Führen Sie den Google Vertex-Agent aus

Beschreibung

Vertex AI Agents sind autonome Softwaresysteme auf der Vertex AI-Plattform von Google Cloud, die generative KI verwenden, um Aufgaben mit Benutzern oder anderen Agenten zu verstehen, zu argumentieren, zu planen und zu erledigen.

Ein Kernbestandteil dieser Agents ist die Vertex AI Agent Engine, die eine verwaltete Runtime für die Entwicklung, Bereitstellung und Skalierung von Agents in der Produktion bietet.

Diese Aktivität ermöglicht die Verwendung von Agents, die in der Agent Engine als Teilnehmer eines von Maestro orchestrierten automatisierten Prozesses bereitgestellt werden.

Erstellen des Vertex-Agents

Die Möglichkeiten, Agents basierend auf der Vertex AI Agent Engine bereitzustellen, entwickeln sich ständig weiter. Derzeit ist dies eine Code-First-Konfiguration in Vertex AI. Alle von Agent Engine unterstützten Frameworks werden vom Google Vertex-Connector unterstützt. (z. B google-adk). Wenn ein Vertex AI-Agent erfolgreich bereitgestellt wurde, wird er in einem Google Cloud-Projekt unter Vertex AI > Agent Builder > Agent Engine organisiert. Ein Agent, der für die Integration in UiPath bereit ist, muss mit einem Ressourcennamen sichtbar sein, der unter einer URL wie folgt zugewiesen ist:

projects/771273109380/locations/us-central1/reasoningEngines/7522902537708503040

In diesem Beispiel ist die Projekt-ID 771273109380.

In den meisten Maestro-Szenarien fordern Sie den Agent auf, eine Ausgabe in Form einer JSON-Struktur zu generieren. z. B {"sku1": "9735A45", "sku2": "1735A50"}.

Wie die Aktivität verwendet wird

Um diese Aktivität in einem Maestro-Prozess zu verwenden, führen Sie folgende Schritte aus:

1. Fügen Sie ein Dienstaufgabenelement zur Arbeitsfläche hinzu und öffnen Sie den Eigenschaftenbereich der Aufgabe.
2. Nennen Sie die Dienstaufgabe Vertex Hello World.
3. Wählen Sie im Abschnitt Implementierung in der Dropdownliste Aktion die Option Starten und auf einen externen Agent warten.
4. Wählen Sie den Google Vertex- Connector aus.
5. Wählen Sie eine vorhandene Verbindung aus oder erstellen Sie eine neue. Weitere Informationen finden Sie unter Google Vertex-Authentifizierung.

6. Wählen Sie unter Aktivität die Option Google Vertex-Agent ausführen aus.

7. Wählen Sie unter Agentname einen Agent aus, den Sie zuvor in Vertex AI erstellt haben (z. B Orders_Agent). Beachten Sie, dass Sie bei Verwendung des falschen Dienstkontoschlüssels eine Dropdownliste erhalten, die unerwartete oder gar keine Agents enthält.

8. Geben Sie im Feld Nachricht "What can you do?" ein. Stellen Sie sicher, dass Sie die Anführungszeichen in den Prompt aufnehmen.
9. Geben Sie im Feld Benutzer-ID user ein.

10. Verbinden Sie das Startereignis mit der Dienstaufgabe und die Dienstaufgabe mit einem Endereignisknoten auf der Arbeitsfläche.

11. Wählen Sie Debuggen, um diesen Prozess auszuführen. Überprüfen Sie nach einer erfolgreichen Ausführung die globalen Variablen und suchen Sie nach der {:}-Antwort aus dem Quell- Vertex. Beachten Sie die Struktur der Antwort. Das ist zum Beispiel die Antwort des Agents auf den Prompt „Was können Sie tun?“:

