Skip to content

enterprise-agent

Directory actions

More options

Directory actions

More options

Latest commit

 

History

History

enterprise-agent

Folders and files

NameName
Last commit message
Last commit date

parent directory

..
enterprise_agent
enterprise_agent
 
 
tests
tests
 
 
Makefile
Makefile
 
 
README.md
README.md
 
 
pyproject.toml
pyproject.toml
 
 
requirements.txt
requirements.txt
 
 

README.md

教學 26: Gemini Enterprise - 企業級 Agent 平台

使用 Gemini Enterprise (前身為 Google AgentSpace) 在企業規模部署和管理 ADK Agent

概述

本教學演示如何建立適合部署到 Gemini Enterprise 的生產級 ADK Agent，Gemini Enterprise 是 Google Cloud 的企業級 Agent 編排、治理和協作平台。

您將學到：

  • 使用 ADK 建立企業級 Agent
  • 設計用於企業整合的工具
  • 潛在客戶資格審查和評分模式
  • 透過 Vertex AI Agent Builder 將 Agent 部署到 Gemini Enterprise
  • 企業治理和安全模式

關鍵概念：

  • 企業級 Agent 架構
  • CRM 整合工具設計
  • 潛在客戶評分演算法
  • 競爭情報收集
  • 生產部署工作流程

快速入門

# 1. 設定
make setup

# 2. 設定身份驗證
export GOOGLE_API_KEY=your_api_key_here

# 3. 執行演示
make demo

# 4. 啟動開發伺服器
make dev

專案結構

enterprise-agent/
├── enterprise_agent/           # Agent 實作
│   ├── __init__.py            # 套件初始化
│   ├── agent.py               # 企業潛在客戶資格審查 Agent
│   └── .env.example           # 環境變數範本
├── tests/                     # 完整的測試套件
│   ├── __init__.py
│   ├── test_agent.py          # Agent 設定測試
│   ├── test_tools.py          # 工具函數測試 (28 個測試)
│   ├── test_imports.py        # 匯入驗證測試
│   └── test_structure.py      # 專案結構測試
├── pyproject.toml             # 現代 Python 打包設定
├── requirements.txt           # Python 依賴
├── Makefile                   # 開發指令
└── README.md                  # 本文件

Agent 架構

graph TD
    S[輸入：潛在客戶 / 公司線索] --> CFG

    subgraph F[ADK 代理框架（ADK Agent Framework）]
        subgraph R[root_agent（根代理）]
            CFG["代理設定（Agent Configuration）<br/>
            • 模型：gemini-2.0-flash<br/>
            • 指令：潛在客戶資格判斷邏輯（Lead qualification logic）<br/>
            • 工具：check_company_size、score_lead、get_competitive_intel"]
        end

        subgraph O[工具編排<br/>（Tool Orchestration）]
            CL["公司查詢（Company Lookup）<br/>
            • CRM API<br/>
            • Clearbit<br/>
            • ZoomInfo"]

            LS["線索評分（Lead Scoring）<br/>
            • 評分演算法<br/>
            • 0–100 分制<br/>
            • 評級門檻（Thresholds）"]

            CI["競爭情報（Competitive Intelligence）<br/>
            • 市場資料<br/>
            • 新聞 API"]
        end
    end

    CFG --> CL
    CFG --> LS
    CFG --> CI

    CL --> RESP
    LS --> RESP
    CI --> RESP

    RESP["最終輸出（Final Response）<br/>
    • 公司概況<br/>
    • 線索分數與等級<br/>
    • 資格判斷因素<br/>
    • 推薦建議<br/>
    • 競爭洞察"]
Loading

資料流程：

  1. 使用者查詢 → Agent 接收資格審查請求
  2. 工具選擇 → Agent 根據查詢選擇適當的工具
  3. 資料收集 → 工具獲取公司資料、計算分數、收集情報
  4. 綜合 → Agent 將工具輸出結合成全面的建議
  5. 回應 → 包含可執行洞察的結構化資格報告

