Agent Data Analyst sur Google Cloud Run
L'agent Data Analyst permet à un utilisateur de télécharger un petit fichier de données (CSV, TSV, JSON, texte brut ou Excel) et de poser des questions à son sujet en langage clair. Contrairement à un assistant de chat typique, il ne devine jamais : il écrit du vrai Python (pandas/numpy/matplotlib) et l'exécute — isolé à l'intérieur du lanceur de sandbox de Cloud Run (gVisor) — pour calculer la réponse réelle, et peut renvoyer un véritable graphique avec son explication. Ce module déploie l'agent sur Cloud Run v2 au-dessus du socle App_CloudRun, qui provisionne et gère l'infrastructure Google Cloud partagée.
Ce guide se concentre sur les services cloud utilisés par l'agent et sur la manière de les explorer et de les opérer depuis la console Google Cloud et la ligne de commande. Pour les mécanismes communs à chaque application Cloud Run — identité de service, ingress et équilibrage de charge, mise à l'échelle et concurrence, CI/CD, Cloud Armor, IAP, Binary Authorization, VPC Service Controls, sauvegardes et cycle de vie du déploiement — reportez-vous au guide du socle App_CloudRun plutôt que de les répéter ici.
Ce que coûte DataAnalyst sur RAD, et comment cela se compare
DataAnalyst sur le module Cloud Run de RAD coûte environ 17,58 US$ par mois dans un projet Google Cloud que vous possédez, plus des frais de module uniques de 75 crédits (7,50 US$). DataAnalyst est un agent basé sur ADK qui écrit et exécute du vrai Python sur un fichier de données téléchargé, en sandbox dans Cloud Run.
Si DataAnalyst n'est nécessaire qu'occasionnellement — une démo, un essai, une charge de travail saisonnière ou d'étude — un projet géré par RAD peut être supprimé et restauré dans les 30 jours sans frais supplémentaires, de sorte que 17,58 US$ deviennent quelques dollars par mois. Voir Mettez-le en pause gratuitement, ci-dessous.
Ce que vous payez sur RAD
| Dans un projet Google Cloud que vous possédez | Dans un projet géré par RAD pour vous | |
|---|---|---|
| Frais de module, une fois par déploiement | 75 crédits (7,50 US$ au prix de la recharge) | 67,5 crédits (10 % de moins) |
| Builds | Inclus dans le prix : pas de frais de build pour la création, 5 mises à jour par mois (mois calendaire UTC) gratuites puis 2 crédits chacune, et rien pour la suppression ou pour un build échoué, dans la limite de 10 builds échoués par jour (UTC). Les sessions de lab et les projets clients sont l'exception : ils sont toujours facturés à la minute pour le temps de build | Idem |
| Coût d'exécution Google Cloud | Facturé par Google à votre propre compte de facturation, environ 17,58 US$ par mois pour la configuration par défaut (tableau ci-dessous) | Mesuré à l'heure en crédits ; RAD publie 16 crédits par jour, environ 480 par mois (environ 48 US$ au prix de la recharge) |
| Qui possède quoi | Vous possédez le projet et sa facturation ; RAD le déploie et le met à jour | RAD possède le projet, avec des garde-fous, des quotas et des alertes budgétaires ; vous avez accès à la console, et un solde minimum acheté est conservé en réserve |
Votre premier déploiement réussi sur RAD est exempt de frais de module, quel que soit le montant : une fois par compte, pour un module que vous déployez et payez vous-même (dans une solution, les frais d'une application : la première à réussir ; jamais une session de lab ou un projet client).
10 crédits coûtent 1 US$ pour une recharge ponctuelle, moins sur un plan. Dans un projet géré par RAD, la base de données, le serveur de fichiers et le réseau sont partagés par toutes les applications du projet, de sorte qu'une deuxième application n'ajoute pas de deuxième base de données.
Coût d'exécution par défaut dans votre propre projet (us-central1, prix catalogue Google) :
| Ressource (par défaut du module) | Par mois |
|---|---|
| Cloud Run, 1x vCPU / 1 Gio (scaleToZero) | 11,58 US$ |
| Cloud NAT et réseau | 5 US$ |
| Cloud Storage (modules complémentaires, sauvegardes) | 1 US$ |
| Total | environ 17,58 US$ |
Comment cela se compare
- Il n'y a pas d'offre d'hébergement géré comparable à laquelle se référer ici ; la comparaison honnête est ce qui est géré pour vous — sauvegardes, environnement d'exécution en sandbox, Secret Manager et surveillance — plutôt qu'un prix affiché, puisque le module s'exécute sans serveur et se met à l'échelle à zéro entre les requêtes.
