Architettura dell'agente RMI ADK

Importante: prima di poter eseguire query sui dati di Roads Management Insights, devi prima abbonarti al set di dati di condivisione della demo di Boston RMI (o acquistare un abbonamento al set di dati RMI per la tua località) e avere accesso all'API Gemini.

Obiettivo

L'agente ADK di Roads Management Insights (RMI) fornisce un'interfaccia in linguaggio naturale per eseguire query e analizzare i dati RMI archiviati in Google BigQuery. Sfruttando l'Agent Development Kit (ADK) di Google e i modelli linguistici di grandi dimensioni Gemini, consente agli utenti di estrarre informazioni utili da set di dati di traffico e reti stradali su larga scala senza scrivere manualmente query SQL complesse.

Architettura di riferimento

L'architettura è costituita da un sistema di agenti gerarchico in cui un agente principale pianifica e orchestra le interazioni dell'utente, delegando attività specifiche di recupero dei dati e generazione di SQL a un sub-agente specializzato.

Componenti

1. Agente RMI (agente principale)

• Ruolo: interfaccia di conversazione principale e orchestratore di attività.
• Responsabilità:
  • Mantiene il contesto della conversazione in più passaggi.
  • Decompone le richieste in linguaggio naturale in attività analitiche eseguibili.
  • Delega le attività di recupero dei dati strutturati all'agente BigQuery.
  • Sintetizza i dati tabulari non elaborati restituiti dal sub-agente in informazioni concise e leggibili.

2. Agente BigQuery (sub-agente)

• Ruolo: agente specializzato per la traduzione SQL e l'esecuzione di database.
• Responsabilità:
  • Traduce le istruzioni in linguaggio naturale dell'agente principale in query SQL BigQuery ottimizzate.
  • Esegue query direttamente sul set di dati BigQuery configurato.
  • Restituisce i risultati delle query non elaborati e non modificati all'agente principale.

3. Set di dati BigQuery

• Ruolo: data warehouse analitico cloud-native.
• Contenuti: tabelle di Roads Management Insights (RMI), tra cui historical_travel_time e recent_roads_data, strutturate in base allo schema BigQuery RMI.

4. Google GenAI

• Ruolo: motore principale di ragionamento e generazione di linguaggio.
• Modello: utilizza i modelli Google Gemini (ad es. gemini-3.5-flash) per gestire l'orchestrazione degli agenti, la comprensione del linguaggio naturale e la generazione di SQL .

Flusso di esecuzione

1. Richiesta dell'utente: l'utente invia una domanda in linguaggio naturale (ad es. "Qual è stato il tempo di percorrenza medio sulla Route 66 ieri?").
2. Pianificazione e orchestrazione: l'agente RMI riceve la richiesta, identifica che sono necessari dati sul traffico empirici e formula un'istruzione di recupero specifica per il sub-agente.
3. Delega: l'agente RMI richiama l'agente BigQuery con l' istruzione strutturata e i vincoli temporali o spaziali pertinenti.
4. Generazione di SQL: sfruttando la sua conoscenza dello schema RMI, il agente BigQuery genera una query SQL BigQuery ottimizzata.
5. Esecuzione e recupero dei dati: l'agente BigQuery esegue la query sul set di dati BigQuery sottostante e recupera i record tabulari risultanti.
6. Sintesi della risposta: l'agente BigQuery restituisce i dati non elaborati e non modificati all'agente RMI, che interpreta i risultati, risolve gli identificatori stradali mancanti e crea una risposta chiara in linguaggio naturale per l'utente.

Scenario di esempio

La sfida

Un urbanista deve valutare la congestione del traffico in una rete stradale metropolitana per determinare se i tempi dei semafori richiedono una regolazione durante le ore di punta della sera.

Flusso di lavoro della soluzione

1. Query dell'utente: l'urbanista interagisce con l'agente utilizzando la CLI o l'interfaccia utente web, chiedendo:

   "Identifica le 5 strade più congestionate nel centro di Boston venerdì scorso alle 17:00."

2. Elaborazione dell'agente:

   • L'agente RMI analizza la richiesta. Identifica la località di destinazione ("centro di Boston"), la finestra temporale ("venerdì scorso alle 17:00") e l'obiettivo analitico ("le 5 strade più congestionate"). Determina che "congestione" deve essere misurata come il rapporto tra la durata del viaggio in tempo reale e la durata statica (duration_in_seconds / static_duration_in_seconds).

   • Delega il recupero dei dati all'agente BigQuery con un'istruzione strutturata:

     "Trova i segmenti stradali nel centro di Boston e restituisci i 5 con il rapporto di congestione più alto per venerdì 9 gennaio 2026 alle 17:00."

3. Recupero dei dati:

   • L'agente BigQuery traduce questa istruzione in una query SQL che ha come target la tabella historical_travel_time, calcolando il rapporto di congestione e ordinando i risultati per identificare i 5 segmenti principali.
   • Esegue la query su BigQuery.
   • BigQuery restituisce risultati tabulari non elaborati, ad esempio (segment_id, display_name, duration_in_seconds, static_duration_in_seconds, congestion_ratio).

4. Generazione di insight:

   • L'agente BigQuery restituisce l'elenco non elaborato dei segmenti all'agente RMI.
   • L'agente RMI analizza i record, gestisce i segmenti stradali con nomi visualizzati mancanti o riferimenti solo identificativi e sintetizza i dati in un riepilogo esecutivo.

   • L'agente crea la risposta finale:

     "Venerdì 9 gennaio 2026 alle 17:00, le strade più congestionate del centro di Boston hanno registrato tempi di percorrenza significativamente più elevati rispetto alle durate statiche tipiche. Di seguito sono riportati i 5 segmenti più congestionati in base al rapporto tra la durata in base al traffico e la durata statica: Route roads/CgkJZ-tTXuNcW4s: questo è stato il segmento più congestionato, con un tempo di percorrenza di 66 secondi rispetto a una durata statica di soli 6 secondi (un rapporto di congestione di 11,0x)..."

Conclusione

Separando l'interazione conversazionale e la sintesi narrativa dalla generazione di SQL di basso livello e dal recupero dei dati, l'architettura gerarchica dell'agente ADK RMI colma il divario tra i data warehouse geospaziali complessi e gli utenti finali. L'isolamento dell'esecuzione del database all'interno di un sub-agente specializzato promuove la modularità, la manutenibilità e la sicurezza operativa, consentendo al contempo ai responsabili delle decisioni di estrarre rapidamente informazioni verificabili tramite il linguaggio naturale.

Passaggi successivi

• Personalizza per il tuo caso d'uso: adatta questa architettura multi-agente e la progettazione dei prompt ai tuoi casi d'uso geospaziali o organizzativi specifici.
• Estendi con agenti di pianificazione specializzati: incorpora un agente di pianificazione dedicato per orchestrare workflow analitici complessi in più passaggi.
• Integra le origini dati multimodali: arricchisci le informazioni sul traffico e sulla gestione delle strade combinando i dati RMI con altri livelli spaziali, come eventi meteorologici, programmi di costruzione o feed di incidenti in tempo reale.
• Esegui il deployment in produzione: esegui la transizione dell'agente dal prototipo a un ambiente aziendale di produzione seguendo la guida per registrare e gestire gli agenti ADK ospitati su Gemini Enterprise Agent Platform.

Collaboratori

Kel Markert | Cloud Geografo cloud