    {
      "usage_metadata": {
        "candidates_token_count": 404,
        "thoughts_token_count": 46,
        "total_token_count": 1229,
        "prompt_tokens_details": [
          {
            "token_count": 779,
            "modality": "TEXT"
          }
        ],
        "traffic_type": "ON_DEMAND",
        "candidates_tokens_details": [
          {
            "token_count": 404,
            "modality": "TEXT"
          }
        ],
        "prompt_token_count": 779
      },
      "author": "loan_eligibility_agent",
      "invocation_id": "e-a496b1b8-fb54-4120-9aa2-7fac34e1d04d",
      "session_id": "3080378032481894400",
      "id": "26G1y9He",
      "content": {
        "parts": [
          {
            "text": "I am a loan eligibility evaluation agent. My primary function is to assess whether a loan applicant is eligible for approval based on a predefined set of criteria.\n\nHere's what I can do:\n\n1.  **Receive Loan Application Details:** I expect loan application details in a JSON format. If I don't receive it, I will prompt you to provide it.\n2.  **Evaluate Against Criteria:** I will evaluate each field in the provided JSON against specific eligibility criteria, which include:\n    *   Age (21-60)\n    *   Employment status and duration (employed, min 12 months)\n    *   Monthly net income (min $2,500 USD)\n    *   Credit Score (min 650)\n    *   Debt-to-Income Ratio (monthly obligations <= 40% of income)\n    *   Residency Status (legal resident/citizen)\n    *   Loan Purpose (specific allowed purposes, no disallowed ones)\n3.  **Determine Eligibility:** Based on the evaluation, I will determine one of three outcomes:\n    *   `eligible`: If all standard criteria are met.\n    *   `not eligible`: If one or more core criteria are failed, and no compelling justification is provided.\n    *   `manual review: other_criteria`: If one or more core criteria are failed, but an \"other_criteria\" explanation is provided that might justify an exception (e.g., medical hardship, protected populations, employment transition).\n4.  **Provide Justification:** For every determination, I will provide a detailed explanation outlining how the decision was reached, referencing the specific parameters from the eligibility criteria and the applicant's data.\n5.  **Output in JSON:** My final output will always be a JSON object containing the `determination` and `justification`.\n\nEssentially, I automate the initial screening process for personal loan applications according to established rules."
          }
        ],
        "role": "model"
      },
      "timestamp": 1758552780.125623
    }

Die Ausgabe des Agents muss einer Prozessvariablen zugeordnet werden, damit sie den Fortschritt des Maestro-Prozesses beeinflussen kann, um beispielsweise eine Entscheidung auf der Grundlage einer booleschen Bewertung zu treffen oder die Antwort aus einer Klassifizierungsaufgabe zu verwenden.

1. Wählen Sie im Designmodus den Agent auf der Designfläche aus.

2. Wählen Sie Eigenschaften aus.

3. Wählen Sie unter Ausgabe die Option Neue hinzufügen und fügen Sie eine Variable vom Typ String mit dem Namen agent_reponse hinzu.

4. Wählen Sie für Wert Vertex Hallo Welt > Antwort (Objekt) > Inhalt (Objekt) > Inhaltstext (Zeichenfolge) aus.

Tipp: Geben Sie in der Praxis die strukturierte Ausgabe Ihrer Wahl aus dem Agenten an und werten Sie dann die Ausgabe in Maestro mithilfe des Ausdrucks-Editors aus, um den spezifischen Teil der Ausgabe in dem für Ihren Prozessablauf erforderlichen Typ zu extrahieren.

Fehlerbehebung und Optimierung

Neben der Verbindung zur Verbindung sollten Sie auch Eingabeaufforderungen sowohl im Vertex-Arbeitsbereich als auch in Maestro testen. Dadurch wird sichergestellt, dass Sie die gewünschte Ausgabe erhalten, die am besten von Maestro verarbeitet, Variablen zugewiesen und an andere Beteiligten im Prozess weitergegeben werden kann.

Wir empfehlen, dass detaillierte Prompts innerhalb der Systemprompts des Agents in Vertex bleiben. Der Benutzerprompt , den Maestro dem Agenten zur Runtime gibt, sollte kurz und prägnant sein. Ihre Rolle besteht in erster Linie darin, die relevanten Variablen anzugeben, die der Agent benötigt, um eine bestimmte Aufgabe auszuführen und eine erwartete konsistente Ausgabe zu generieren.

Ausgaben, die sich an Menschen wenden, z. B. die Gründe für eine Eskalation, können einfach als natürlicher Text für den Menschen übergeben werden. Eine Ausgabe, die für eine API-/Roboteraktion erwartet wird, muss streng zusammengesetzt sein. Hier sehen Sie ein Beispiel für einen Benutzerprompt, der eine bestimmte Ausgabe eines Agents ergibt. Verwenden Sie den C#-Ausdrucks-Editor in Studio, um nach Bedarf Variablen hinzuzufügen.

"What is the quantity on inventory of Order ID " + vars.orderId_1 + "respond only with a JSON object with the quantity in the key Order_Quantity. No explanations, only JSON"

Der Agent antwortet wie folgt:

{"Order_Quantity":"100"}

Achten Sie besonders auf die Typen in Ihrer Anfrage an den Agenten und in der tatsächlichen Antwort. Auch wenn die Antwort wie vom Typ JSON aussieht, kann sie tatsächlich vom Typ string sein.