- RAD ne prétend jamais être moins cher que l'infrastructure nue en termes monétaires — ce n'est généralement pas le cas. La différence est ce que RAD gère pour vous : correctifs, sauvegardes, secrets et surveillance, plus la possibilité de mettre DataAnalyst en pause gratuitement plutôt que de payer pour une capacité inactive (voir ci-dessous).
Mettez-le en pause gratuitement : supprimez un projet géré par RAD, restaurez-le lorsque vous en avez besoin
Si DataAnalyst s'exécute dans un projet géré par RAD pour vous, vous avez une deuxième option qui va bien au-delà de la mise à l'échelle à zéro : supprimez l'ensemble du projet et restaurez-le dans les 30 jours pour presque rien. Cela convient bien mieux à DataAnalyst dont vous n'avez besoin qu'occasionnellement que de le faire fonctionner en continu.
Une restauration n'est pas garantie — conservez vos propres sauvegardes. Les conditions de Google Cloud ne garantissent pas qu'un projet restauré, ou les ressources qu'il contient, seront utilisables après sa restauration, de sorte que la restauration ne peut pas être invoquée comme moyen de récupérer un projet supprimé. Avant de supprimer, assurez-vous d'avoir effectué des sauvegardes appropriées des données et de la configuration de l'application et de les avoir stockées en dehors du projet. Si une restauration échoue, ou si le projet restauré ne fonctionne pas, la solution de repli consiste à redéployer l'application (voir la section suivante) et à restaurer sa configuration et ses données à partir de ces sauvegardes.
- Comment ça marche. La suppression d'un projet géré par RAD délie d'abord sa facturation, puis demande à Google de supprimer le projet. Google ne supprime pas le projet immédiatement : il le conserve, récupérable, pendant 30 jours. Comme la facturation est déjà déliée, rien n'est facturé pendant cette attente. Contrairement à la suppression d'un module, cela ne supprime pas les ressources Cloud Run une par une — l'ensemble du projet, et tout ce qu'il contient, s'arrête simplement.
- La restauration est une vérification, pas une reconstruction. Dans les 30 jours, le propriétaire du projet peut le restaurer. RAD demande à Google de récupérer le projet et de rattacher son compte de facturation, puis vous demande d'exécuter Update sur chaque déploiement pour confirmer que tout est revenu. Comme rien n'a été détruit individuellement, cette mise à jour trouve les mêmes ressources déjà présentes — c'est une vérification, pas une reconstruction, et une mise à jour ne facture jamais les frais de module à nouveau. Les mises à jour sont incluses dans le prix (5 par mois pour chaque déploiement), donc une restauration ne coûte normalement aucun crédit.
- Ainsi, un mois d'utilisation occasionnelle peut coûter quelques dollars, et non les 48 US$ par mois pour le maintenir en fonctionnement. Déployez DataAnalyst, utilisez-le, supprimez le projet. Restaurez-le la prochaine fois que vous en aurez besoin, confirmez avec Update, et supprimez-le à nouveau lorsque vous avez terminé. Vous ne payez les frais de module qu'une seule fois et pour les heures où il a été réellement actif.
- Ce que cela nécessite. Vous devez être propriétaire du projet (pas un projet que vous apportez et dont RAD ne gère que la facturation), et vous le restaurez vous-même dans les 30 jours — après cela, Google le supprime définitivement. La restauration est admise comme la création d'un nouveau projet : votre solde de crédits achetés doit toujours dépasser le seuil du palier (100 crédits pour le palier sandbox que la plupart des utilisations d'étude et de démo conviennent). Google indique que la plupart des services sont à nouveau pleinement fonctionnels dans les 36 heures suivant une restauration.
- Une lacune réelle : le bucket de sauvegarde ne survit pas. Les sauvegardes nocturnes sont écrites dans un bucket à l'intérieur du projet, et ce bucket n'est pas protégé par la suppression logicielle de Cloud Storage, il est donc très probable qu'il disparaisse dès que vous supprimez le projet — même si le projet lui-même est récupérable pendant 30 jours. Si vous avez personnalisé DataAnalyst et que vous souhaitez conserver ce travail, copiez une sauvegarde (vers Google Drive, ou un bucket en dehors du projet) avant de supprimer. Pour une installation par défaut sans rien d'irremplaçable, cela n'a pas d'importance.
