Gemini Enterprise Agent Platform
Jedno środowisko, w którym Twój zespół IT projektuje, wdraża i utrzymuje agentów AI
Agent Platform to ewolucja Vertex AI, ogłoszona na Cloud Next '26. Łączy cztery filary cyklu życia agenta: Build (Agent Studio + ADK + Model Garden), Scale (Agent Runtime + Memory Bank), Govern (Registry + Gateway + Model Armor) i Optimize (Gen AI evaluation + Observability). Wdrażamy ją od architektury po pierwszych agentów w produkcji.
+
modeli w Model Garden
filary
Build, Scale, Govern, Optimize
mln+
pobrań ADK
ewolucja
Vertex AI w nowej platformie
Pojedynczy prototyp agenta zbudujesz w tydzień. Produkcyjna platforma to inna liga.
Większość zespołów IT ma już za sobą eksperyment z agentem AI. Notatnik w Jupyterze, LangChain, jakiś prosty pipeline. To działa, dopóki obsługuje jeden use case, jeden zespół i kilkudziesięciu użytkowników. Skala produkcyjna ujawnia problemy, których w prototypie nie widać.
Pewnie znasz przynajmniej jedną z tych sytuacji:
-
Każdy agent żyje w osobnym repo i innym środowisku
Jeden zespół zrobił agenta w LangChain, drugi w n8n, trzeci w czystym Pythonie. Każdy ma własny deployment, własne klucze API, własną politykę bezpieczeństwa. Operacyjnie to chaos. -
Brak długiej pamięci i kontekstu między sesjami
Prototypowy agent zapomina o wszystkim po zakończeniu rozmowy. Produkcyjny agent obsługujący klienta musi pamiętać historię, preferencje, wcześniejsze problemy. Implementacja tego od zera to projekt sam w sobie. -
Multi-agent orchestration to teoria
Pojedynczy agent z 4 toolami działa. Sieć 7 agentów współpracujących ze sobą, delegujących zadania i wymieniających dane, wymaga już osobnego frameworka. -
Governance jest poza zakresem
Kto może wywołać którego agenta, na jakich danych może działać, czy odpowiedź zostanie zalogowana, kto otrzymuje alerty o anomaliach. W prototypie nie ma tego ani śladu. W produkcji bez tego nie da się przejść audytu. -
Modele zmieniają się co kwartał
Wczoraj był Gemini 2.5, dziś jest Gemini 3.1 Pro, Claude Opus 4.7, Veo 3.1 dla wideo. Zmiana modelu pod warstwą agenta wymaga dostosowania kodu, jeśli zaczynałeś od zera.
Agent Platform jako fundament, nie kolejna biblioteka
Google projektował Agent Platform z założeniem, że agent to nowy typ aplikacji enterprise, z własnym cyklem życia (Agent Development Lifecycle). Cztery filary platformy (Build, Scale, Govern, Optimize) odpowiadają na cztery klasy problemów, które rozwiązuje produkcyjny agent. Naszym zadaniem jest złożyć z tego architekturę pasującą do Twojego IT i wdrożyć ją w sposób, który da się utrzymać w długim okresie.
Prowadzimy projekt Agent Platform w czterech etapach:
Architektura platformy i pierwsze use case'y
Projektujemy strukturę projektów Google Cloud, model uprawnień IAM, polityki Agent Gateway, sposób integracji z resztą Twojego IT (SAP, ERP, BigQuery, systemy transakcyjne). Wybieramy 2-3 pierwsze use case'y, na których platforma się skaluje.
Budowa pierwszych agentów
W zależności od profilu agenta używamy Agent Studio (low-code, dla prostszych scenariuszy) lub Agent Development Kit (ADK, dla zaawansowanych multi-agent orchestrations). W ADK używamy gotowych connectorów i narzędzi albo tworzymy własne według potrzeb klienta.
Wdrożenie i governance
Konfigurujemy agentów w Agent Registry, ustawiamy monitoring w Cloud Observability i ewaluację jeśli jest to potrzebne.
