以下内容的 AgentRuntime 类：

包含所部署智能体相关信息的 remote_agent.api_resource。您还可以调用 remote_agent.operation_schemas() 来返回 remote_agent 支持的操作的列表。如需了解详情，请参阅支持的操作。
remote_agent.api_client 允许同步服务交互
允许异步服务交互的 remote_agent.async_api_client

容器映像

如需从容器映像进行部署，请先按照自带容器的设置说明操作，确保安装的 google-cloud-aiplatform 版本满足 >=1.144 的要求。容器映像必须遵循运行时合同。

您可以使用此部署方法搭配任何语言。本部分中的示例使用 Python。

以下是使用容器映像部署代理的示例：

remote_agent = client.runtimes.create(
    config={
        "container_spec": {
            "image_uri": "CONTAINER_IMAGE_URI",
        },
        # Other optional configs
        "display_name": "Container image agent",
    },
)

其中，CONTAINER_IMAGE_URI 对应于 Artifact Registry 中容器映像的 URI（例如 us-central1-docker.pkg.dev/my-project/my-repo/my-image:tag）。

部署延迟时间取决于安装所需软件包花费的总时间。部署后，remote_agent 对应于在 Agent Platform 上运行的 local_agent 的实例，您可以查询或删除该实例。

remote_agent 对象对应于包含以下内容的 AgentRuntime 类：

包含所部署智能体相关信息的 remote_agent.api_resource。您还可以调用 remote_agent.operation_schemas() 来返回 remote_agent 支持的操作的列表。如需了解详情，请参阅支持的操作。
remote_agent.api_client 允许同步服务交互
允许异步服务交互的 remote_agent.async_api_client

Agent Platform SDK

如需在 Agent Platform 上部署智能体，请使用 client.runtimes.create 传入 local_agent 对象以及任何可选配置：

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.
    },
)

部署需要几分钟时间完成，在此期间，系统会在后台执行以下步骤：

系统会在本地生成以下制品的软件包：
- *.pkl：与 local_agent 对应的 pickle 文件。
- requirements.txt：包含软件包要求的文本文件。
- dependencies.tar.gz：包含任何额外软件包的 tar 文件。
该软件包会上传到 Cloud Storage（位于相应的文件夹下），用来暂存制品。
各个制品的 Cloud Storage URI 在 PackageSpec 中指定。
Agent Runtime 服务会接收请求，并在后端构建容器并启动 HTTP 服务器。

部署延迟时间取决于安装所需软件包花费的总时间。部署后，remote_agent 对应于在 Agent Platform 上运行的 local_agent 的实例，您可以查询或删除该实例。

remote_agent 对象对应于包含以下内容的 AgentRuntime 类：

包含所部署智能体相关信息的 remote_agent.api_resource。您还可以调用 remote_agent.operation_schemas() 来返回 remote_agent 支持的操作的列表。如需了解详情，请参阅支持的操作。
remote_agent.api_client 允许同步服务交互
允许异步服务交互的 remote_agent.async_api_client

可选：获取智能体资源 ID

每个已部署的智能体都有一个唯一标识符。您可以运行以下命令来获取所部署智能体的资源名称：

remote_agent.api_resource.name

响应应如以下字符串所示：

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

其中

PROJECT_ID 是所部署智能体运行的 Google Cloud 项目 ID。
LOCATION 是所部署智能体运行所在的区域。
RESOURCE_ID 是所部署智能体的 ID，以 reasoningEngine 资源的形式表示。

可选：列出支持的操作

每个已部署的智能体都有一份支持的操作列表。您可以使用 AgentRuntime.operation_schemas 获取已部署的代理支持的操作列表：

remote_agent.operation_schemas()

每个操作的架构都是一个字典，用于记录您可以调用的代理方法的相关信息。支持的操作集取决于您用于开发智能体的框架：

可选：为所部署的智能体授予权限

如果需要向所部署的代理授予任何其他权限，请按照为代理设置身份和权限中的说明操作。

可选：使用企业基础架构部署智能体

如需部署具有完整环境（包括安全层和治理层）的代理，请复制并自定义以下 App Design Center 模板：

后续步骤

指南

管理已部署的智能体

了解如何管理已部署到 Agent Platform 托管运行时的代理。

指南

使用智能体

使用 Agent Platform Runtime 中的代理。

部署代理 使用集合让一切井井有条 根据您的偏好保存内容并对其进行分类。

Developer Connect

源文件

Dockerfile

容器映像

Agent Platform SDK

前提条件

可选：配置智能体以进行部署

定义软件包要求

ADK

A2A

LangChain

LangGraph

AG2

LlamaIndex

定义其他软件包

定义环境变量

字典

列表

定义自定义资源控制

定义版本选项

install_npx.sh

install_uvx.sh

install_gcloud_cli.sh

定义代理框架

定义 Cloud Storage 文件夹

定义显示名称

定义说明

定义标签

配置默认代理身份

配置自定义服务账号

配置 Private Service Connect 接口

配置客户管理的加密密钥

设置 Developer Connect Git 代码库链接

创建 Agent Platform 实例

Developer Connect

源文件

Dockerfile

容器映像

Agent Platform SDK

可选：获取智能体资源 ID

可选：列出支持的操作

可选：为所部署的智能体授予权限

可选：使用企业基础架构部署智能体

后续步骤

管理已部署的智能体

使用智能体

部署代理