Agent Engine et Memory Bank

Un assistant interne qui oublie tout entre deux conversations agace vite : « je vous l'ai déjà dit, je suis à Nantes et j'ai un MacBook ». La mémoire long terme règle ce problème : l'agent retient des faits durables sur chaque personne et les retrouve dans les conversations suivantes.

Dans ce lab, vous construisez un assistant de support IT avec Google ADK, vous le testez en local avec une mémoire en RAM, puis vous le déployez sur Vertex AI Agent Engine (le service géré de Google Cloud qui héberge des agents ; la documentation récente l'appelle aussi Agent Runtime) avec Memory Bank, le service qui extrait et stocke les souvenirs. Vous l'interrogez à distance, vérifiez qu'il se souvient, puis vous supprimez tout.

Ce que vous construisez

flowchart LR
  subgraph L["En local"]
    A1["assistant_it"] --> M1["InMemoryMemoryService : copie brute en RAM"]
  end
  subgraph G["Sur Google Cloud (europe-west1)"]
    AE["Agent Engine : assistant_it"] --> SS["Sessions gérées"]
    AE --> MB["Memory Bank : faits extraits par Gemini, TTL 30 jours"]
    AE --> GM["Gemini 2.5 Flash"]
  end
  U["Script interroger.py"] -->|"async_stream_query"| AE
  D["deployer.py"] -->|"crée"| AE
  N["nettoyer.py"] -->|"supprime, vérifie"| AE

• agent_memoire.py : l'agent (un outil creer_ticket, PreloadMemoryTool, un callback qui envoie la conversation à la mémoire) ;
• local.py : deux sessions successives en local, la seconde se souvient de la première ;
• deployer.py, interroger.py, nettoyer.py : déployer, interroger à distance, supprimer et vérifier ;
• test_agent_memoire.py : 3 tests sans compte Google Cloud.

Pour qui ?

• Développeurs qui ont déjà construit et testé un agent ADK, et veulent le mettre en production sur Google Cloud.
• Niveau expert : déploiement, ressources facturées, nettoyage. Lisez la leçon de coûts avant de lancer deployer.py.

Prérequis

• Un projet Google Cloud avec facturation et l'API Vertex AI activée.
• Rôles IAM : Vertex AI User (ou plus large pour créer des Agent Engines), Storage Admin sur le projet pour le bucket de staging.
• gcloud auth application-default login (identifiants ADC).
• Python 3.10 à 3.14, pip install -r files/requirements.txt (google-adk 2.10.0, google-cloud-aiplatform 1.165.1).

Programme

En local ou sur Google Cloud ?

Le code

Tout est dans files/ : agent_memoire.py, local.py, deployer.py, interroger.py, nettoyer.py et test_agent_memoire.py.