Environnement de démonstration Gemini Enterprise

Ce module prépare un projet Google Cloud pour une démonstration de Gemini Enterprise animée par un formateur, construite autour de l'entreprise fictive Cymbal Pools. Il s'agit d'un module autonome : il crée son propre bucket, son propre dataset, son propre agent et sa propre application, et ne dépend d'aucune infrastructure socle partagée.

Lors de l'apply, le module crée l'application Gemini Enterprise avec Google Identity configuré, un data store interrogeable de documents Cymbal Pools, un bucket de contenu (documents Drive, image d'annonce, image du tableau de pH, données d'amorçage BigQuery, source de l'agent ADK), une table BigQuery installation_requests, un agent BigQuery ADK personnalisé sur Vertex AI Agent Runtime avec l'IAM dont il a besoin, et un modèle Model Armor. Le formateur effectue ensuite les quelques étapes qui nécessitent une connexion Google Workspace interactive (connecteurs Drive/Calendar, client OAuth, enregistrement de l'agent) et exécute les démonstrations.

Ce guide présente les services cloud que le module provisionne et la manière de les explorer et de les exploiter depuis la console Google Cloud et la ligne de commande. La checklist complète d'avant-cours et le script de démonstration en cours figurent dans le Guide du lab.

Les ressources portent le suffixe de déploiement <id> : bucket <project>-ge-<id>, application cymbal-pools-ge-<id>, data store cymbal-pools-docs-<id>, modèle Model Armor cymbal-pools-ma-<id>, et moteur Agent Runtime « BigQuery Pool Data Agent (<id>) ».

1. Vue d'ensemble

Fonctionnalité	Service Google Cloud	Remarques
Application d'espace de travail agentique	Gemini Enterprise (Discovery Engine)	Application `APP_TYPE_INTRANET`, niveau de recherche Enterprise avec le module complémentaire LLM, nom d'entreprise « Cymbal Pools »
Identité	Configuration ACL de Gemini Enterprise	Google Identity (`GSUITE`) sélectionné pour l'emplacement de l'application
Documents de l'entreprise	Data store Discovery Engine	Adossé à Cloud Storage, non structuré ; indexe la brochure PDF et l'analyse DOCX
Contenu de démonstration	Cloud Storage	Documents Drive, image d'annonce, image du tableau de pH, CSV d'amorçage, source de l'agent `adk_to_ge/`
Données d'installation de piscines	BigQuery	`cymbal_pools.installation_requests`, amorcée avec 60 lignes d'exemple
Agent personnalisé	Vertex AI Agent Runtime (Agent Engine) + ADK	Agent BigQuery déployé avec `adk deploy agent_engine`, s'exécutant en tant que `resource_creator_identity`
Sécurité de l'IA	Model Armor	Modèle avec filtres SDP, RAI, injection de prompt/jailbreak et URI malveillantes

À savoir dès le départ :

Gemini Enterprise doit d'abord être activé dans le projet. Sur un projet qui ne l'a jamais utilisé, ouvrez Gemini Enterprise une fois dans la console et cliquez sur Start free trial. Activer discoveryengine.googleapis.com n'est pas la même chose, et la création de l'application échoue tant que l'essai n'a pas démarré. Définissez create_gemini_enterprise_app = false pour créer l'application manuellement à la place.
Plusieurs étapes sont volontairement manuelles. Les connecteurs Google Drive et Calendar ainsi que l'écran de consentement/le client OAuth nécessitent des flux OAuth interactifs que seule la console fournit. L'enregistrement de l'agent BigQuery nécessite ce client OAuth, et l'attribution du rôle « Agent User » de l'agent à tous les utilisateurs n'a pas d'API. Les annonces, les bascules de Feature Management et le rattachement de Model Armor à l'assistant sont démontrés en direct.
Tout partage un même emplacement Gemini Enterprise. L'application, ses data stores, le fournisseur d'identité, les connecteurs Drive/Calendar et l'enregistrement de l'agent doivent tous se trouver dans ge_location (global par défaut).
Le déploiement de l'agent exécute Python sur le runner Terraform. null_resource.deploy_adk_agent crée un virtualenv sous $HOME/.local/ge-adk-venv, installe google-adk et exécute adk deploy agent_engine via un petit wrapper (scripts/adk_deploy.py) qui fait emprunter à l'ADK l'identité de resource_creator_identity. Le déploiement prend 5 à 10 minutes.
Le contenu de démonstration est original. Cymbal Pools est fictive ; le PDF, le DOCX, les images et le CSV de assets/ ont été écrits pour ce module et peuvent être régénérés avec assets/generate_assets.py.

