智能体 AI 应用场景：协调对不同企业系统的访问

Last reviewed 2026-10-27 UTC

本文档提供了一个智能体 AI 系统的概要架构，用于编排与不同企业系统的交互。编排器智能体可自动执行复杂流程，并通过现代对话式界面统一访问多个企业系统。这些系统可能是商业第三方应用或专有内部系统。这种设计方法消除了点对点系统集成，因此您的操作员可以避免持续的上下文切换（转椅处理）。

本文档的目标受众群体包括在云端构建和管理智能体 AI 应用的架构师、开发者和管理员。本文档假定您对智能体 AI 有基本的了解。

架构

下图展示了一个多层架构，其中编排器代理使用 AI 将来自多个渠道的客户互动路由到适当的后端系统。

一种智能体 AI 应用架构，可协调对不同企业系统的访问。 一种智能体 AI 应用架构，可协调对不同企业系统的访问。

该架构中的组件按以下层级进行组织：

互动渠道

在示例架构中，客户端通过多种渠道与智能体 AI 系统进行交互：

  • 自定义前端，例如通过安全 REST API 与代理通信并支持人机协同流程的 Web 应用。
  • Gemini Enterprise 上的临时聊天界面，可将代理作为安全工具调用，并让用户使用自然语言与复杂的后端系统进行交互。
  • 一个外部应用，通过将业务事件发布到 Pub/Sub 主题来启动系统到系统的自动化工作流。
智能体核心

该架构的核心组件是使用智能体开发套件 (ADK) 构建并部署在 Cloud Run 上的编排器智能体。编排器管理多智能体系统。此无服务器平台可使用 Identity and Access Management (IAM) 为代理的 REST API 提供可伸缩性和访问权限控制。

为了在多步骤任务中保持状态，智能体使用内置的 ADK 支持在 Gemini Enterprise Agent Platform 会话或 Cloud Storage 中持久保存状态数据。

与后端系统进行标准化集成

为了实现智能体与后端系统之间的通信，该架构使用了部署在 Cloud Run 上的 Model Context Protocol (MCP) 服务器。

  • MCP Toolbox for Databases 提供了一套开箱即用的安全工具，用于访问 Cloud SQL 等数据库。
  • 自定义 MCP 服务器提供对后端应用的访问权限。

每个 MCP 服务器都会将特定后端系统的 API 作为一组标准化工具公开。MCP 服务器形成一个防腐层，用于将智能体与后端系统隔离开来。这种方法有助于避免智能体与后端系统紧密耦合。它简化了代理的逻辑，让您可以独立于代理对后端系统进行现代化改造。

后端系统

在示例架构中，AI 智能体负责协调对以下后端系统的访问：

  • Cloud SQL 中的运营数据库。
  • 在 Compute Engine 虚拟机上部署的应用。
  • 在 Google Cloud外部运行的应用。

使用的产品

此示例架构使用以下 Google Cloud 和开源产品及工具：

  • Gemini Enterprise Agent Platform：一个综合性平台，可让您构建、扩缩、治理和优化企业级 AI 智能体。
  • Cloud Run：一个无服务器计算平台，可让您直接在 Google 可伸缩的基础设施之上运行容器。
  • Cloud SQL：一种全托管式关系型数据库服务，可帮助您在 Google Cloud上预配、操作和管理 MySQL、PostgreSQL 和 SQL Server 数据库。
  • Cloud Storage：适用于各种数据类型的费用低廉且不受限制的对象存储区。数据可从 Google Cloud内部和外部访问，并且跨位置进行复制以实现冗余。
  • Compute Engine：一项安全且可自定义的计算服务，可让您在 Google 的基础设施上创建并运行虚拟机。
  • Gemini：Google 开发的一系列多模态 AI 模型。
  • Gemini Enterprise：一个全托管式安全平台，用于在企业内部署和管理 AI 智能体。
  • Pub/Sub：一种异步且可伸缩的通讯服务，可将生成消息的服务与处理这些消息的服务分离开。
  • 智能体开发套件 (ADK)：一套用于开发、测试和部署 AI 代理的工具和库。
  • Model Context Protocol (MCP)：一种开源标准，用于将 AI 应用连接到外部系统。
  • MCP Toolbox for Databases：一款开源 Model Context Protocol (MCP) 服务器，可管理连接池、身份验证和可观测性等复杂的数据库任务，让 AI 智能体能够安全地连接到数据库。