Payez uniquement pendant que vous l'utilisez, l'autre méthode : supprimer et redéployer
Cloud Run se met déjà à l'échelle à zéro entre les requêtes. L'option ci-dessus ne s'applique qu'à un projet géré par RAD ; dans votre propre projet, ou une fois la fenêtre de 30 jours passée, la façon d'arrêter de payer est de supprimer le déploiement et de le redéployer lorsque vous en avez besoin.
- Ce que coûte un redéploiement. Les frais de module à nouveau (les builds sont inclus) : 75 crédits (7,50 US$) dans votre propre projet. La suppression ne permet d'économiser de l'argent que si DataAnalyst resterait inutilisé pendant environ 14 jours ou plus dans votre propre projet (0,59 US$ par jour), ou environ 5 jours ou plus dans un projet géré par RAD (16 crédits par jour).
- Conservez d'abord vos données. Les sauvegardes nocturnes sont écrites dans un bucket à l'intérieur du déploiement et sont supprimées avec celui-ci, alors copiez la dernière sauvegarde avant de supprimer si vous voulez la conserver.
- Notez vos paramètres. RAD ne recrée pas un déploiement supprimé pour vous ; vous saisissez à nouveau les paramètres lorsque vous déployez.
Sessions de lab et environnements gérés
- Sessions de lab, pour la formation. Un formateur anime une session pour une classe. Chaque participant obtient l'application dans son propre projet Google Cloud pendant 15 minutes à 24 heures, dans la limite d'une allocation définie par le formateur. Le formateur peut aussi créer un seul environnement partagé pour toute la classe, et chacun utilise alors la même application et ses données. Soit le formateur finance toutes les places, soit chaque participant paie la sienne. Tout est supprimé à la fin de la session et les crédits inutilisés sont reversés au formateur.
- Environnements gérés, pour les sociétés de conseil. Un partenaire exécute l'application pour un client à partir d'un portefeuille cloisonné qu'il finance, et règle directement avec le client. Si le portefeuille est faible, la facturation est interrompue et les données sont conservées, de sorte que personne ne reçoit de frais inattendus. À la fin, le partenaire transfère le projet et les déploiements deviennent la propriété du client.
Les crédits peuvent être achetés dans plus de 20 devises, y compris XAF, XOF, NGN, GHS, KES et ZAR, par carte, virement bancaire ou argent mobile.
Sources (8 octobre 2026) : Prix catalogue Google Cloud de l'API Cloud Billing Catalog ; frais propres à RAD et estimations de crédits quotidiens de radmodules.dev/pricing ; Supprimer et restaurer des projets pour la fenêtre de récupération de 30 jours et ce qu'il dit sur les objets Cloud Storage sans suppression logicielle. Les prix changent ; vérifiez chaque source avant de vous fier à un chiffre.
1. Vue d'ensemble
| Capacité | Service Google Cloud | Notes |
|---|---|---|
| Calcul | Cloud Run v2 | Service Python (FastAPI + Google ADK) ; autoscaling basé sur les requêtes par défaut |
| Modèle d'IA | Vertex AI (Gemini) | Pas de secret de clé API à gérer — utilise le compte de service d'exécution du service Cloud Run, auquel est accordé roles/aiplatform.user |
| Exécution de code | Lanceur de sandbox de Cloud Run | Isolé par gVisor : egress réseau refusé par défaut, écritures ignorées après chaque appel, pas d'accès aux variables d'environnement de ce service |
| Données téléchargées | Stockage de conteneur éphémère | Pas de base de données ni de bucket GCS du tout — un fichier ne vit que sous /tmp/uploads/<session>/ pendant la durée d'une session de chat |
| Réseau | VPC / Egress VPC direct | Déployable de manière autonome (VPC inline) ou convergé sur un réseau Services_GCP partagé lorsqu'il en existe un dans le projet |
| Ingress | URL Cloud Run | URL run.app par défaut ; Identity-Aware Proxy fortement recommandé (voir ci-dessous) |
Valeurs par défaut judicieuses à connaître d'emblée :
- Pas de credential backend. L'agent n'a pas de clé API ni de mot de passe de base de données — l'authentification Vertex AI est entièrement l'identité d'exécution propre au service Cloud Run. Le seul secret Secret Manager qu'il peut contenir est la clé d'accès visiteur décrite ci-dessous.
