Tema 4 de 10
Agentes, notebooks y entornos de desarrollo
Tres puntos del apartado 3.1 del temario: desplegar un agente en Agent Runtime de Gemini Enterprise Agent Platform (antes Vertex AI Agent Engine), gestionar notebooks en Agent Platform Workbench (antes Vertex AI Workbench) y en BigQuery, y gestionar entornos de desarrollo como Cloud Workstations.
Contenido
Desplegar un agente en Agent Runtime
Agent Runtime es un runtime totalmente gestionado para desplegar, operar y escalar aplicaciones con agentes, sin ocuparte de la infraestructura.
- Permite personalizar la imagen del contenedor del agente con scripts de instalación de dependencias.
- Seguridad: compatible con VPC Service Controls, autenticación configurable e IAM.
- Acceso a modelos y herramientas, como las llamadas a funciones.
- Por razones históricas, el recurso de la API se llama
ReasoningEngine. - Se observa con Cloud Trace y Cloud Logging.
Flujo de trabajo y formas de desplegar
Preparar el entorno: Proyecto de Google Cloud, un bucket de Cloud Storage como zona de staging del despliegue y el SDK de Agent Platform para Python.
Desarrollar el agente: Con el framework que prefieras.
Desplegarlo: En el runtime gestionado de Agent Runtime.
Usarlo: Consultando al agente con peticiones a la API.
Gestionarlo: Listar, actualizar y borrar los agentes desplegados.
| Forma | Cuándo |
|---|---|
| Imagen de contenedor | Desde Artifact Registry. Cualquier lenguaje o framework que cumpla el contrato del runtime |
| Dockerfile | Agent Runtime construye y despliega la imagen |
| SDK de Agent Platform | Plantillas gestionadas para LangChain, LangGraph, AG2 y LlamaIndex (agent_engines.create(...)) |
| Agent Development Kit | Integración completa: CLI adk (Python) o adkgo (Go) |
| Plantilla personalizada | Otros frameworks, como CrewAI |
La Agents CLI cubre el ciclo completo (crear, evaluar, desplegar, publicar y observar) con plantillas, un playground, Terraform para la infraestructura y pipelines de CI/CD con Cloud Build.
Identidad y permisos del agente
- Quien despliega necesita el rol Agent Platform User (
roles/aiplatform.user). - Por defecto los agentes se ejecutan con el agente de servicio de AI Platform Reasoning Engine.
- También se puede usar una identidad de agente de IAM, ligada a cada agente individual, para un control de acceso más preciso, o una cuenta de servicio propia.
- Los permisos que el agente necesite sobre otros servicios (por ejemplo, una base de datos) se conceden a esa identidad.
Agent Platform Workbench
Instancias de desarrollo basadas en Jupyter para todo el flujo de ciencia de datos. Cada instancia es una VM de Compute Engine con JupyterLab y paquetes de deep learning (TensorFlow, PyTorch) preinstalados, solo con CPU o con GPU.
Acceso a datos
Navegar por Cloud Storage y consultar tablas de BigQuery desde JupyterLab.
Ejecuciones de notebooks
El executor ejecuta un notebook una vez o de forma programada en Agent Platform custom training, incluso con la instancia apagada; los resultados se guardan en Cloud Storage.
Seguridad
Red de Google o tu propia VPC, perímetro de VPC Service Controls, CMEK y Confidential Computing.
Gestión
Apagado automático por inactividad (activado por defecto), entornos conda adicionales como kernels y sincronización con GitHub.
Notebooks en BigQuery
BigQuery integra notebooks de Colab Enterprise para flujos de ciencia de datos y ML en una sola interfaz, combinando SQL, Python, texto y visualizaciones.
- Celdas de texto (Markdown), de código (Python) y de SQL; las celdas SQL pueden usar variables de Python.
- BigQuery DataFrames sin configuración adicional, autocompletado de SQL y visualizaciones con matplotlib o seaborn.
- Crear, evaluar y desplegar modelos de BigQuery ML.
- Historial de versiones y compartición con IAM.
- El Data Science Agent automatiza análisis exploratorio, limpieza, visualización y tareas de ML.