2. Services Google Cloud et comment les explorer

Toutes les commandes supposent que ces variables sont définies pour correspondre à votre déploiement. Les noms des ressources sont indiqués dans les Sorties du déploiement.

export PROJECT="<project_id>"
export REGION="us-central1"      # region (Agent Runtime)
export GE_LOCATION="global"      # ge_location
export ID="<deployment_id>"
export GE_HOST=discoveryengine.googleapis.com   # use ${GE_LOCATION}-discoveryengine.googleapis.com for us/eu

A. Application Gemini Enterprise, identité et data store

L'application (cymbal-pools-ge-<id>) est un moteur de type intranet avec le niveau de recherche Enterprise et le module complémentaire LLM. Google Identity est défini comme fournisseur d'identité pour ge_location, afin que des connecteurs soumis aux ACL (Drive, Calendar) puissent y être créés. Le data store cymbal-pools-docs-<id> est rattaché à l'application à sa création et indexe les documents situés sous gs://<bucket>/drive/.

Console : Gemini Enterprise → Apps (réglez le filtre d'emplacement sur ge_location ou All locations) → Cymbal Pools GE. Les data stores connectés, Integration, Agents et Configurations se trouvent dans la navigation de gauche de l'application.

CLI :

TOKEN=$(gcloud auth print-access-token)
# The app
curl -s -H "Authorization: Bearer $TOKEN" -H "X-Goog-User-Project: $PROJECT" \
  "https://$GE_HOST/v1/projects/$PROJECT/locations/$GE_LOCATION/collections/default_collection/engines/cymbal-pools-ge-$ID"
# Data stores in the location (the Drive/Calendar/Announcements ones appear here once created)
curl -s -H "Authorization: Bearer $TOKEN" -H "X-Goog-User-Project: $PROJECT" \
  "https://$GE_HOST/v1/projects/$PROJECT/locations/$GE_LOCATION/collections/default_collection/dataStores"
# Documents indexed from the bucket
curl -s -H "Authorization: Bearer $TOKEN" -H "X-Goog-User-Project: $PROJECT" \
  "https://$GE_HOST/v1/projects/$PROJECT/locations/$GE_LOCATION/collections/default_collection/dataStores/cymbal-pools-docs-$ID/branches/default_branch/documents"

B. Cloud Storage — contenu de démonstration

Objet	Utilisé pour
`drive/Cymbal Pools Convention Brochure.pdf`	À téléverser dans Google Drive ; démonstration de ciblage de fichier « Summarize @ »
`drive/Cymbal Pools Pool Installation Analysis.docx`	À téléverser dans Google Drive ; démonstration de recherche d'entreprise « how do we conduct a pool site inspection? »
`pool party.png`	URL de l'image de l'annonce « Annual pool party » (lecture publique lorsque `public_announcement_image = true`)
`pH table.png`	À coller dans l'omnibar pour la démonstration « Convert this image to tabular data »
`bigquery/installation_requests.csv`	Données d'amorçage chargées dans BigQuery
`adk_to_ge/`	Source de l'agent ADK (`bigquery_agent/`, `construct_auth_uri.py`, `requirements.txt`)

Console : Cloud Storage → Buckets → <project>-ge-<id> (lien direct dans l'output drive_documents_console_url).

CLI :

gcloud storage ls -r "gs://$PROJECT-ge-$ID/"
gcloud storage cp "gs://$PROJECT-ge-$ID/drive/*" .           # the two Drive documents
gcloud storage cp -r "gs://$PROJECT-ge-$ID/adk_to_ge" .      # the agent source
curl -sI "https://storage.googleapis.com/$PROJECT-ge-$ID/pool%20party.png" | head -1   # expect 200 if public

C. BigQuery — demandes d'installation

cymbal_pools.installation_requests contient des demandes d'installation de piscines résidentielles : request_id, request_date, length_m, width_m, depth_m, has_hot_tub, has_waterfall, zip_code, customer_phone, customer_email. Elle est amorcée par un job de chargement BigQuery dont l'ID intègre le hash du CSV, de sorte que les lignes insérées par l'agent pendant une démonstration survivent aux apply ultérieurs, sauf si le CSV d'amorçage lui-même change.