public_accesspar défaut àtrue. Contrairement à la plupart des modules du catalogue, celui-ci n'a pas de matériel de référence propriétaire à protéger (il a commencé sa vie comme conseiller de chat de catalogue de référence et a été réaffecté plus tard en agent d'exécution de code en sandbox à usage général — voir DataAnalyst_Common pour cette histoire), il n'y a donc aucune raison de confidentialité de restreindre qui peut le déployer en libre-service.- Le lanceur de sandbox EST la limite de sécurité, pas une commodité. Chaque appel d'outil d'exécution de code/d'aperçu de fichier passe par lui. La désactivation de
enable_sandbox_launchersupprime entièrement l'isolation des processus — ce n'est pas un bouton de performance. - Chaque exécution
execute_codea son propre plafond de mémoire/CPU (execute_code_memory_limit_mb, 512 Mio par défaut), indépendant et inférieur à lamemory_limitglobale du conteneur — une allocation incontrôlée échoue proprement avecMemoryErrorplutôt que de menacer toute l'instance. - Les graphiques sont livrés par le serveur, non confiés au modèle. L'agent peut générer un graphique matplotlib ; l'image est extraite directement de la réponse de l'appel d'outil et poussée vers le navigateur comme son propre message — jamais invoquée pour survivre intacte dans la propre réponse en langage naturel du modèle.
- Pas d'isolation stricte entre les sessions de chat concurrentes sur une instance chaude. Les répertoires de session sont nommés avec un UUID impossible à deviner, mais c'est une limite souple, pas au niveau du système d'exploitation — voir §3 et §6.
min_instance_countpar défaut à0(mise à l'échelle à zéro) ; le démarrage à froid est rapide car il n'y a pas de dépôt à cloner et pas de connexion à la base de données à établir.
2. Services Google Cloud et comment les explorer
Toutes les commandes supposent que PROJECT et REGION sont définis. Les noms de services et de ressources sont rapportés dans les Sorties du déploiement.
A. Cloud Run — le service agent
L'agent s'exécute en tant que service Cloud Run v2. Chaque déploiement crée une révision immuable.
- Console : Cloud Run → sélectionnez le service pour les révisions, le trafic, les journaux et les métriques.
- CLI :
gcloud run services list --project "$PROJECT" --region "$REGION"
gcloud run services describe <service-name> --project "$PROJECT" --region "$REGION"
gcloud run revisions list --service <service-name> --project "$PROJECT" --region "$REGION"
Voir App_CloudRun pour la mise à l'échelle, la concurrence, l'environnement d'exécution et la répartition du trafic. Notez que max_concurrent_requests est appliqué via une échappatoire gcloud beta run services update après la création du service (App_CloudRun n'a pas de remplacement de concurrence de première classe) — confirmez qu'il a pris effet :
gcloud run services describe <service-name> --region "$REGION" \
--format='value(spec.template.spec.containerConcurrency)'
B. Vertex AI — le backend du modèle
L'agent appelle Gemini via Vertex AI en utilisant le compte de service d'exécution du service Cloud Run — il n'y a pas de clé API à créer, stocker ou faire pivoter.
- Console : Vertex AI → Model Garden, ou vérifiez IAM pour l'octroi
roles/aiplatform.usersur le compte de service d'exécution. - CLI :
gcloud projects get-iam-policy "$PROJECT" \
--flatten="bindings[].members" \
--filter="bindings.role:roles/aiplatform.user"
C. Le lanceur de sandbox de Cloud Run — isolation de l'exécution du code
Ce n'est pas une ressource que vous parcourez dans la console, mais le mécanisme central que ce module est destiné à utiliser. Appliqué après le déploiement via une échappatoire gcloud beta (--sandbox-launcher, aucun champ Terraform de première classe n'existe encore pour cela — voir enable_sandbox_launcher).
- Confirmer qu'il est appliqué :
gcloud run services describe <service-name> --region "$REGION" \
--format='value(metadata.annotations)' - Confirmer qu'il isole réellement les appels réels — recherchez les lignes
[start]/[end] exit_code=...dans Cloud Logging autour d'une interaction de chat réelle :gcloud logging read 'resource.type="cloud_run_revision"
resource.labels.service_name="<service-name>" textPayload:"sandbox"' \
--project "$PROJECT" --freshness=10m --order=asc
Les sandboxes Cloud Run sont une fonctionnalité en Public Preview — le contrat d'invocation exact et la disponibilité sont sujets à changement sans garanties de stabilité de niveau GA.