本教學實作內容

企業潛在客戶資格審查 Agent

一個展示企業部署模式的生產級 Agent：

Agent 能力：

  • 公司情報：查詢公司規模、營收和產業
  • 潛在客戶評分：根據客觀標準將潛在客戶評分 0-100
  • 競爭分析：提供銷售定位的情報

評分標準：

  • 公司規模 > 100 名員工：+30 分
  • 目標產業 (科技、金融、醫療保健)：+30 分
  • 企業預算層級：+40 分

資格閾值：

  • 70-100：高度符合資格 (HIGHLY QUALIFIED) → 立即安排演示
  • 40-69：符合資格 (QUALIFIED) → 提供針對性內容進行培育
  • 0-39：不符合資格 (UNQUALIFIED) → 加入電子報以供後續追蹤

潛在客戶資格審查工作流程

flowchart TD

    A[使用者請求：<br/>「評估 TechCorp 是否為合格銷售線索」] --> B

    B[公司查詢<br/>（Company Lookup）<br/>check_company_size]
        -->|查詢公司規模、營收、產業別| C

    C[線索評分<br/>（Lead Scoring）<br/>score_lead]
        -->|套用 0–100 評分模型<br/>• 公司規模 >100：+30 分<br/>• 目標產業：+30 分<br/>• 企業預算：+40 分| D

    D[資格判斷<br/>（Qualification Decision）]
        -->|依分數路由：<br/>• 70–100：安排 Demo<br/>• 40–69：培育流程<br/>• 0–39：電子報訂閱| E

    E[競爭分析（選用）<br/>（Competitive Analysis）<br/>get_competitive_intel]
        -->|比較競品、補充洞察| F

    F[最終建議（Final Recommendation）]
Loading

工具函數

1. check_company_size(company_name: str)

從企業資料庫查詢公司資訊。

生產環境中： 將整合：

  • CRM 系統 (Salesforce, HubSpot)
  • 公司情報 API (Clearbit, ZoomInfo)
  • 內部資料庫

回傳值：

{
    "status": "success",
    "company_name": "TechCorp",
    "data": {
        "employees": 250,
        "revenue": "50M",
        "industry": "technology"
    },
    "report": "Found company data: 250 employees, $50M revenue"
}

2. score_lead(company_size: int, industry: str, budget: str)

根據資格標準將銷售潛在客戶評分 0-100。

評分邏輯：

  • 大型公司 (>100 員工)：+30 分
  • 目標產業 (科技/金融/醫療保健)：+30 分
  • 企業預算：+40 分 (商業預算：+20 分)

回傳值：

{
    "status": "success",
    "score": 100,
    "qualification": "HIGHLY QUALIFIED",
    "factors": [
        "✅ Company size > 100 employees (+30 points)",
        "✅ Target industry: technology (+30 points)",
        "✅ Enterprise budget tier (+40 points)"
    ],
    "recommendation": "Schedule demo immediately",
    "report": "Lead scored 100/100 - HIGHLY QUALIFIED. Schedule demo immediately"
}

3. get_competitive_intel(company_name: str, competitor: str)

提供銷售定位的競爭情報。

生產環境中： 將整合：

  • 市場情報平台
  • 新聞聚合 API
  • 社群聆聽工具
  • 財務數據提供商

回傳值：

{
    "status": "success",
    "data": {
        "company": "TechCorp",
        "competitor": "CompetitorX",
        "differentiators": [...],
        "competitor_weaknesses": [...],
        "recent_news": [...]
    },
    "report": "Competitive Analysis: TechCorp vs CompetitorX\n..."
}

使用範例

範例 1：評估潛在客戶

from enterprise_agent import root_agent
from google.adk.agents import Runner

runner = Runner()
result = await runner.run_async(
    "Qualify TechCorp as a sales lead with enterprise budget",
    agent=root_agent
)
print(result.content.parts[0].text)

範例輸出：

TechCorp Lead Qualification:

Company Profile:
- Size: 250 employees
- Revenue: $50M
- Industry: Technology

Lead Score: 100/100 - HIGHLY QUALIFIED

Qualification Factors:
✅ Company size > 100 employees (+30 points)
✅ Target industry: technology (+30 points)
✅ Enterprise budget tier (+40 points)

Recommendation: Schedule demo immediately

This is an ideal prospect matching all our qualification criteria.
Priority: High - Contact within 24 hours.

