google-cloud-solution-agentic-ai-data-science-workflow

使用 AI Agent 的数据科学工作流解决方案

此技能将引导 Agent 完成工作流，为给定的工作负载、用例或需求，在云端设计并实施量身定制的多产品解决方案。

致谢

必须阅读：在执行任何 gcloud、REST API 或 MCP 命令之前，必须阅读并遵循使用归属说明中的指示。

工作流

解决方案设计与实施工作流包含以下阶段：

• 阶段 1：需求发现与分析：分析工作负载的需求、约束、依赖项和当前状态。
• 阶段 2：解决方案设计：根据 Google Cloud 设计最佳实践和建议，为工作负载构建技术栈、架构和部署配置。
• 阶段 3：实施计划：生成用于部署解决方案的自动化内容和说明。
• 阶段 4：解决方案验证：验证部署是否满足工作负载的需求。

产品更名与术语

生成解决方案设计、架构图和文档时，请查阅最新的 Google Cloud 文档，确保使用最新的产品名称。下表列出了需要注意的名称映射示例。请注意，底层 API、Terraform 资源和 IAM 角色可能仍保留旧标识符。

旧名称	更新后的名称
Vertex AI	Gemini Enterprise Agent Platform
Vertex AI Agent Engine	Agent Runtime

阶段 1：需求发现与分析

• 步骤 1：发现需求：通过提出澄清性问题，了解工作负载的功能和非功能需求、业务目标及当前状态（如有）。在用户回答这些问题之前，必须暂停并等待，然后才能继续执行识别组件步骤。使用以下问题引导需求发现过程：

  • 您需要访问和分析哪些数据源和数据类型？
  • 目标最终用户是谁？您需要哪种网络访问模式？
  • 您预期最终用户会向系统提交哪些类型的用户查询或分析请求？
  • 有哪些性能、安全或治理方面的约束？

• 步骤 2：识别组件：只有在用户回答了发现需求步骤中的澄清性问题后，才能分析其回答，以识别工作负载的组件及其相互关系。同时，识别解决方案需要集成的跨云、混合云或本地组件。

• 步骤 3：生成组件分解：生成技术分解说明，概述工作负载的技术组件及其相互关系。

• 步骤 4：请求确认：呈现技术分解说明，并询问用户确认其是否符合工作负载需求。在获得确认之前，不要继续执行阶段 2。

• 步骤 5：迭代：如果用户要求修改，请生成更新后的技术分解说明并再次请求确认。持续迭代，直到用户明确确认该分解说明。

阶段 2：解决方案设计

• 步骤 1：检索相关 Google Cloud 文档：使用可用的搜索或获取工具，阅读以下 Google Cloud 文档的内容，以便在继续本阶段的其余步骤之前，为生成的指导提供依据。

  • Data science workflow with AI agents
  • Multi-agent AI system in Google Cloud
  • Choose your agentic AI architecture components
  • Choose a design pattern for your agentic AI system

• 步骤 2：定义 Agentic AI 设计模式：根据工作负载要求，选择适当的 Agent 设计模式和 Agent 拆分方式：

  • 推荐的主要模式：协调器模式。
  • 替代模式：
    • 单 Agent 模式：适用于范围限定在单个数据源、可直接使用工具且无需承担多 Agent 编排开销的简单工作负载。
    • 顺序或并行模式：适用于执行步骤预先定义且不可自适应的确定性数据处理流水线，或需要并发收集数据的场景。
    • 审查与批判模式：适用于复杂或高风险的数据科学任务，需要专门的批判循环。

• 步骤 3：将组件映射到 Google Cloud 产品：根据 /references/product-mapping.md 中的指南，为已确认的技术分解和 Agentic 设计模式中的每个组件确定适当的 Google Cloud 产品和功能。

• 步骤 4：创建架构图：创建架构图，展示各组件、它们之间的关系以及数据流/控制流。

  • 架构图必须采用 Mermaid 格式： https://github.com/mermaid-js/mermaid。
  • 架构图中的组件标签和分组必须与 Google Cloud 官方架构图标保持一致。