Console : BigQuery → Explorer → <project> → cymbal_pools → installation_requests. Les requêtes exécutées par l'agent apparaissent sous Job history → Project history.

CLI :

bq show --schema --format=prettyjson "$PROJECT:cymbal_pools.installation_requests"
bq query --use_legacy_sql=false \
  "SELECT COUNT(*) AS requests, ROUND(AVG(length_m*width_m*depth_m),1) AS avg_volume_m3 FROM \`$PROJECT.cymbal_pools.installation_requests\`"

D. Vertex AI Agent Runtime — agent BigQuery

L'agent ADK (adk_to_ge/bigquery_agent) utilise le BigQueryToolset de l'ADK avec le mode écriture autorisé et des instructions qui le limitent à SELECT/INSERT sur installation_requests. Par défaut, il interroge en tant qu'agent de service AI Platform Reasoning Engine (service-<number>@gcp-sa-aiplatform-re.iam.gserviceaccount.com), auquel le module accorde roles/aiplatform.user, roles/bigquery.user et roles/bigquery.dataEditor. Définir agent_auth_id lui fait utiliser à la place le jeton OAuth de l'utilisateur Gemini Enterprise (voir Comportement).

Console : Vertex AI → Agent Runtime (sélectionnez region) → « BigQuery Pool Data Agent (<id>) ».

CLI :

TOKEN=$(gcloud auth print-access-token)
curl -s -H "Authorization: Bearer $TOKEN" \
  "https://$REGION-aiplatform.googleapis.com/v1/projects/$PROJECT/locations/$REGION/reasoningEngines" \
  | python3 -c "import json,sys; [print(e['name'], '|', e.get('displayName')) for e in json.load(sys.stdin).get('reasoningEngines',[])]"
gcloud projects get-iam-policy "$PROJECT" --flatten="bindings[].members" \
  --filter="bindings.members:gcp-sa-aiplatform-re" --format="table(bindings.role)"

E. Model Armor

Un seul modèle, cymbal-pools-ma-<id>, dans model_armor_location (par défaut ge_location, sauf qu'une application global obtient un modèle us : Model Armor rejette les modèles dans global avec UNSUPPORTED_REQUEST_LOCATION, et l'assistant d'une application global accepte un modèle us, deux comportements confirmés en conditions réelles). Chaque filtre correspond à un groupe de prompts de test du lab : Sensitive Data Protection de base (numéros de carte, identifiants), filtres d'IA responsable (harcèlement, discours haineux, contenu dangereux, contenu sexuellement explicite) au niveau model_armor_confidence, détection d'injection de prompt/jailbreak, et détection d'URI malveillantes. L'application des règles est INSPECT_AND_BLOCK. Le module ne le rattache pas à l'assistant ; le formateur le fait en direct sous Configurations → Assistant → Enable Model Armor.

Console : Security → Model Armor → cymbal-pools-ma-<id>.

CLI :

gcloud model-armor templates describe "cymbal-pools-ma-$ID" --location="$GE_LOCATION" --project="$PROJECT"

3. Comportement

Ce qui est provisionné lors de l'apply. Dans l'ordre des dépendances : les API du projet (Discovery Engine, Vertex AI, BigQuery, Cloud Storage, IAM et IAM Credentials, Resource Manager, Service Usage, Model Armor, Cloud Build, Logging, Monitoring, Cloud Trace) ; le bucket de contenu et ses objets ; le dataset BigQuery, la table et le job de chargement d'amorçage ; la configuration ACL Google Identity ; l'agent de service Discovery Engine (avec un accès en lecture au bucket), le data store de documents et un appel documents:import ; l'application Gemini Enterprise ; le modèle Model Armor ; et enfin le déploiement de l'agent, suivi des liaisons IAM de l'agent de service Reasoning Engine. Ces liaisons doivent venir après le déploiement, car cet agent de service n'existe qu'une fois le premier moteur du projet créé.

Import des documents. Discovery Engine n'a pas de ressource Terraform pour importer des documents ; null_resource.import_cymbal_docs appelle donc documents:import avec gs://<bucket>/drive/* et réessaie pendant environ deux minutes au maximum, le temps que l'autorisation de l'agent de service sur le bucket se propage. L'import est asynchrone : l'apply rend la main dès qu'il a démarré, et l'indexation se termine quelques minutes plus tard. L'import est relancé lorsque le contenu de l'un ou l'autre des documents change.

