Executar agente do Google Vertex

Description

Os Agentes de IA Vertext são sistemas de software autônomos na plataforma Vertex AI do Google Cloud que usam IA generativa para entender, raciocinar, planejar e concluir tarefas com usuários ou outros agentes.

Uma parte central desses agentes é o Vertex AI Agent Engine, que fornece um runtime gerenciado para desenvolver, implantar e escalonar agentes na produção.

Essa atividade permite o uso de agentes implantados no Mecanismo de agente como participantes de um processo automatizado orquestrado pelo Maestro.

Criando o agente Vertex

As maneiras de implantar agentes com base no Vertex AI Agent Engine estão em constante evolução. Atualmente, esta é uma configuração que prioriza o código na IA do Vertex. Todas as estruturas compatíveis com o Agent Engine são compatíveis com o conector do Google Vertex. (por exemplo google-adk). Quando um agente Vertext AI é implantado com sucesso, ele é organizado em um projeto do Google Cloud em Vertex AI > Agent Builder > Agent Engine. Um agente que está pronto para integração com a UiPath deve estar visível com um nome de recurso atribuído em uma URL como esta:

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

Neste exemplo, a ID do projeto é 771273109380.

Na maioria dos cenários do Maestro, você solicita ao agente para gerar uma saída na forma de uma estrutura JSON. por exemplo {"sku1": "9735A45", "sku2": "1735A50"}.

Como usar a atividade

Para usar essa atividade em um processo com agente do Maestro, siga estas etapas:

1. Adicione um elemento de tarefa de serviço à tela e abra o painel de Propriedades da tarefa.
2. Nomeie a tarefa de serviço Vertex Hello World.
3. Na seção Implementação , na lista suspensa Ação , selecione Iniciar e aguardar agente externo.
4. Selecione o conector do Google Vertex .
5. Selecione uma conexão existente ou crie uma nova. Para obter mais informações, consulte Autenticação do Google Vertex.

6. Em Atividade, selecione Executar Google Vertex Agent.

7. Em Nome do agente, selecione um agente que você criou anteriormente na Vertex AI (por exemplo orders_agegent). Observe que, ao usar a chave da conta de serviço errada, você receberá uma lista suspensa que inclui agentes inesperados ou nenhum agente.

8. no campo Mensagem , insira "What can you do?". Certifique-se de incluir as aspas no prompt.
9. No campo ID do usuário , insira user.

10. Conecte o evento de início à tarefa de serviço, e a tarefa de serviço a um nó de evento final na tela.

11. Selecione Depurar para executar esse processo. Após uma execução bem-sucedida, revise as Variáveis globais e procure a resposta {:} do Vertex de origem. Tome nota da estrutura da resposta. Por exemplo, esta é a resposta do agente ao prompt "O que você pode fazer?":

    {
      "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
    }

A saída do agente deve ser atribuída a uma variável de processo para que possa influenciar o progresso do processo do Maestro, por exemplo, para tomar uma decisão com base em uma avaliação booleana ou para usar a resposta de uma tarefa de classificação.

1. No modo de Design, selecione o agente na tela de design.

2. Selecione Propriedades.

3. Em Saída, selecione Adicionar novo e adicione uma variável do tipo String chamada agent_reponse.

4. Para Valor, selecione Vertext Hello World > response (object) > Content (object) > Content text (string).

Dica: na prática, especifique a saída estruturada de sua escolha do agente e, em seguida, avalie a saída dentro do Maestro usando o Editor de expressão para extrair a parte específica da saída de que você precisa no tipo necessário para o seu fluxo de processo.

Solução de problemas e ajuste

Além de estabelecer conectividade, você deve testar prompts tanto no espaço de trabalho do Vertex quanto no Maestro. Isso garante que você alcance a saída desejada que pode ser mais bem consumida pelo Maestro, atribuída a variáveis e passada para outros agentes no processo.

Recomendamos que as solicitações detalhadas permaneçam dentro das solicitações do sistema do agente na Vertex. O prompt do usuário que é fornecido pelo Maestro ao agente no runtime deve ser breve e direto ao ponto. Sua função é principalmente indicar as variáveis relevantes necessárias para o agente executar tarefas específicas e gerar uma saída consistente esperada.

A saída destinada a humanos, por exemplo, os motivos de um escalonamento, pode ser facilmente passada como texto natural para o humano. A saída esperada para uma ação de API/robô deve ser estritamente composta. Aqui está um exemplo de prompt de usuário que produz uma saída específica de um agente. Use o editor de expressão do C# dentro do Studio para adicionar variáveis conforme necessário.

"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"

O agente responderá com:

{"Order_Quantity":"100"}

Preste atenção especial aos tipos em sua solicitação ao agente e na resposta real. Mesmo que a resposta tenha aparência do tipo JSON, na verdade ela pode ser do tipo string.