如需在 Agent Engine 上部署代理，请执行以下操作：
- （可选）定义软件包要求
- （可选）定义源文件
- （可选）整理 Cloud Storage 目录
- （可选）定义资源元数据
- 创建
AgentEngine实例
准备工作
在部署代理之前，请确保您已完成以下任务：
第 1 步：定义软件包要求
提供代理部署所需的一组软件包。它可以是 pip 要安装的项目的列表，也可以是遵循需求文件格式的文件的路径。
如果代理没有任何依赖项，您可以将其设置为“None”：
requirements = None
如果代理使用特定于框架的模板，您应在开发代理时指定导入的 SDK 版本（例如 1.77.0）。
LangChain
requirements = [
"google-cloud-aiplatform[agent_engines,langchain]",
# any other dependencies
]
LangGraph
requirements = [
"google-cloud-aiplatform[agent_engines,langgraph]",
# any other dependencies
]
[可选] 版本限制
如果您想或需要对给定软件包（例如 google-cloud-aiplatform）的版本进行上限限定或固定：
requirements = [
# See https://pypi.org/project/google-cloud-aiplatform for the latest version.
"google-cloud-aiplatform[agent_engines,langgraph]==1.77.0",
]
您可以向列表中添加其他软件包和约束条件：
requirements = [
"google-cloud-aiplatform[agent,langgraph]==1.75.0",
"cloudpickle==3.0", # new
]
[可选] 开发分支
您可以指向 GitHub 分支或拉取请求中的软件包版本，例如：
requirements = [
"google-cloud-aiplatform[agent_engines,langchain] @ git+https://github.com/googleapis/python-aiplatform.git@BRANCH_NAME", # new
"cloudpickle==3.0",
]
[可选] 要求文件格式
您可以在文件（例如 path/to/requirements.txt）中维护要求列表：
requirements = "path/to/requirements.txt"
其中，path/to/requirements.txt 是遵循要求文件格式的文本文件，例如：
google-cloud-aiplatform[agent_engines,langchain]
cloudpickle==3.0
第 2 步：额外软件包
您可以添加包含所需本地 Python 源文件的本地文件或目录。与软件包要求相比，这样您就可以使用自己开发的私有实用程序，而这些实用程序在 PyPI 或 GitHub 上无法获得。
如果代理不需要任何额外的软件包，您可以将其设置为 None：
extra_packages = None
[可选] 文件和目录
如需添加单个文件（例如 agents/agent.py），您可以将其添加到列表中：
extra_packages = ["agents/agent.py"]
如需包含整个目录（例如 agents/）中的一组文件，您可以指定该目录：
extra_packages = ["agents"] # directory that includes agents/agent.py
[可选] 轮子二进制文件
您可以添加 Python wheel 二进制文件（例如 path/to/python_package.whl），并在软件包要求中指定它们：
requirements = [
"google-cloud-aiplatform[agent,langgraph]",
"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
第 3 步：Cloud Storage 目录
如果这些暂存工件与现有子存储分区（Cloud Storage 存储分区中的文件夹）相对应，则会被覆盖。如有需要，您可以为暂存工件指定子存储分区。此步骤是可选的，如果您不介意可能会覆盖默认子存储分区中的文件，可以将其设置为 None：
gcs_dir_name = None
为避免覆盖文件（例如，针对开发环境、预演环境、生产环境等不同的环境），您可以设置相应的子存储分区，并指定要将工件暂存到哪个子存储分区，例如：
gcs_dir_name = "dev" # or "staging" or "prod"
如果您想或需要避免冲突，可以生成随机 UUID，例如：
import uuid
gcs_dir_name = str(uuid.uuid4())
第 4 步：资源元数据
您可以在 Vertex AI 中创建的 ReasoningEngine 资源上设置元数据，例如：
display_name = "Currency Exchange Rate Agent (Staging)"
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.
"""
如需查看完整的参数，请参阅 API 参考文档。
第 5 步：创建 AgentEngine 实例
如需在 Vertex AI 上部署应用，请使用 agent_engines.create 并将对象作为参数传入：
remote_agent = agent_engines.create(
local_agent, # Required.
requirements=requirements, # Optional.
extra_packages=extra_packages, # Optional.
gcs_dir_name=gcs_dir_name, # Optional.
display_name=display_name, # Optional.
description=description, # Optional.
)
部署需要几分钟时间才能运行。部署代理时，
- 系统会在本地生成一组工件，其中包括：
- 系统会将软件包上传到 Cloud Storage（在相应的子存储分区下），以便暂存工件。
- 相应工件的 Cloud Storage URI 在 PackageSpec 中指定。
- Agent Engine 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所需的总时间。部署后，remote_agent 对应于在 Vertex AI 上运行的 local_agent 的实例，您可以查询或删除它们。它独立于代理的本地实例。
每个已部署的代理都有一个唯一标识符。您可以运行以下命令以获取已部署的代理的 resource_name 标识符：
remote_agent.resource_name
最佳做法
- 固定软件包版本（适用于可重现的 build）。需要跟踪的常见软件包包括：
google-cloud-aiplatform、cloudpickle、langchain、langchain-core、langchain-google-vertexai和pydantic。 - 尽可能减少应用中的依赖项数量。这可以减少更新依赖项时发生的破坏性更改的数量，并让您可以更轻松地随着时间的推移更新应用以获取新功能。
使用代理起始配置包在生产环境中部署
客服助手入门套件是一个由专为 Vertex AI Agent Engine 构建的一系列可用于生产环境的生成式 AI 客服助手模板。它通过提供以下功能来加快部署速度：
- 预构建的代理模板：ReAct、RAG、多代理等。
- Interactive Playground：测试和与您的代理互动。
- 自动化基础架构：使用 Terraform 简化资源管理。
- CI/CD 流水线：利用 Cloud Build 的自动部署工作流。
- 可观测性：内置对 Cloud Trace 和 Cloud Logging 的支持。
开始：快速入门