Agent Starter Pack

Agent Starter Pack enthält eine Reihe von GenAI-Agent-Vorlagen, die Sie sofort erzeugen und ausführen können. Das Angebot umfasst eine Basis-ReAct-Agent-Vorlage auf Grundlage des Agent Development Kit von Google, eine RAG-Agent-Vorlage für Dokumentenabruf und Fragen und Antworten, ein Multi-Agent-Setup, eine Agent2Agent-Variante für verteilte Kommunikation zwischen Agenten und einen Echtzeit-Multimodal-Agenten auf Gemini-Basis, der Audio, Video und Text verarbeitet. Sie starten nicht mit einer leeren Datei. Sie starten mit einem funktionierenden Muster, das zu den meisten gängigen Agenten-Designs passt, und formen es dann für Ihren Anwendungsfall. Brauchen Sie etwas Individuelles? Remote-Vorlagen ermöglichen es Ihnen, ein Starter Pack aus jedem Git-Repository zu beziehen.

Der zentrale Befehl, uvx agent-starter-pack create, setzt ein ganzes Projekt in einem Schritt auf: Backend, Frontend, Tests und Terraform-Infrastruktur landen in einem einzigen Ordner. Das ist der Kern des Toolkits. Es komprimiert die Einrichtungsphase, die normalerweise eine Woche Klebarbeit ist, auf einen Befehl, den man ausführt, bevor der Kaffee kalt wird. Keine manuelle Verkabelung. Wenn Sie bereits einen Agenten haben, fügt der Upgrade-Befehl dieselbe Produktionsstruktur zu Ihrem bestehenden Projekt hinzu, statt einen Neustart von null zu erzwingen.

Agent Starter Pack richtet mit einem einzigen Befehl eine vollständige Agent-Deployment-Pipeline für jede Umgebung ein. Es unterstützt sowohl Google Cloud Build als auch GitHub Actions, sodass Sie Releases in die Werkzeuge einbinden, die Ihr Team ohnehin nutzt. Das Ergebnis ist ein wiederholbarer Build-und-Deploy-Pfad statt einer Reihe manueller Schritte, an die sich jemand erinnern muss. Für Teams, die Agentencode wie Produktionscode behandeln, ist dies die Funktion, die Releases langweilig und vorhersehbar hält.

Erzeugte Projekte werden auf Cloud Run von Google Cloud oder auf Vertex AI Agent Engine deployt. Cloud Run eignet sich für Agenten, die in einen Container passen und bei Bedarf skalieren wollen, während Agent Engine Agenten-Workloads übernimmt, die Google für diese Plattform optimiert hat. Weil die Deployment-Konfiguration mit dem Projekt erzeugt wird, schreiben Sie die Container- und Dienstdefinitionen nicht von Hand. Sie wählen ein Ziel, und die Struktur spricht bereits dessen Sprache.

Die Vorlagen kommen mit Überwachung, Observability und Sicherheitsvoreinstellungen, die bereits vorhanden sind. Das heißt, Logs, Traces und Zugriffskontrollen sind vom ersten Commit an Teil des Projekts und nicht etwas, das nach einem Vorfall schnell angebaut wird. Für jeden, der einen Agenten ausgeliefert und dann ergründet hat, warum er in der Produktion versagt, ist Observability von Anfang an der leise Unterschied zwischen einer Demo und einem Dienst.

Für stark abruforientierte Agenten enthält das Toolkit eine Datenpipeline, die Embeddings für RAG verarbeitet und sie über Terraform und CI/CD in das Agentensystem einbindet. Sie unterstützt sowohl Vertex AI Search als auch Vector Search, sodass Sie das Abruf-Backend anschließen, das zu Ihren Daten passt. Die Dokumentenerfassung und Embedding-Pipelines von Hand einzurichten ist mühsam und leicht falsch zu machen. Hier wird das als Teil des erzeugten Projekts erledigt.

Erzeugte Projekte enthalten die Vertex-AI-Evaluierung und einen interaktiven Playground. Der Playground lässt Sie Prompts und Agentenverhalten lokal testen, bevor Sie deployen, und das Evaluierungs-Tooling misst die Modellausgabe an Ihren Kriterien. Warum ist das bei Agenten wichtig? Weil Agentenverhalten schwerer mit dem Auge zu beurteilen ist als die Antwort eines einfachen Chatbots. Sie erhalten eine Möglichkeit, Qualitätsänderungen zu vergleichen, nicht nur einen Weg zu sehen, dass der Code läuft.