D. Réseau et ingress
Le service est accessible à son URL run.app par défaut. Si le projet a déjà un déploiement Services_GCP, ce module converge vers son VPC partagé au lieu de maintenir son propre réseau inline — voir §6 pour ce que cela signifie lors d'une mise à jour.
- Console : Cloud Run (URL du service) ; réseau VPC → réseaux VPC / sous-réseaux.
- CLI :
gcloud run services describe <service-name> --region "$REGION" --format='value(status.url)'
gcloud compute networks list --project "$PROJECT"
Voir App_CloudRun pour les paramètres d'ingress, l'egress VPC et l'équilibrage de charge.
E. Cloud Logging et Monitoring — journaux d'appels d'outils structurés
Chaque appel list_uploaded_files/inspect_file/execute_code émet une ligne JSON (nom de l'outil, ID de session, succès/échec, durée, code de sortie) — Cloud Logging analyse cela automatiquement en champs jsonPayload et severity, sans bibliothèque de journalisation ni dépendance ajoutée.
- Console : Logging → Logs Explorer.
- CLI — requête par champ, pas par texte brut :
# every failed execute_code call in the last hour
gcloud logging read 'resource.type="cloud_run_revision"
resource.labels.service_name="<service-name>"
jsonPayload.tool="execute_code" jsonPayload.ok=false' \
--project "$PROJECT" --freshness=1h
# a specific session's activity
gcloud logging read 'resource.type="cloud_run_revision"
resource.labels.service_name="<service-name>"
jsonPayload.session_id="<session-id>"' \
--project "$PROJECT" --freshness=1h --order=asc
3. Comportement de l'application
- Flux de travail télécharger-puis-demander, plusieurs fichiers à la fois. Le contrôle de téléchargement de la page de chat accepte plusieurs fichiers en une seule sélection (téléchargés séquentiellement, un
POST /uploadpar fichier), de sorte que l'analyse inter-fichiers (par exemple, joindre deux CSV) ne nécessite pas d'étape "attacher" séparée dans le protocole de chat. Les fichiers sont validés par extension (allowed_upload_extensions) et une limite de taille en flux (max_upload_size_mb) avant qu'un seul octet ne touche le disque. - Stockage éphémère, limité à la session. Les fichiers téléchargés vivent sous
/tmp/uploads/<session_id>/pendant la durée d'une session de chat — balayés opportunément la prochaine fois que quelqu'un télécharge sur la même instance, une fois plus anciens queupload_ttl_seconds. Un démarrage à froid ou une instance différente commence sans rien de téléchargé. - L'agent calcule ; il ne devine pas. Chaque question non triviale est répondue en écrivant et en exécutant du vrai code (
execute_code), jamais en raisonnant à partir d'un aperçu de fichier seul. Si le code génère une erreur, l'agent lit la trace, la corrige et réessaie — visible directement dans les journaux structurés (§2E) comme un appel échoué suivi d'un appel réussi. - Génération de graphiques, livrée de manière fiable. L'agent peut rendre un graphique matplotlib (backend Agg, aucun affichage nécessaire) en imprimant une ligne de marqueur
CHART_PNG_BASE64:<base64>depuis l'intérieur du sandbox ; le serveur l'extrait de la réponse brute de l'appel d'outil et la pousse vers le navigateur comme son propre message image — indépendamment de ce que dit la propre réponse textuelle du modèle, car un LLM n'est pas toujours fiable pour citer textuellement un blob de plusieurs centaines de Ko. - Prise en charge d'Excel. Les fichiers
.xlsxsont acceptés aux côtés des fichiers CSV/TSV/JSON/texte brut (openpyxlprend en charge le moteur Excel de pandas). - Aperçu conscient de la structure pour JSON. Plutôt qu'une troncature brute d'octets qui pourrait couper un fichier JSON au milieu de sa structure, l'aperçu de fichier de l'agent renvoie les premiers éléments de liste ou clés de dictionnaire, joliment formatés, ne revenant à un aperçu brut que si l'analyse échoue.