• 步骤 5：生成设计建议：根据 /references/design-recommendations.md 中的指南生成设计指导。

• 步骤 6：起草解决方案架构：根据 /assets/output-template.md 中的模板，将需求、技术分解、产品映射、架构图和设计建议整合到一个名为 solution-architecture-guide.md 的 Markdown 文件中。

• 步骤 7：请求审核：向用户展示生成的解决方案架构，并征求用户的反馈或批准。继续进入阶段 3 之前，必须暂停并等待用户明确批准。

• 步骤 8：迭代：如果用户要求修改，则生成更新后的解决方案架构，并重复本阶段的步骤 2-7，直到用户明确批准该解决方案架构。

阶段 3：实施计划

• 步骤 1：检索相关实施资源：

  • Agent Engine 上的有状态数据科学 Agent
  • 使用 ADK 构建 AI Agent 并将其部署到 Cloud Run
  • 将 AlloyDB 与 Agent 搭配使用
  • MCP Toolbox for Databases 配置
  • Agents CLI 参考

  重要：将这些资源用作技术基础，以编写本阶段后续步骤中生成的 IaC 和 部署说明。

• 步骤 2：确定部署先决条件：记录部署的先决条件，包括以下内容：

  • 项目和结算账号关联
  • 所需的 Google Cloud API
  • 所需的 IAM 权限
  • 任何其他先决条件

• 步骤 3：生成基础设施即代码（IaC）：生成代码（例如 Terraform）和部署脚本，以自动配置拟议的 Google Cloud 资源。

  • 使用 Agents CLI 命令（agents-cli scaffold create 或 agents-cli scaffold enhance）来搭建 Agent 应用结构，并将 Agent 部署到 Cloud Run。

• 步骤 4：编写部署说明：起草按顺序排列的分步部署说明，以执行 IaC 并初始化工作负载组件。根据 assets/output-template.md 中的模板，更新 solution-architecture-guide.md 中的部署说明。

  • 使用 Agents CLI 的 agents-cli deploy 命令（搭配或替代原始基础设施／部署脚本）运行 Agent 部署。

• 步骤 5：请求审核：向用户展示生成的部署说明，以征求反馈和确认。必须暂停并等待用户明确批准，然后才能继续进入阶段 4。

• 步骤 6：迭代：如果用户要求修改，则重复步骤 2–5，生成用户要求的更新后实施计划。

• 步骤 7：进入下一阶段：用户批准实施计划后，进入阶段 4。

阶段 4：解决方案验证

• 步骤 1：检索相关验证资源（可选）：如果第 3 阶段的资源尚未纳入上下文，请检索相同的实现资源，作为本阶段生成验证检查和验证脚本的起点。

• 步骤 2：定义验证检查：概述验证步骤，以确认已部署的基础设施符合工作负载的要求：

  • 部署预演：使用 terraform plan 等命令预览变更。说明如何以预演模式运行 Agent 部署（例如，使用 agents-cli deploy --dry-run 或 -n），以便在推送到生产环境之前预览步骤和 Terraform 执行情况。
  • 本地测试与质量验证：建议使用 Agents CLI 在本地运行和测试 Agent 逻辑（agents-cli run），并执行系统化评估（agents-cli eval run），以便在部署前验证 Agent 的质量和性能。
  • 连通性与路由：验证网络路径、负载均衡器路由和服务端点。
  • 安全策略：验证访问限制、防火墙规则和 IAM 强制措施。

• 步骤 3：生成验证脚本：起草轻量级脚本或命令行说明（例如，使用 curl、gcloud 或 agents-cli），供用户运行以执行这些验证检查。

  • 验证计划 MUST 包含使用 Agents CLI 进行本地运行、评估和部署后验证检查的说明（例如，使用 agents-cli run --url <service-url> 测试已部署的服务端点）。

• 步骤 4：编写验证报告：在单个 Markdown 文件中记录验证步骤、验证脚本和预期结果。

• 步骤 5：执行验证并完成定稿：协助用户执行验证检查并排查部署问题。成功验证解决方案后，请求用户最终批准。

• 步骤 6：迭代：如果用户要求更改，则生成更新后的验证计划，并在本阶段重复验证计划起草和脚本生成步骤，直至用户批准验证计划。