Skalowanie i utrzymanie
Po pierwszych agentach w produkcji skalujemy: dokładamy kolejne use case'y, optymalizujemy koszty (jak modele i runtime są rozliczane per-use), aktualizujemy do nowych wersji modeli. W modelu Managed Services przejmujemy ciągłą opiekę nad platformą.
Masz pierwsze agenty AI w prototypach, ale nie wiesz, jak je wdrożyć produkcyjnie?
Zaprojektujemy architekturę Agent Platform pod Twoje use case'y. Pokażemy, jak przejść od notebooka do działającej platformy.
Cztery filary cyklu życia agenta
Agent Platform to nie pojedyncze narzędzie. To zestaw zintegrowanych usług pokrywających cały Agent Development Lifecycle. Każdy z czterech filarów rozwiązuje inną klasę problemów.
Build: jak agent powstaje
- Agent Studio (low-code): wizualne projektowanie agenta, zarządzanie promptami, testowanie w naturalnym języku, kodzie, na obrazach i wideo. Dla zespołów, które chcą szybko prototypować bez kodu.
- Agent Development Kit (ADK): Python-native framework, open-source, ponad 7 milionów pobrań. Daje precyzyjną kontrolę nad logiką, narzędziami i orchestracją. Multi-agent orchestration oparta na nowym graph-based framework. Model-agnostic (Gemini, Claude, open) i deployment-agnostic (Runtime, Cloud Run, GKE, lokalnie).
- Model Garden: ponad 200 modeli w jednym miejscu. Gemini 3.1 Pro, Gemini 3 Flash, Gemini 3.1 Flash Image, Lyria 3 (audio), Veo 3.1 (video), Gemma 4 (open), Claude (Opus, Sonnet, Haiku), Grok, Mistral, Llama, DeepSeek, Qwen. Wybierasz model do problemu, koszt rozliczasz w jednym środowisku.
- Agents CLI: ujednolicony interfejs dla narzędzi developerskich (Gemini CLI, Claude Code, Codex). Pozwala definiować, testować i wdrażać agentów w naturalnym języku.
Scale: jak agent działa w produkcji
- Agent Engine Runtime: fully managed środowisko uruchomieniowe zaprojektowane pod long-running agent workloads. Skaluje się automatycznie.
- Memory Bank: trwała pamięć agenta między sesjami. Konfigurowalna polityka co i jak długo agent pamięta.
- Sessions: zarządzanie kontekstem rozmowy.
- Multimodal streaming: real-time obsługa audio i wideo (na przykład agent prowadzący rozmowę głosową).
- Batch & Event-driven agents: agenty uruchamiane na wsadach z BigQuery lub w odpowiedzi na zdarzenia z Pub/Sub.
Govern: jak agent jest pod kontrolą
- Agent Registry: centralny katalog wszystkich agentów w organizacji, ich konfiguracji, wersji i właścicieli.
- Agent Gateway: warstwa egzekwowania polityk, kontrola, kto może wywołać którego agenta i na jakich warunkach.
- Model Armor: zero-code security enforcement, zabezpieczenie agenta przed prompt injection, wyciekiem danych, niepożądanymi odpowiedziami. Dla ADK konfigurowane przez REST API w kodzie agenta.
- SPIFFE workload identity: kryptograficzna tożsamość każdego agenta jako workload, niezależnie od użytkownika końcowego.
Optimize: jak agent się poprawia
- Gen AI Evaluation: testowanie jakości agenta na realnych scenariuszach (sekwencjach kroków), nie tylko pojedynczych odpowiedziach.
- Cloud Observability + Topology: pełny obraz tego, co dzieje się w runtime, jakie modele są wywoływane, gdzie są wąskie gardła.
Jeden agent czy ekosystem współpracujących agentów: tu jest realna decyzja
Przy budowie agentów łatwo skupić się na technicznym detalu: czy w środku agent jest pojedynczy, czy złożony z orkiestratora i wyspecjalizowanych podagentów. Z Twojej perspektywy to bez znaczenia. Niezależnie od tego, jak jest zbudowany w środku, na wyjściu dostajesz jednego, opublikowanego agenta, który robi swoje zadanie. Jak rozłożyć go wewnętrznie, to nasza decyzja inżynierska, a nie coś, czym musisz się przejmować.