- Plafond de ressources par appel. Chaque exécution
execute_codeapplique sa propre limite de mémoire (RLIMIT_AS) et de temps CPU (RLIMIT_CPU) avant l'exécution du code généré, limitée parexecute_code_memory_limit_mbet le propre délai d'attente de l'appel — indépendamment de, et en dessous de, lamemory_limitglobale du conteneur. - Gardes contre les abus/coûts. Une limite de longueur de message et de débit par connexion, plus une limite par instance de messages par minute sur chaque connexion (
INSTANCE_MAX_MESSAGES_PER_MINUTE, 120 par défaut,0pour désactiver), limitent la facturation Vertex AI (et le nombre d'exécutionsexecute_code) qu'un appelant peut générer. La limite par connexion seule est contournée en ouvrant une autre connexion ; celle par instance ne l'est pas. - Une clé d'accès sur un projet géré par RAD. Avec
access_control = "auto"(par défaut), un projet géré par RAD (facturé à RAD) nécessite une clé d'accès par déploiement chaque fois que le service est publiquement accessible (pas deenable_iap, ingress noninternal) ; un projet que vous possédez reste inchangé. Les visiteurs voient une boîte de connexion ; après que la clé a été saisie une fois, le serveur définit un cookie de session signé,HttpOnly,Secure,SameSite=Strict(12 heures). Jusque-là,/uploadet/ws/chatrépondent 401, et un service mal configuré sans clé utilisable répond 503 — il échoue en mode fermé. Laissezaccess_keyvide et une clé de 32 caractères est générée et affichée comme la sortieaccess_key(propriétaire et administrateurs uniquement) ; définissez la vôtre (16+ caractères) pour la garder hors de l'onglet Sorties. La modifier génère une nouvelle révision et déconnecte tout le monde. La clé est partagée, pas par utilisateur. Un déployeur ne peut pas la désactiver sur un projet géré par RAD ; seul un administrateur le peut. Les scripts l'envoient comme un en-têteX-Access-Key, ouPOST /authavec{"key": "..."};/docs,/redocet/openapi.jsonne sont pas servis. - Un service ouvert sur un projet géré par RAD est limité en échelle. L'IAP ne peut pas être la valeur par défaut (il nécessite un écran de consentement OAuth dans le projet, qu'un projet géré par RAD fraîchement créé n'a pas et ne peut plus être donné par API), donc tant que
enable_iap = falseetingress_settings = "all", un projet géré par RAD (facturé à RAD) est maintenu àmax_instance_count <= 2etmax_concurrent_requests <= 10— les valeurs par défaut du module — et le plan refuse des valeurs plus grandes. Derrière l'IAP, avecingress_settings = "internal", ou dans votre propre projet, il n'y a pas de telle limite. - Non disponible dans un sandbox géré par RAD ou un projet de lab. Vertex AI n'est pas autorisé dans ces paliers, donc le plan refuse le déploiement d'emblée avec un message indiquant la solution (un projet géré par RAD de développement ou de production, ou votre propre projet GCP).
4. Variables de configuration
Les variables sont regroupées exactement comme elles apparaissent sur la plateforme de déploiement. Seuls les paramètres spécifiques ou notables pour DataAnalyst_CloudRun sont listés ; toutes les autres entrées sont héritées de App_CloudRun avec son comportement standard.
Groupe 1 — Projet et identité
| Variable | Valeur par défaut | Description |
|---|---|---|
project_id | (requis) | Projet Google Cloud cible. |
region | us-central1 | Région pour le service et les ressources régionales. |
Groupe 2 — Environnement de déploiement
| Variable | Valeur par défaut | Description |
|---|---|---|
tenant_id | demo | Suffixe court qui rend les noms de ressources uniques par environnement. |
support_users | [] | Emails ayant accès au projet et aux alertes de surveillance. |
resource_labels | {} | Libellés appliqués à toutes les ressources. |
Groupe 3 — Identité de l'application
| Variable | Valeur par défaut | Description |
|---|---|---|
application_name | dataanalyst | Nom de base pour le service Cloud Run et le dépôt Artifact Registry. |
application_display_name | Data Analyst Agent | Nom convivial affiché dans la console. |
application_description | (défini) | Description du service. |
application_version | 1.1.0 | Tag de version de l'image conteneur — à incrémenter à chaque redéploiement de code uniquement, car l'image est référencée par un tag mutable, non par un digest. |
Groupe 4 — Exécution et mise à l'échelle
| Variable | Valeur par défaut | Description |
|---|---|---|
deploy_application | true | Définissez false pour provisionner uniquement l'infrastructure. |
cpu_limit | 1000m | CPU par instance. |