Déploiement et identité de l'agent. adk deploy agent_engine n'a pas d'option d'emprunt d'identité ; le module l'exécute donc via scripts/adk_deploy.py. Ce wrapper remplace google.auth.default() par des identifiants empruntés de courte durée pour resource_creator_identity avant le chargement de l'ADK, de sorte que le moteur est créé par la même identité que toutes les autres ressources. Lorsque resource_creator_identity est vide, il se comporte exactement comme adk. Le wrapper écrit le nom de ressource reasoningEngines obtenu dans scripts/reasoning_engine.txt, et l'output reasoning_engine lit ce fichier.

Emplacement du modèle et région de déploiement. adk deploy --region X force GOOGLE_CLOUD_LOCATION=X dans le conteneur déployé, en écrasant toute valeur du .env de l'agent. (La ligne GOOGLE_CLOUD_LOCATION=global du lab d'origine est donc ignorée.) Le module transmet séparément l'emplacement du modèle sous la forme MODEL_LOCATION (agent_model_location, global par défaut), et l'agent l'applique avant la création du client du modèle.

Accès BigQuery par utilisateur ou par l'agent de service. Lorsque agent_auth_id est vide (par défaut), l'agent interroge en tant qu'agent de service Reasoning Engine, si bien que la démonstration fonctionne que l'agent ait été enregistré ou non avec une autorisation OAuth. Définissez agent_auth_id sur l'Authorization ID de Gemini Enterprise (par ex. bq-auth) pour que les requêtes s'exécutent en tant qu'utilisateur connecté ; l'agent lit alors le jeton que Gemini Enterprise stocke dans l'état de session sous cette clé. Le modifier redéploie l'agent.

Les modifications faites dans la console sont préservées. L'application ignore les dérives sur data_store_ids, features et knowledge_graph_config. Par conséquent, les connecteurs que le formateur rattache et les bascules de Feature Management (Agent Designer, modèle d'image, partage de session) ne sont pas annulés par un apply ultérieur.

Suivi manuel effectué par le formateur. Téléverser les documents Drive, créer les connecteurs Drive/Calendar et le data store Announcements, créer l'écran de consentement OAuth et le client Web, enregistrer l'agent BigQuery (éventuellement avec une Authorization), accorder à All Users le rôle Agent User, confirmer Workforce Identity sur la page Integration de l'application, et activer les options de Feature Management. Toutes ces étapes sont détaillées pas à pas dans le Guide du lab.

Comportement au nettoyage. La destruction supprime l'application, le data store, la configuration ACL, le bucket (détruit de force avec son contenu), le dataset BigQuery (avec son contenu), le modèle Model Armor, les liaisons IAM et le moteur Agent Runtime. Le provisioner de destruction du moteur le retrouve par son nom d'affichage plutôt que par le fichier local, car ce fichier ne survit pas d'une exécution de la plateforme à l'autre. La destruction ne supprime pas ce qui a été créé manuellement. Supprimer l'application ne supprime pas les data stores qui lui sont rattachés : les data stores Drive, Calendar et Announcements doivent donc être supprimés ensuite depuis Gemini Enterprise → Data stores. Il en va de même pour le client et l'écran de consentement OAuth, la ressource Authorization et les fichiers téléversés dans Google Drive. L'enregistrement de l'agent réside dans l'application et disparaît avec elle. Les API restent activées.

4. Variables de configuration

Les variables sont regroupées exactement comme elles apparaissent sur la plateforme de déploiement.

Groupe 1 — Projet et emplacement

Variable	Valeur par défaut	Description
`project_id`	(obligatoire)	Projet cible. Il doit déjà exister. Pour Qwiklabs, le projet du lab avec le compte étudiant, afin que les connecteurs et l'application partagent une même identité Workspace.
`region`	`us-central1`	Région Agent Runtime de l'agent ADK. Elle doit être autorisée par toute règle `constraints/gcp.resourceLocations`.