Prawdziwa decyzja architektoniczna jest gdzie indziej i dotyczy tego, czy budujesz jednego samodzielnego agenta, czy ekosystem wielu niezależnych agentów, które komunikują się ze sobą.
Samodzielny agent
Jeden opublikowany agent z dostępem do potrzebnych narzędzi: na przykład BigQuery, kalendarza, bazy wiedzy, systemu zgłoszeń. Realizuje konkretne zadanie albo obsługuje określony proces od początku do końca. To, czy pod spodem jest prostym agentem, czy złożoną konstrukcją z podagentami, pozostaje ukryte i nieistotne dla użytkownika. Takie podejście pasuje do większości scenariuszy: asystenta dla zespołu, obsługi konkretnego procesu, odpowiadania na pytania na bazie dokumentów.
Ekosystem agentów (A2A)
Tu zmienia się model. Zamiast jednego agenta masz wiele niezależnych agentów, często będących osobnymi wdrożeniami, czasem należących do różnych zespołów czy nawet organizacji, które wchodzą ze sobą w interakcje i wymieniają zadania. To podejście agent-to-agent, w którym agenci nie są częściami jednej całości, ale samodzielnymi bytami współpracującymi po ustalonym protokole.
Dlaczego ta druga decyzja jest istotna
Różnica nie jest kosmetyczna. Samodzielny agent to jedno wdrożenie, jedna odpowiedzialność, jeden punkt utrzymania i nadzoru. Ekosystem A2A to wiele niezależnych agentów, które trzeba osobno utrzymywać, zabezpieczać i wersjonować, a do tego zarządzać tym, jak się ze sobą komunikują, komu ufają i kto za co odpowiada. To realnie inny poziom złożoności i inny model współpracy, dlatego sięgamy po niego wtedy, gdy zadanie naprawdę tego wymaga, na przykład gdy agenci różnych zespołów lub firm mają ze sobą współpracować, zachowując niezależność.
Jak do tego podchodzimy
W większości przypadków właściwym wyborem jest samodzielny agent, bo daje prostotę utrzymania i jasną odpowiedzialność. Po architekturę wieloagentową A2A sięgamy świadomie, gdy istnieje realna potrzeba współdziałania niezależnych agentów, a nie dlatego, że brzmi nowocześnie. Doradzamy, który model pasuje do Twojego przypadku, zamiast z góry zakładać ten bardziej złożony.
Agent Platform mówi w protokołach, których używają inne agenty
Agenci wbudowani w platformę nie żyją w izolacji. Agent Platform wspiera dwa kluczowe protokoły międzysystemowe i bogaty ekosystem integracji.
01
A2A (Agent-to-Agent)
Protokół Google do komunikacji między agentami, niezależnie od tego, gdzie i w jakim frameworku zostały zbudowane. To pozwala agentowi z Agent Platform wywołać agenta partnera (na przykład agenta od Salesforce, ServiceNow, Workday) jako jeszcze jednego współpracownika.
02
MCP (Model Context Protocol)
Otwarty standard zainicjowany przez Anthropic, wspierany przez ADK. Pozwala agentowi korzystać z toolset zdefiniowanego przez zewnętrzną aplikację. To rosnący ekosystem konektorów MCP do popularnych narzędzi (kalendarze, repozytoria, dokumenty, bazy danych).
03
Native Ecosystem Integrations
Wbudowane konektory plug-and-play do popularnych SaaS i systemów enterprise (Oracle, Salesforce, ServiceNow, Adobe, Atlassian, Workday).
04
Połączenia z resztą Twojego IT
W naszych wdrożeniach łączymy Agent Platform z BigQuery (jako jedno źródło prawdy o danych firmy), Agent Registry (dla wdrażania agentów własnych), SAP, Comarch ERP i WEBCON BPS przez konektory. Agent nie jest osobnym światem, jest częścią Twojej architektury.
