Agent Starter Pack

Agent Starter Pack embarque un ensemble de modèles d'agents GenAI que vous pouvez générer et exécuter tout de suite. La gamme couvre un modèle d'agent ReAct de base construit sur l'Agent Development Kit de Google, un modèle d'agent RAG pour la récupération de documents et les questions-réponses, une configuration multi-agents, une variante Agent2Agent pour la communication distribuée entre agents, et un agent multimodal en temps réel propulsé par Gemini qui gère l'audio, la vidéo et le texte. Vous ne partez pas d'un fichier vierge. Vous partez d'un schéma fonctionnel qui correspond à la plupart des conceptions d'agents courantes, puis vous le façonnez pour votre cas d'usage. Besoin de quelque chose sur mesure ? Les modèles distants vous permettent de récupérer un starter pack depuis n'importe quel dépôt Git.

La commande centrale, uvx agent-starter-pack create, structure un projet entier en une étape : un backend, un frontend, des tests et une infrastructure Terraform atterrissent dans un seul dossier. C'est là tout l'intérêt de la boîte à outils. Elle comprime la phase de mise en place, qui représente d'ordinaire une semaine de travail de liaison, en une commande que vous lancez avant que le café refroidisse. Aucun câblage manuel. Si vous avez déjà un agent, la commande de mise à niveau ajoute la même structure de production à votre projet existant au lieu d'imposer un redémarrage à zéro.

Agent Starter Pack met en place un pipeline de déploiement d'agents complet pour chaque environnement avec une seule commande. Il prend en charge Google Cloud Build comme GitHub Actions, donc vous intégrez les publications aux outils que votre équipe utilise déjà. Le résultat est un chemin de build et de déploiement répétable plutôt qu'une série d'étapes manuelles dont quelqu'un doit se souvenir. Pour les équipes qui traitent le code d'agent comme du code de production, c'est la fonctionnalité qui garde les publications ennuyeuses et prévisibles.

Les projets générés se déploient sur Cloud Run de Google Cloud ou sur Vertex AI Agent Engine. Cloud Run convient aux agents qui tiennent dans un conteneur et veulent monter en charge à la demande, tandis qu'Agent Engine gère les charges de travail d'agents que Google a optimisées pour cette plateforme. Comme la configuration de déploiement est générée avec le projet, vous n'écrivez pas à la main les définitions de conteneur et de service. Vous choisissez une cible et la structure parle déjà sa langue.

Les modèles arrivent avec la supervision, l'observabilité et les réglages de sécurité déjà en place. Cela signifie que les journaux, les traces et les contrôles d'accès font partie du projet dès le premier commit, et non quelque chose que l'on greffe dans l'urgence après un incident. Pour quiconque a publié un agent puis a dû découvrir pourquoi il échouait en production, disposer de l'observabilité dès le départ est la différence discrète entre une démo et un service.

Pour les agents à forte composante de récupération, la boîte à outils inclut un pipeline de données qui traite les embeddings pour le RAG et le relie au système d'agents via Terraform et le CI/CD. Il prend en charge Vertex AI Search comme Vector Search, donc vous connectez le backend de récupération qui convient à vos données. Configurer à la main l'ingestion de documents et les pipelines d'embeddings est fastidieux et facile à rater. Ici, c'est pris en charge dans le cadre du projet généré.

Les projets générés incluent l'évaluation Vertex AI et un environnement de test interactif. L'environnement vous permet de tester les prompts et le comportement de l'agent en local avant de déployer, et l'outillage d'évaluation mesure la sortie du modèle par rapport à vos critères. Pourquoi est-ce important pour des agents ? Parce que le comportement d'un agent est plus difficile à juger à l'œil que la réponse d'un chatbot simple. Vous obtenez un moyen de comparer les changements de qualité, pas seulement un moyen de voir que le code tourne.