Groupe 2 — Application Gemini Enterprise

Variable	Valeur par défaut	Description
`create_gemini_enterprise_app`	`true`	Crée l'application et le data store de documents Cymbal Pools. Nécessite que l'essai gratuit (ou une licence) ait été démarré au préalable.
`ge_location`	`global`	`global`, `us` ou `eu`. L'application, les data stores, l'IdP, les connecteurs et l'enregistrement de l'agent doivent tous le partager.
`app_display_name`	`Cymbal Pools GE`	Nom d'affichage de l'application.
`company_name`	`Cymbal Pools`	Nom de l'entreprise sur l'application (Advanced Options).
`configure_google_identity`	`true`	Sélectionne Google Identity comme IdP pour `ge_location`. Obligatoire avant les connecteurs Drive/Calendar.

Groupe 3 — Contenu de démonstration

Variable	Valeur par défaut	Description
`bucket_location`	`US`	Emplacement du bucket de contenu.
`public_announcement_image`	`true`	Rend uniquement `pool party.png` lisible publiquement afin que l'annonce s'affiche pour tous les utilisateurs.
`bq_dataset_id`	`cymbal_pools`	Dataset BigQuery pour `installation_requests`.
`bq_location`	`US`	Emplacement du dataset BigQuery.

Groupe 4 — Agent ADK personnalisé

Variable	Valeur par défaut	Description
`deploy_adk_agent`	`true`	Déploie l'agent BigQuery sur Agent Runtime et accorde à son agent de service Vertex AI User, BigQuery User et BigQuery Data Editor.
`agent_display_name`	`BigQuery Pool Data Agent`	Nom d'affichage Agent Runtime ; l'ID de déploiement y est ajouté.
`agent_model`	`gemini-3.5-flash`	Modèle utilisé par l'agent. Le modifier redéploie l'agent sous la forme d'un nouveau moteur.
`agent_model_location`	`global`	Emplacement Vertex AI pour les appels au modèle.
`agent_auth_id`	(vide)	Authorization ID de Gemini Enterprise ; lorsqu'il est défini, les requêtes s'exécutent en tant qu'utilisateur connecté.

Groupe 5 — Model Armor

Variable	Valeur par défaut	Description
`create_model_armor_template`	`true`	Crée le modèle Model Armor de démonstration.
`model_armor_location`	(vide → `ge_location`, avec `global` → `us`)	Emplacement du modèle. Model Armor n'a pas de modèles `global`.
`model_armor_confidence`	`MEDIUM_AND_ABOVE`	Seuil de blocage des filtres RAI et d'injection de prompt (`LOW_AND_ABOVE`, `MEDIUM_AND_ABOVE`, `HIGH`).

5. Sorties

Sortie	Description
`deployment_id`	Le suffixe de déploiement utilisé dans les noms des ressources.
`project_id`	ID du projet GCP.
`demo_bucket`	Nom du bucket de contenu.
`drive_documents_console_url`	Page de la console listant les deux documents à téléverser dans Google Drive.
`agent_source_copy_cmd`	Commande `gcloud storage cp -r` pour récupérer `adk_to_ge/` dans Cloud Shell.
`announcement_image_url`	URL de l'image de l'annonce « Annual pool party ».
`ph_table_image_url`	URL authentifiée de l'image du tableau de pH pour la démonstration image vers tableau.
`gemini_enterprise_location`	L'emplacement à utiliser pour les connecteurs et l'enregistrement de l'agent.
`gemini_enterprise_app_id`	ID du moteur de l'application (`not created` lorsqu'elle est désactivée).
`gemini_enterprise_console_url`	Page de la console Gemini Enterprise du projet.
`cymbal_docs_data_store`	Nom de ressource du data store Cymbal Pools Documents.
`bigquery_table`	Table `installation_requests` entièrement qualifiée.
`reasoning_engine`	Nom de ressource Agent Runtime à coller dans Agents → Add agent.
`model_armor_template`	Nom de ressource du modèle à coller dans Configurations → Assistant → Enable Model Armor.
`oauth_redirect_uris`	Les deux URI de redirection à ajouter au client OAuth Web utilisé par les connecteurs et par l'autorisation de l'agent.