如需了解智能体 AI 系统的替代组件（例如 Agent Runtime、工具和记忆），请参阅选择智能体 AI 架构组件。

使用场景

此架构适用于以下应用场景：

  • 在不同的外部和内部应用之间自动执行“转椅式”处理。
  • 为多个旧版系统创建统一的接口，而无需进行大规模迁移。
  • 为现有业务流程添加智能对话功能。
  • 利用事件驱动型功能逐步对应用进行现代化改造。

该架构具有以下优势：

  • 工作效率：自动执行重复性任务，减少人为错误，让您的团队专注于增值任务。
  • 可伸缩性：使用事件驱动型方法独立开发、部署和扩缩服务。
  • 增强用户体验：构建现代化、灵活的界面，以集成复杂的业务流程。
  • 面向未来的集成：使用 MCP 服务器标准化与后端系统的集成，以便您可以独立替换和升级后端系统。

设计考虑事项

本部分介绍了一些设计因素、最佳实践和建议，您在使用此参考架构开发满足特定安全性、运营效率和性能要求的拓扑时应考虑这些内容。

本部分中的指导并非详尽无遗。如需详细了解设计因素和最佳实践，以及有关构建和部署多智能体 AI 系统的建议，请参阅 Google Cloud中的多智能体 AI 系统。

安全性、隐私权和合规性

为了帮助应对 AI 智能体的独特安全风险，Google 建议采用一种方法，将确定性安全控制与基于推理的动态防御相结合：

  • 人工监督：在业务关键型系统中纳入人机协同流程，以便人工监督者可以审核输出并批准、覆盖或暂停智能体操作。
  • Agent Identity：为每个智能体分配一个与工作负载绑定的身份，以强制执行最小权限访问权限控制，并集中管理外部工具的凭据。
  • Agent Gateway：通过 Model Armor 强制执行入站和出站流量治理、默认拒绝访问政策以及内嵌提示和工具检查。

  • Agent Registry：验证智能体是否仅连接到已获批准的子智能体和 MCP 工具。

  • Cloud Run 服务安全：对于 Cloud Run 服务，请使用专用 IAM 服务账号，并根据最小权限原则授予权限。通过配置 Cloud Run 入站流量控制来限制对经过身份验证的调用方的访问，从而保护代理的 API。如需对 Cloud Run 上托管的 MCP 服务器的入站代理和工具请求进行身份验证和授权，请将 Identity-Aware Proxy (IAP) 与 Agent Gateway 搭配使用。

运营效率

为确保代理配置满足您的运营效率要求，请考虑以下建议：

  • 可观测性：在分布式系统中，日志记录和跟踪对于问题排查至关重要。如需了解整个 Agentic Workflows，请对服务进行插桩，以便将结构化日志写入 Cloud Logging，并将跟踪记录发送到 Cloud Trace。
  • 部署自动化：使用 Terraform 等基础架构即代码 (IaC) 工具自动预配和管理资源。IaC 有助于确保在开发、预演和生产环境中实现可重复、可审核的部署。
  • 基础架构治理：使用 App Design Center 简化应用基础架构的设计和部署。您可以使用应用设计中心定义模板，其中包含组织的治理规则和最佳实践。

性能优化

Cloud Run 会根据需求自动扩缩，在没有负载时，它会缩减至零。对于对延迟时间敏感的应用，您可以通过配置实例数下限来最大限度地减少冷启动。

后续步骤

贡献者

作者：Casey West | 架构推广工程师， Google Cloud

其他贡献者：