memory_limit | 1Gi | Mémoire par instance — marge au-dessus du plancher habituel de 512 Mio de la plateforme, car le chargement d'un fichier téléchargé par pandas/numpy en bénéficie. |
min_instance_count | 0 | Instances minimales (0 = mise à l'échelle à zéro). |
max_instance_count | 2 | Instances maximales. |
execution_environment | gen2 | Requis par le lanceur de sandbox. |
container_protocol | http1 | HTTP/1.1 simple + WebSocket. |
timeout_seconds | 600 | Maintenu généreux car le WebSocket de chat le maintient ouvert pendant un tour. |
Groupe 5 — Contrôle d'accès et d'ingress
| Variable | Valeur par défaut | Description |
|---|---|---|
ingress_settings | all | Quels réseaux peuvent atteindre le service. |
vpc_egress_setting | PRIVATE_RANGES_ONLY | Comment le trafic sortant est acheminé via le VPC. |
enable_iap | false | Chaque message ici est un véritable appel Vertex AI ET peut déclencher l'exécution de code. Pas la valeur par défaut car l'IAP nécessite un écran de consentement OAuth dans le projet ; lorsqu'il est désactivé sur un projet géré par RAD, une clé d'accès est requise et l'échelle est limitée (voir ci-dessus). |
access_control | auto | auto : une clé d'accès est requise sur un projet géré par RAD tant que le service est publiquement accessible, inchangé sur votre propre projet ; required : toujours ; off : jamais (refusé sur un projet géré par RAD). |
access_key | "" | Votre propre clé (16+ caractères). Vide en génère une, affichée comme la sortie access_key. Changez-la pour la faire pivoter. |
iap_authorized_users / iap_authorized_groups | [] | Qui peut accéder via l'IAP. |
Groupe 6 — Variables d'environnement et secrets
| Variable | Valeur par défaut | Description |
|---|---|---|
environment_variables | {} | Paramètres supplémentaires non secrets. |
secret_environment_variables | {} | Non utilisé par ce module par défaut — l'agent n'a pas de secret propre. |
Groupe 8 — CI/CD et autorisation binaire
Intégration standard Cloud Build / Cloud Deploy d'App_CloudRun — voir App_CloudRun. Entrée clé spécifique à ce module :
| Variable | Valeur par défaut | Description |
|---|---|---|
additional_cloudrun_sa_roles | ["roles/aiplatform.user"] | Rôles IAM supplémentaires pour le compte de service Cloud Run. Doit conserver roles/aiplatform.user — le supprimer rompt chaque message de chat avec une erreur d'autorisation Vertex AI. |
Groupe 10 — Domaine, CDN et Cloud Armor
Options d'équilibrage de charge standard d'App_CloudRun (application_domains, enable_cdn,
enable_cloud_armor, admin_ip_ranges) — voir App_CloudRun.
Groupe 14 — Observabilité et santé
| Variable | Valeur par défaut | Description |
|---|---|---|
startup_probe / liveness_probe | HTTP GET /_health | Correspond à la route de santé du serveur FastAPI. Non nommé /healthz — confirmé en direct que le routage de périphérie de Cloud Run traite ce chemin exact comme réservé et n'atteint jamais le conteneur. |
uptime_check_config | désactivé | Test de disponibilité Cloud Monitoring. |
Groupe 15 — Configuration de l'agent Data Analyst
| Variable | Valeur par défaut | Description |
|---|---|---|
vertex_region | us-central1 | Région Vertex AI servant les appels Gemini de l'agent. |
agent_model | gemini-2.5-flash | ID du modèle Gemini utilisé via Vertex AI. |
enable_sandbox_launcher | true | La véritable limite de sécurité pour l'exécution de code — voir §1. |
max_upload_size_mb | 20 | Appliqué en diffusant le téléchargement et en le rejetant une fois que ce nombre d'octets est arrivé — jamais fiable à partir de la taille déclarée de la requête. |
allowed_upload_extensions | [".csv", ".tsv", ".json", ".txt", ".xlsx"] | Extensions acceptées par le point de terminaison de téléchargement. |
upload_ttl_seconds | 3600 | Durée de conservation d'un fichier téléchargé avant éligibilité au nettoyage. |
execute_code_memory_limit_mb | 512 | Plafond de mémoire par appel execute_code — à maintenir confortablement en dessous de memory_limit. |
max_concurrent_requests | 10 | Limite de connexions WebSocket concurrentes par instance — également le bouton à régler sur 1 si la mise en garde d'isolation inter-session (§6) est importante pour vos données. |
require_services_gcp_module | false | Ce module n'a pas de dépendance de base de données/NFS/GKE propre, il se déploie donc de manière autonome dans un projet vierge par défaut. |
Groupe 22 — VPC Service Controls et journalisation d'audit
Options standard d'App_CloudRun (enable_vpc_sc, vpc_cidr_ranges, vpc_sc_dry_run,
organization_id, enable_audit_logging) — voir App_CloudRun.
