Cette page a été traduite par l'API Cloud Translation.

Développer et déployer des agents sur Vertex AI Agent Engine

Cette page explique comment créer et déployer un agent qui renvoie le taux de change entre deux devises à une date donnée, à l'aide des frameworks d'agents suivants :

Avant de commencer

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.

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

Roles required to select or create a project

Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
Create a project: To create a project, you need the Project Creator (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

Enable the Vertex AI and Cloud Storage APIs.

Roles required to enable APIs

To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

Enable the APIs

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

Roles required to select or create a project

Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
Create a project: To create a project, you need the Project Creator (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

Enable the Vertex AI and Cloud Storage APIs.

Roles required to enable APIs

To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

Enable the APIs

Pour obtenir les autorisations nécessaires à l'utilisation de Vertex AI Agent Engine, demandez à votre administrateur de vous accorder les rôles IAM suivants sur votre projet :

Utilisateur Vertex AI (roles/aiplatform.user)
Administrateur de l'espace de stockage (roles/storage.admin)

Pour en savoir plus sur l'attribution de rôles, consultez Gérer l'accès aux projets, aux dossiers et aux organisations.

Vous pouvez également obtenir les autorisations requises avec des rôles personnalisés ou d'autres rôles prédéfinis.

Installer et initialiser le SDK Vertex AI pour Python

Exécutez la commande suivante pour installer le SDK Vertex AI pour Python et les autres packages requis :
ADK
```
pip install --upgrade --quiet google-cloud-aiplatform[agent_engines,adk]>=1.112
```
LangGraph
```
pip install --upgrade --quiet google-cloud-aiplatform[agent_engines,langchain]>=1.112
```
LangChain
```
pip install --upgrade --quiet google-cloud-aiplatform[agent_engines,langchain]>=1.112
```
AG2
```
pip install --upgrade --quiet google-cloud-aiplatform[agent_engines,ag2]>=1.112
```
LlamaIndex

Preview

Cette fonctionnalité est soumise(s) aux "Conditions des offres de pré-DG" de la section "Conditions générales du service" des Conditions spécifiques du service. Les fonctionnalités de pré-DG sont disponibles "en l'état" et peuvent avoir une prise en charge limitée. Pour en savoir plus, consultez les descriptions des étapes de lancement.
```
pip install --upgrade --quiet google-cloud-aiplatform[agent_engines,llama_index]>=1.112
```
S'authentifier en tant qu'utilisateur
Colab
Exécutez le code suivant :
```
from google.colab import auth

auth.authenticate_user(project_id="PROJECT_ID")
```
Cloud Shell
Aucune action n'est requise.
Shell local
Exécutez la commande suivante :
```
gcloud auth application-default login
```
Exécutez le code suivant pour importer Vertex AI Agent Engine et initialiser le SDK :
```
import vertexai

client = vertexai.Client(
    project="PROJECT_ID",               # Your project ID.
    location="LOCATION",                # Your cloud region.
)
```
Où :
- PROJECT_ID correspond à l'ID de projet Google Cloud sous lequel vous développerez et déploierez des agents.
- LOCATION désigne l'une des régions compatibles.

Développer un agent

Commencez par développer un outil :

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()

Instanciez ensuite un agent :

ADK

from google.adk.agents import Agent
from vertexai import agent_engines

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

app = agent_engines.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,
)

Enfin, testez l'agent localement :

ADK

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

USER_ID : choisissez votre propre ID utilisateur (128 caractères maximum). Exemple :user-123

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?"
)

Déployer un agent

Pour déployer l'agent :

ADK

remote_agent = client.agent_engines.create(
    agent=app,
    config={
        "requirements": ["google-cloud-aiplatform[agent_engines,adk]"],
    }
)

LangGraph

remote_agent = client.agent_engines.create(
    agent,
    config={
        "requirements": ["google-cloud-aiplatform[agent_engines,langchain]"],
    },
)

LangChain

remote_agent = client.agent_engines.create(
    agent,
    config={
        "requirements": ["google-cloud-aiplatform[agent_engines,langchain]"],
    },
)

AG2

from vertexai import agent_engines

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

LlamaIndex

from vertexai import agent_engines

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

Cela crée une ressource reasoningEngine dans Vertex AI.

Utiliser un agent

Testez l'agent déployé en envoyant une requête :

ADK

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

où USER_ID correspond à l'ID utilisateur que vous avez défini lors du test de l'agent en local. Exemple :currency-exchange

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?"
)

Effectuer un nettoyage

Pour éviter que les ressources utilisées dans cette démonstration soient facturées sur votre compte Google Cloud , procédez comme suit :

remote_agent.delete(force=True)

Développer et déployer des agents sur Vertex AI Agent Engine

Avant de commencer

Installer et initialiser le SDK Vertex AI pour Python

ADK

LangGraph

LangChain

AG2

LlamaIndex

Colab

Cloud Shell

Shell local

Développer un agent

ADK

LangGraph

LangChain

AG2

LlamaIndex

ADK

LangGraph

LangChain

AG2

LlamaIndex

Déployer un agent

ADK

LangGraph

LangChain

AG2

LlamaIndex

Utiliser un agent

ADK

LangGraph

LangChain

AG2

LlamaIndex

Effectuer un nettoyage

Étapes suivantes