範例 2：與競爭對手比較

result = await runner.run_async(
    "Compare us to CompetitorX for the TechCorp opportunity",
    agent=root_agent
)

範例 3：評估多個潛在客戶

result = await runner.run_async(
    "Score these leads: FinanceGlobal (business budget), RetailMart (startup budget)",
    agent=root_agent
)

測試

執行完整的測試套件：

make test

測試覆蓋率：

  • ✅ Agent 設定與建立 (8 個測試)
  • ✅ 工具函數邏輯 (28 個測試)
    • 公司查詢功能
    • 潛在客戶評分演算法
    • 競爭情報收集
    • 完整資格審查工作流程
  • ✅ 匯入驗證 (9 個測試)
  • ✅ 專案結構驗證 (14 個測試)
  • 總計：59+ 個完整測試

部署到 Gemini Enterprise

選項 1：透過 ADK CLI 部署

# 部署到 Vertex AI Agent Engine
adk deploy agent_engine \
  --project your-gcp-project \
  --region us-central1 \
  --staging_bucket gs://your-staging-bucket \
  --display_name "Enterprise Lead Qualifier" \
  ./enterprise_agent

選項 2：透過 Python API 部署

from vertexai import agent_engines

# 將 Agent 包裝在 AdkApp 物件中
app = agent_engines.AdkApp(
    agent=root_agent,
    enable_tracing=True
)

# 部署到 Agent Engine
remote_app = agent_engines.create(
    app=app,
    project='your-gcp-project',
    region='us-central1',
    display_name='Enterprise Lead Qualifier'
)

選項 3：手動打包並部署

# 建立部署套件
adk package \
  --agent agent.py:root_agent \
  --requirements requirements.txt \
  --output lead-qualifier-v1.zip

# 透過 gcloud 部署
gcloud ai agent-builder agents create \
  --project=your-project \
  --region=us-central1 \
  --display-name="Lead Qualifier" \
  --description="Enterprise sales lead qualification"

企業設定

生產環境設定

對於生產部署，請透過 Gemini Enterprise 控制台設定您的 Agent，或使用 ADK 部署 API 進行自動化設定。

資料連接器

在 Gemini Enterprise 控制台中設定企業資料來源：

Salesforce 整合：

  • CRM 資料存取 (潛在客戶、機會、帳戶)
  • OAuth2 身份驗證
  • 即時同步

公司情報 API：

  • Clearbit 或 ZoomInfo 整合
  • 公司基本資料
  • 產業和規模資訊

分析平台：

  • BigQuery 用於歷史分析
  • 潛在客戶評分模型訓練資料
  • 效能指標

Gemini Enterprise 功能

您將獲得

Agent 管理：

  • 網頁版 Agent 控制台
  • 用於發現和分享的 Agent Gallery
  • 用於無程式碼 Agent 建立的 Agent Designer
  • 版本控制和 rollback

治理：

  • 基於角色的存取控制 (RBAC)
  • 資料駐留控制
  • 合規性 (SOC2, GDPR, HIPAA, FedRAMP)
  • 稽核日誌
  • PII 保護

協作：

  • 多 Agent 編排
  • 跨團隊 Agent 分享
  • 使用量監控和成本追蹤
  • 效能分析

資料連接器：

  • Google Workspace (Drive, Docs, Sheets)
  • Microsoft 365 (SharePoint, OneDrive)
  • Salesforce CRM
  • BigQuery 和 Cloud Storage
  • GitHub 儲存庫

定價 (2025 年 10 月)

Gemini Business - $21/席位/月

  • 預建 Google Agent
  • Agent Designer (無程式碼建構器)
  • 基本資料連接器
  • 每個席位 25 GiB 儲存空間 (共用池)
  • 最多 300 個席位

Gemini Enterprise Standard - $30/席位/月

  • 包含 Business 版所有功能
  • 自帶 ADK Agent
  • 進階安全性 (VPC-SC, CMEK)
  • 增強合規性 (HIPAA, FedRAMP)
  • 每個席位 75 GiB 儲存空間 (共用池)
  • 無限席位

使用成本 (所有版本)：

  • 模型推論：標準 Vertex AI 定價
    • gemini-2.0-flash: ~$0.075/1M 輸入 token
    • gemini-2.5-flash: ~$0.075/1M 輸入 token
    • gemini-2.5-pro: ~$1.25/1M 輸入 token
  • 儲存：$0.023/GB/月 (超過配額部分)

開發

本地執行

# 啟動 ADK 網頁介面
make dev

# 開啟 http://localhost:8000
# 從 agent 下拉選單中選擇 'lead_qualifier'

執行測試

# 執行所有測試
make test

# 執行特定測試檔案
pytest tests/test_tools.py -v

# 執行包含覆蓋率的測試
pytest tests/ --cov=enterprise_agent --cov-report=html

進行修改

  1. 編輯 enterprise_agent/agent.py
  2. 執行測試：make test
  3. 本地測試：make dev
  4. 部署到暫存環境
  5. 監控與驗證
  6. 推廣到生產環境