Cloud Workstations
Entornos de desarrollo gestionados con seguridad integrada. En lugar de que cada desarrollador instale herramientas, se define un entorno reproducible y se accede desde un IDE en el navegador, desde editores locales (VS Code, JetBrains) o por SSH.
| Recurso | Qué define |
|---|---|
| Clúster de estaciones | Un grupo de estaciones en una región y la VPC a la que se conectan. No tiene relación con los clústeres de GKE |
| Configuración | La plantilla: tipo de VM, almacenamiento persistente, imagen de contenedor con el entorno, IDE. Se comparte con IAM |
| Estación de trabajo | El entorno de cada desarrollador, creado a partir de una configuración |
- Se ejecutan en VM efímeras de Compute Engine de tu proyecto y se arrancan o detienen bajo demanda.
- Al detenerse se borran la VM y los datos de ejecución; con un directorio home persistente (un disco persistente) los datos se conservan entre sesiones.
- Idle timeout y running timeout apagan las estaciones que no se usan y obligan a reiniciar para aplicar cambios.
- Los cambios en la configuración se aplican a cada estación la próxima vez que se reinicia.
- Cada estación tiene su propio nombre de host; con un gateway privado, solo se accede desde tu red privada.
- Con el editor base (Code OSS), Gemini Code Assist ayuda a escribir código.
Qué entorno usar
| Necesidad | Herramienta |
|---|---|
| Agente de IA en producción | Agent Runtime |
| Ciencia de datos con Jupyter, GPU y ejecuciones programadas | Agent Platform Workbench |
| Análisis de datos de BigQuery con SQL y Python | Notebooks de Colab Enterprise en BigQuery |
| Entornos de desarrollo de software estandarizados | Cloud Workstations |
Escenarios de examen
| Situación | Respuesta | Por qué |
|---|---|---|
| Llevar a producción un agente hecho con ADK sin gestionar infraestructura | Agent Runtime | Runtime gestionado para agentes. |
| El agente está empaquetado como imagen de contenedor | Desplegar la imagen desde Artifact Registry | Agent Runtime admite cualquier lenguaje si cumple el contrato. |
| Ejecutar cada noche un notebook de entrenamiento aunque la instancia esté apagada | Ejecución programada en Workbench | El executor corre el notebook y guarda el resultado. |
| Combinar SQL y Python sobre tablas de BigQuery con visualizaciones | Notebook de Colab Enterprise en BigQuery | Celdas SQL y Python en la misma interfaz. |
| Que todos los desarrolladores tengan el mismo entorno sin instalar nada | Cloud Workstations con una configuración compartida | La configuración es una plantilla reproducible. |
| Las estaciones de trabajo deben apagarse solas si nadie las usa | Idle timeout en la configuración | Reduce costes y aplica cambios al reiniciar. |
| Notebooks de Workbench que se dejan encendidos por error | Apagado automático por inactividad | Está activado por defecto. |
Trampas frecuentes del examen
❓ ¿Cómo se llama ahora Vertex AI Agent Engine?
Agent Runtime, dentro de Gemini Enterprise Agent Platform. En la API el recurso sigue llamándose ReasoningEngine.
❓ ¿Qué identidad usa por defecto un agente en Agent Runtime?
El agente de servicio de AI Platform Reasoning Engine. Se puede usar una identidad de agente o una cuenta de servicio propia.
❓ ¿Un clúster de Cloud Workstations es un clúster de GKE?
No. Agrupa estaciones en una región y una VPC; no tiene relación con GKE.
❓ ¿Se conservan los archivos de una estación de trabajo al detenerla?
Solo los del directorio home persistente, si está configurado. La VM y los datos de ejecución se borran.
❓ ¿Cuándo se aplica un cambio en la configuración de Cloud Workstations?
Cuando cada estación se reinicia.
❓ ¿Qué es una instancia de Workbench por debajo?
Una VM de Compute Engine con JupyterLab.
¿Entendiste este tema?
Pon a prueba lo que acabas de aprender
Una empresa quiere que sus 80 desarrolladores trabajen con el mismo entorno (IDE, librerías, versión del SDK) sin instalar nada en sus portátiles, que los entornos se apaguen solos cuando no se usan y que un cambio de versión llegue a todos. ¿Qué usa?
¿Listo para poner a prueba "Agentes, notebooks y entornos de desarrollo"?
Preguntas originales, cada una con su explicación.
Empezar un simulacro