5. Sorties
| Sortie | Description |
|---|---|
service_name | Nom du service Cloud Run. |
service_url | URL run.app par défaut — ouvrez-la pour discuter avec l'agent. |
access_key_required | Indique si l'agent exige une clé d'accès. |
access_key | La clé d'accès générée à saisir sur l'écran de connexion (vide si vous avez choisi votre propre clé ou si aucune n'est requise). |
service_location | Région dans laquelle le service s'exécute. |
sandbox_launcher_enabled | Indique si --sandbox-launcher a été appliqué. |
container_image / container_registry | Image déployée et dépôt Artifact Registry. |
network_name / network_exists | Réseau VPC utilisé, et s'il a été découvert (partagé) plutôt que créé en ligne. |
storage_buckets | Toujours vide — ce module ne provisionne aucun bucket GCS. |
monitoring_enabled | Statut de la surveillance. |
deployment_id / tenant_id / resource_prefix | Identifiants de nommage. |
project_id / project_number | Identifiants de projet. |
6. Pièges de configuration et valeurs par défaut judicieuses
Risque : Critique (perte de données / panne / sécurité) — Élevé (service dégradé) — Moyen (coût ou dégradation partielle) — Faible (mineur).
| Paramètre | Valeur judicieuse | Risque | Conséquence si incorrect |
|---|---|---|---|
enable_sandbox_launcher | true | Critique | false supprime la SEULE isolation entre le code généré par LLM et le reste du conteneur — tout le modèle de sécurité du module dépend de son maintien. |
enable_iap / access_control | IAP, ou une clé d'accès, pour tout ce qui dépasse un test rapide | Élevé | Sur votre propre projet avec access_control = "auto" et IAP désactivé, le service est ouvert : tout appelant peut générer des frais Vertex AI et des exécutions de code, limités uniquement par les limites de débit. Définissez access_control = "required" ou activez l'IAP. |
execute_code_memory_limit_mb | confortablement en dessous de memory_limit | Élevé | Défini trop près de (ou au-dessus de) memory_limit, une seule allocation pathologique peut toujours menacer toute l'instance au lieu d'échouer proprement avec MemoryError. |
max_concurrent_requests | 1 pour des données véritablement sensibles | Moyen | Les répertoires de session sont isolés uniquement par un nom impossible à deviner, pas par une limite de permission au niveau du système d'exploitation — des sessions concurrentes sur une instance chaude peuvent, en principe, lire les fichiers téléchargés les unes des autres. |
application_version | incrémenter à chaque changement de code uniquement | Moyen | L'image est référencée par un tag mutable ; la reconstruction sous le même tag ne crée pas de nouvelle révision, donc un "redéploiement" continue silencieusement de servir l'ancien conteneur. |
allowed_upload_extensions | se limiter aux formats de données uniquement | Moyen | L'élargissement de cela à des types de fichiers arbitraires étend ce qu'un processus Python en sandbox mais réel peut être invité à analyser. |
upload_ttl_seconds | plus court pour les déploiements publics | Faible | Un TTL long conserve les données téléchargées d'un étranger sur le disque de l'instance plus longtemps que nécessaire si l'onglet du navigateur est simplement abandonné. |
Pour le comportement du socle référencé tout au long — identité de service, mise à l'échelle et concurrence, ingress et équilibrage de charge, CI/CD, Cloud Armor, IAP, Binary Authorization, VPC-SC, sauvegardes et mise en miroir d'images — voir App_CloudRun. La configuration d'application partagée (build de conteneur, gestion des téléchargements et modèle d'exécution de code en sandbox) est décrite dans DataAnalyst_Common.
Guides associées
- DataAnalyst Common — Configuration d'application partagée — la configuration partagée par cette cible de déploiement.
Need RAD to do something it does not do yet? Request it on the roadmap, or vote on what is already there.