Dlaczego warto wdrożyć Agent Platform z 7Technology
Google Cloud Sell & Service Partner z głębią AI
Mamy bezpośredni dostęp do najnowszych funkcji Agent Platform, w tym tych, które są jeszcze w preview. Jako partner negocjujemy warunki kontraktowe i kredyty dla Twojej organizacji.
Architektura, nie tylko prototyp
Większość zespołów AI buduje agenty jako proof of concept, a potem nie wie, co zrobić, żeby przeszły do produkcji. My zaczynamy od architektury platformy i governance, potem dokładamy agentów. To podejście, na którym da się skalować, a nie tylko pokazać demo.
Łączymy Agent Platform z resztą Twojego IT
ADK + Agent Registry to nie wszystko. Agent w produkcji potrzebuje danych z SAP, integracji z WEBCON BPS, dostępu do BigQuery, mechanizmów obiegu dokumentów. Mamy te kompetencje w jednym zespole, więc agenci wdrażane przez nas mają realny dostęp do systemów Twojej firmy.
Doradzamy model w Model Garden, nie sprzedajemy jednego
Niektóre zadania lepiej robi Gemini, niektóre Claude, niektóre open model. W naszych wdrożeniach dobieramy model do problemu i optymalizujemy koszty, bo Model Garden pozwala mieszać modele bez zmieniania całej architektury.
Zostajemy po wdrożeniu
Agent w produkcji wymaga ciągłej opieki: nowe wersje modeli, optymalizacja kosztów, nowe konektory MCP, ewaluacja jakości. W modelu Managed Services GCP pilnujemy, żeby platforma była stabilna, bezpieczna i optymalna kosztowo.
Co mówią o nas klienci
"Migracja produkcyjnego SAP była dla nas projektem o najwyższym ryzyku. 7Technology przeprowadziło nas przez nią bez ani jednego nieplanowanego przestoju."
Lucyna Michniewicz
CIO @ VOX
"Szukaliśmy partnera, który weźmie odpowiedzialność za całość, a nie odeśle nas do kolejnego podwykonawcy. Po kilku latach współpracy wiem, że trafiliśmy dobrze."
Edyta Sapijaszko
CIO @ Herbapol
"Automatyzacja procesów na WEBCON BPS zdjęła z naszych zespołów dziesiątki godzin pracy ręcznej miesięcznie. Wdrożenie poszło sprawnie i zgodnie z planem."
Magdalena Obidowska
Project Manager @ Oceanic
Projekty, za które wzięliśmy odpowiedzialność
Środowisko IT dealera Mercedes-Benz w Google Cloud
Migracja kluczowych systemów biznesowych do chmury, a następnie przejęcie i integracja środowiska IT nowego salonu w Sosnowcu - bez przerwy w pracy sprzedaży i serwisu.
System:
Środowisko IT - ok. 55 systemów (m.in. ERP, DMS, systemy kadrowo-płacowe i księgowe, SAP)
Technologia:
Google Cloud Platform, Terraform, SAP
Kluczowe osiągnięcia:
Jedno środowisko dla 5 lokalizacji; przejęcie salonu bez przestoju
Automatyzacja sortowania półtusz w chłodni
Decyzję o przydziale półtuszy do zamówienia zamiast operatora podejmuje algorytm, a rozjazdy na torach przestawiają się same - na podstawie sześciu parametrów każdej sztuki.
System:
System MES 7Technology + dedykowany moduł automatyzacji chłodni
Technologia:
RFID w hakach, sterowniki PLC, integracja z wagami i klasyfikacją mięsności
Kluczowe osiągnięcia:
Kilku pracowników na zmianę → 1 operator; reakcja na zmianę zamówienia w kilka sekund
Od papierowych kart do pełnej identyfikowalności z 7MES
Wdrożenie objęło cały zakład - od rampy przyjęć, przez rozbiór i produkcję, po kontrolę załadunku pod dokiem - z pełną genealogią każdej partii.