生產考量

安全性

  • 在生產環境使用服務帳戶身份驗證
  • 啟用 VPC Service Controls 進行資料隔離
  • 實作客戶管理加密金鑰 (CMEK)
  • 定期安全稽核和滲透測試
  • API 速率限制和濫用預防

效能

  • 模型選擇：常規查詢使用 gemini-2.0-flash
  • 實作公司資料查詢快取
  • 批次處理大量潛在客戶評分
  • 根據需求自動擴展
  • 資料庫存取連接池

監控

  • Cloud Monitoring 儀表板
  • 錯誤率警報 (>5% 閾值)
  • 延遲監控 (P95 < 2s)
  • 成本追蹤和預算警報
  • 使用者滿意度指標

合規性

  • 啟用所有 Agent 互動的稽核日誌
  • 設定資料駐留需求
  • 實作 PII 遮蔽策略
  • 定期合規性審查 (SOC2, GDPR, HIPAA)
  • 資料保留和刪除策略

疑難排解

常見問題

問題： Agent 未出現在 ADK 網頁介面中

# 解決方案：以可編輯模式安裝套件
pip install -e .

問題： 身份驗證錯誤

# 解決方案：設定 API 金鑰
export GOOGLE_API_KEY=your_key_here

# 或針對 Vertex AI：
export GOOGLE_APPLICATION_CREDENTIALS=/path/to/key.json
export GOOGLE_CLOUD_PROJECT=your-project

問題： 匯入錯誤

# 解決方案：安裝依賴
make setup

連結

貢獻

本實作遵循既定的教學模式：

  1. 程式碼優先：在文件之前完成實作
  2. 全面測試：59+ 個測試涵蓋所有功能
  3. 友善設定：簡單的 make setup && make dev 工作流程
  4. 清晰文件：逐步指南和架構說明
  5. 生產就緒：企業部署的真實世界模式

為 ADK 社群用 ❤️ 打造

潛在客戶評分演算法

flowchart TD
    Start[輸入參數: company_size, industry, budget_tier] --> Criteria

    subgraph Criteria [評分標準]
        direction TB
        SizeCheck{公司規模 > 100 員工?}
        SizeCheck -- 是 --> SizePts[+30 分]
        SizeCheck -- 否 --> NoSizePts[+0 分]

        IndCheck{"目標產業 (科技/金融/醫療)?"}
        IndCheck -- 是 --> IndPts[+30 分]
        IndCheck -- 否 --> NoIndPts[+0 分]

        BudgetCheck{預算層級}
        BudgetCheck -- 企業 --> EntPts[+40 分]
        BudgetCheck -- 商業 --> BusPts[+20 分]
        BudgetCheck -- 新創 --> StartPts[+0 分]
    end

    SizePts & NoSizePts --> TotalScore
    IndPts & NoIndPts --> TotalScore
    EntPts & BusPts & StartPts --> TotalScore

    TotalScore["總分 (0-100)"] --> Levels

    subgraph Levels [資格等級]
        Highly[70-100: 高度符合資格]
        Qualified[40-69: 符合資格]
        Unqualified[0-39: 不符合資格]
    end
Loading

範例計算：

  • TechCorp: 250 名員工 (科技) + 企業預算
  • 分數：30 (規模) + 30 (產業) + 40 (預算) = 100/100
  • 結果：高度符合資格 → 立即安排演示

重點摘要 (程式碼除外)

  • 核心概念：Gemini Enterprise 平台上的企業級 Agent 開發與部署。
  • 關鍵技術：Google ADK, Gemini Enterprise, Vertex AI Agent Builder, Python, Mermaid 圖表。
  • 重要結論：本專案展示了如何建立一個生產就緒的潛在客戶資格審查 Agent，包含完整的測試、文件和部署流程。它強調了企業整合、潛在客戶評分邏輯和競爭分析的重要性。
  • 行動項目：
    1. 設定開發環境 (make setup)。
    2. 設定身份驗證。
    3. 執行演示 (make demo) 驗證功能。
    4. 參考部署選項將 Agent 部署到 Gemini Enterprise。