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 en cas d'erreur
`deployment_id`	défini une seule fois	Critique	Intégré dans chaque nom de ressource. Le modifier recrée l'application (en perdant les connecteurs et enregistrements d'agents rattachés manuellement), le bucket, le data store et l'agent.
`create_gemini_enterprise_app`	`true`	Élevé	Si la création de l'application échoue avec une erreur de licence, Gemini Enterprise n'est pas activé dans le projet : démarrez l'essai gratuit dans la console et redéployez, ou définissez `false` et créez l'application manuellement. (Inutile sur le projet Qwiklabs sur lequel ce module a été testé.)
`agent_model`	un modèle autorisé par `constraints/vertexai.allowedModels`	Élevé	Les projets de lab peuvent restreindre ou refuser tous les modèles Vertex AI. L'agent se déploie quand même, mais chaque requête échoue avec `FAILED_PRECONDITION ... disallowed Gen AI model`. Vérifiez la règle effective avant le cours.
`ge_location`	`global` (ou `us` sur les sandbox à quota limité)	Élevé	Les connecteurs et l'enregistrement de l'agent doivent se trouver au même emplacement que l'application, et une incohérence est rejetée. Certains projets sandbox ont un quota d'agents personnalisés de 0 à `global` ; utilisez `us` dans ce cas. Le modifier recrée l'application.
`configure_google_identity`	`true`	Élevé	Sans IdP pour l'emplacement, l'assistant de création des connecteurs Drive/Calendar échoue avec « IdP must be selected before creating an ACLed Data Connector ».
`region`	une région autorisée par la règle d'administration	Élevé	`constraints/gcp.resourceLocations` peut rejeter Agent Runtime dans la région par défaut avec une erreur 412 ; choisissez une région autorisée.
`public_announcement_image`	`true`, ou `false` en cas de prévention de l'accès public	Moyen	Lorsque `constraints/storage.publicAccessPrevention` est appliquée, l'ACL publique échoue avec une erreur 412. Définissez `false` et utilisez une image hébergée ailleurs pour l'annonce.
`agent_model` / `agent_auth_id`	définis avant l'enregistrement de l'agent	Moyen	Toute modification de l'un ou l'autre redéploie l'agent sous la forme d'un nouveau moteur ; l'enregistrement Gemini Enterprise qui pointe vers l'ancien `reasoning_engine` doit donc être recréé.
`agent_auth_id`	vide, sauf pour démontrer l'accès par utilisateur	Moyen	Lorsqu'il est défini, les requêtes s'exécutent en tant qu'utilisateur connecté, qui a alors besoin d'un accès BigQuery au dataset ; un Authorization ID non enregistré ou incohérent ne fournit aucun identifiant à l'agent.
`enable_services`	`true`	Élevé	Si les API requises ne sont pas déjà activées et que ce paramètre vaut `false`, la création des ressources échoue immédiatement.
`model_armor_confidence`	`MEDIUM_AND_ABOVE`	Faible	`HIGH` peut laisser passer certains des prompts de test les plus modérés du lab ; `LOW_AND_ABOVE` peut bloquer des prompts de démonstration ordinaires.

Pour la procédure complète du formateur (checklist d'avant-cours, étapes d'enregistrement des connecteurs et de l'agent, et prompts de démonstration en cours), consultez le Guide du lab.

Need RAD to do something it does not do yet? Request it on the roadmap, or vote on what is already there.

By Dr Shiyghan Emmanuel Navti · Google Cloud certified: ACE · PCA · PCD · PDE · PSE · CDL

1. Vue d'ensemble​

2. Services Google Cloud et comment les explorer​

A. Application Gemini Enterprise, identité et data store​

B. Cloud Storage — contenu de démonstration​

C. BigQuery — demandes d'installation​

D. Vertex AI Agent Runtime — agent BigQuery​

E. Model Armor​

3. Comportement​

4. Variables de configuration​

Groupe 1 — Projet et emplacement​

Groupe 2 — Application Gemini Enterprise​

Groupe 3 — Contenu de démonstration​

Groupe 4 — Agent ADK personnalisé​

Groupe 5 — Model Armor​

5. Sorties​

6. Pièges de configuration et valeurs par défaut judicieuses​

1. Vue d'ensemble

2. Services Google Cloud et comment les explorer

A. Application Gemini Enterprise, identité et data store

B. Cloud Storage — contenu de démonstration

C. BigQuery — demandes d'installation

D. Vertex AI Agent Runtime — agent BigQuery

E. Model Armor

3. Comportement

4. Variables de configuration

Groupe 1 — Projet et emplacement

Groupe 2 — Application Gemini Enterprise

Groupe 3 — Contenu de démonstration

Groupe 4 — Agent ADK personnalisé

Groupe 5 — Model Armor

5. Sorties

6. Pièges de configuration et valeurs par défaut judicieuses