System:
7MES (autorski system klasy MES 7Technology)
Technologia:
Comarch ERP XL, wagi hakowe / najazdowe / stanowiskowe / laboratoryjne, skanery i terminale dotykowe
Kluczowe osiągnięcia:
Kompletacja krótsza o 4–5 godzin; genealogia partii od ręki zamiast w dni
Cztery lata cyfryzacji na WEBCON BPS, SAP i AI
Kilkanaście procesów w WEBCON zintegrowanych z SAP, a najnowszy etap zamienił ponad 40 000 dokumentów surowcowych w przeszukiwalną bazę wiedzy dla działu badań.
System:
WEBCON BPS + SAP (moduły FI i MM)
Technologia:
WEBCON BPS, SAP Gateway (OData, REST API), Google Cloud (Gemini, BigQuery, Looker Studio), OCR, KSeF, Autenti
Kluczowe osiągnięcia:
Wyszukiwanie surowca z 2–4 godzin do poniżej 30 sekund
Powiązane technologie i usługi
Technologie:
Usługi
Konsultacje:
Często zadawane pytania o Agent Platform
Agent Platform to ewolucja Vertex AI. Wszystkie usługi Vertex AI Agent Builder zostały skonsolidowane pod nową nazwą. Klienci Vertex AI nie muszą migrować, te same usługi po prostu żyją w nowej platformie. Dochodzą nowe funkcje (Agent Engine Runtime, Memory Bank, Agent Designer integrowany z Gemini Enterprise app, graph-based multi-agent w ADK), a roadmap Vertex AI w przyszłości jest dostarczany przez Agent Platform.
ADK to Python-native, open-source framework do budowy AI agentów. Jest model-agnostic (Gemini, Claude, open) i deployment-agnostic (Agent Runtime, Cloud Run, GKE, lokalnie). Wspiera multi-agent orchestration przez graph-based framework, A2A i MCP.
Agent Studio to low-code interfejs, idealny do szybkich prototypów i prostszych agentów. ADK to code-first framework, daje pełną kontrolę nad logiką, multi-agent orchestracją i deployment. W praktyce zaczynamy często w Studio dla prototypu, a do produkcyjnego wdrożenia przechodzimy na ADK.
Tak. Model Garden zawiera ponad 200 modeli, w tym rodzinę Claude (Opus, Sonnet, Haiku), Grok, Mistral, Llama, DeepSeek, Qwen oraz open modele Google (Gemma 4). ADK jest model-agnostic. W jednym agencie możesz mieszać modele do różnych zadań, optymalizując jakość i koszt.
Fully managed środowisko uruchomieniowe zaprojektowane pod long-running agent workloads. Skaluje się automatycznie, ma wbudowane Sessions, Memory Bank i Workspaces (secure sandbox dla wykonywania komend). Alternatywnie, agentów z ADK możesz wdrożyć na Cloud Run, GKE lub lokalnie. W większości produkcyjnych wdrożeń Agent Engine Runtime jest dobrym punktem wyjścia.
Cztery warstwy: Model Armor (zero-code security enforcement przed prompt injection, dla ADK konfigurowany przez REST API w kodzie agenta), Agent Gateway (egzekwowanie polityk), Agent Registry (centralizacja konfiguracji), SPIFFE workload identity (kryptograficzna tożsamość agenta jako workload). Wszystko zintegrowane z Google Cloud IAM.
Tak, to jedna z głównych nowości. ADK ma graph-based framework do orkiestracji agentów: definiujesz strukturę sieci agentów, ich role i zasady komunikacji. Wspierane są dwa wzorce: predictable workflows (deterministyczne pipeliny) i dynamic routing (agenci sami decydują, do kogo delegują). Wspierany jest też protokół A2A do komunikacji między agentami w różnych systemach.
W modelu Managed Services GCP przejmujemy bieżącą opiekę nad platformą: aktualizacje wersji modeli, optymalizacja kosztów (Model Armor, Memory Bank, Runtime), monitoring jakości (Gen AI Evaluation), rozwój o nowe use case'y. AI w produkcji wymaga ciągłej iteracji.
