Déployer chaque agent : Cloud Run ou Agent Engine

Cible de déploiement

flowchart LR
  subgraph "Projet Google Cloud (europe-west1)"
    O["Cloud Run : lab-a2a-orchestrator"]
    S["Cloud Run : lab-a2a-stock"]
    P["Cloud Run : lab-a2a-pricing"]
    V["Vertex AI : Gemini"]
  end
  U["Client"] -->|"HTTPS + IAM"| O
  O -->|"HTTPS + jeton (A ou B)"| S
  O -->|"HTTPS + jeton (A ou B)"| P
  S --> V
  P --> V
  O --> V

Cloud Run : une image, trois services

Cloud Run exécute un conteneur HTTP et facture à l'usage (il peut descendre à zéro instance). Le lab fournit un seul Dockerfile ; la variable AGENT choisit le module lancé :

FROM python:3.12-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY *.py registry.json ./
ENV AGENT=stock_agent
# Cloud Run fournit la variable PORT (8080 par défaut)
CMD exec uvicorn ${AGENT}:app --host 0.0.0.0 --port ${PORT:-8080}

Deux réglages sont propres à A2A :

1. L'URL annoncée dans la carte doit être l'URL publique HTTPS, pas localhost:8080. serve() la lit dans A2A_HOST, A2A_PROTOCOL=https et A2A_PUBLIC_PORT=443.
2. Le registre de l'orchestrateur doit contenir les URL https://…run.app des spécialistes.

Deux variantes d'authentification :

• Variante A, le code du lab tel quel : le service est joignable (--allow-unauthenticated) mais le middleware exige le jeton partagé, stocké dans Secret Manager et injecté dans A2A_TOKEN.
• Variante B, recommandée en production : --no-allow-unauthenticated et IAM (leçon précédente). Elle demande de retirer le middleware et d'envoyer des jetons d'identité Google depuis l'orchestrateur : c'est une évolution du code, non testée ici.

Commandes de principe pour la variante A (remplacez PROJET ; l'URL exacte d'un service s'obtient après son premier déploiement) :

REGION=europe-west1
python -c "import secrets; print(secrets.token_urlsafe(32), end='')" | \
  gcloud secrets create lab-a2a-token --data-file=- --project PROJET --labels formation-lab=a2a
# le compte de service d'exécution doit avoir roles/secretmanager.secretAccessor sur ce secret
gcloud run deploy lab-a2a-stock --source . --project PROJET --region $REGION \
  --allow-unauthenticated --labels formation-lab=a2a --set-secrets A2A_TOKEN=lab-a2a-token:latest \
  --set-env-vars AGENT=stock_agent,GOOGLE_GENAI_USE_VERTEXAI=TRUE,GOOGLE_CLOUD_PROJECT=PROJET,GOOGLE_CLOUD_LOCATION=$REGION,MODEL=gemini-2.5-flash,A2A_PROTOCOL=https,A2A_PUBLIC_PORT=443
# puis : récupérer l'URL et la déclarer comme A2A_HOST
URL=$(gcloud run services describe lab-a2a-stock --project PROJET --region $REGION --format 'value(status.url)')
gcloud run services update lab-a2a-stock --project PROJET --region $REGION \
  --update-env-vars A2A_HOST=${URL#https://}

Même chose pour lab-a2a-pricing, puis pour lab-a2a-orchestrator après avoir mis les deux URL dans registry.json. En variante B, on ajouterait le rôle roles/run.invoker sur les deux spécialistes au seul compte de service de l'orchestrateur.

Agent Engine : l'hébergement géré pour agents

Agent Engine (Vertex AI Agent Engine, dont la documentation est désormais rangée sous Gemini Enterprise Agent Platform) est un environnement géré dédié aux agents : vous déployez un agent ADK avec adk deploy agent_engine, et la plateforme fournit l'exécution, les sessions gérées, la mise à l'échelle et l'observabilité.

Pour un système A2A, un montage courant est mixte : les spécialistes internes sur Agent Engine, et une façade A2A légère sur Cloud Run. Vérifiez dans la documentation de votre version si l'exposition A2A directe depuis Agent Engine est disponible pour votre cas, ce que ce lab n'a pas testé.

Nettoyer : tout supprimer

Un service Cloud Run inactif coûte peu, mais l'image stockée dans Artifact Registry et les services oubliés s'accumulent. Supprimez tout ce que vous avez créé :

for s in lab-a2a-orchestrator lab-a2a-stock lab-a2a-pricing; do
  gcloud run services delete $s --project PROJET --region europe-west1 --quiet
done
gcloud run services list --project PROJET --region europe-west1 --filter "metadata.labels.formation-lab=a2a"  # doit être vide
gcloud secrets delete lab-a2a-token --project PROJET --quiet
# --source crée un dépôt Artifact Registry « cloud-run-source-deploy » : supprimez les images du lab
gcloud artifacts docker images list europe-west1-docker.pkg.dev/PROJET/cloud-run-source-deploy --project PROJET

Pour Agent Engine : supprimez l'instance depuis la console ou avec le SDK Vertex AI, puis vérifiez qu'elle n'apparaît plus dans la liste.

Résultat obtenu

Rien n'a été déployé pour cette formation (choix délibéré : le brief demandait d'expliquer le déploiement). Ce qui a été vérifié le 2026-10-15 :

$ adk deploy cloud_run --help | grep a2a
  --a2a                           Optional. Whether to enable A2A endpoint.
$ pytest -q        # dont test_agent_card_publique : URL annoncée = http://localhost:8101
13 passed in 0.93s

Exercice : préparer le registre de production

Écrivez registry.prod.json pour les deux spécialistes déployés, et la commande qui lance l'orchestrateur avec ce registre.

{"agents": [
  {"name": "stock_agent", "url": "https://lab-a2a-stock-XXXXXXXX.europe-west1.run.app"},
  {"name": "pricing_agent", "url": "https://lab-a2a-pricing-XXXXXXXX.europe-west1.run.app"}
]}

Je sais faire

• Construire une image unique pour plusieurs agents
• Régler l'URL publique annoncée par la carte derrière Cloud Run
• Choisir entre Cloud Run et Agent Engine pour un agent A2A
• Supprimer et vérifier la suppression de tout ce que j'ai créé