1. 📖 簡介
在先前的程式碼研究室中，您已瞭解如何在 ADK 中設計多模態資料互動。現在，我們將進一步瞭解如何使用 MCP 工具組，設計與 MCP 伺服器的多模態資料互動。我們將擴展先前開發的產品相片編輯器代理程式功能，透過 Veo MCP 伺服器使用 Veo 模型生成短片
在本程式碼研究室中，您將逐步完成下列步驟：
- 準備 Google Cloud 專案和基礎代理程式目錄
- 設定需要檔案資料做為輸入內容的 MCP 伺服器
- 讓 ADK 代理連線至 MCP 伺服器
- 設計提示策略和回呼函式，修改對 MCP Toolset 的函式呼叫要求
- 設計回呼函式，處理 MCP Toolset 的多模態資料回應
架構總覽
本程式碼研究室的整體互動方式如下圖所示
必要條件
- 熟悉 Python
- (選用) Agent Development Kit (ADK) 基礎程式碼研究室
- (選用) ADK 多模態工具第 1 部分程式碼研究室：goo.gle/adk-multimodal-tool-1
課程內容
- 如何使用 Veo 3.1，透過提示和圖片生成短片
- 如何使用 FastMCP 開發多模態 MCP 伺服器
- 如何設定 ADK 來使用 MCP Toolset
- 如何透過工具回呼修改對 MCP 工具集的工具呼叫
- 如何透過工具回呼，從 MCP Toolset 修改工具回應
軟硬體需求
- Chrome 網路瀏覽器
- Gmail 帳戶
- 已啟用帳單帳戶的 Cloud 專案
本程式碼研究室適用於所有程度的開發人員 (包括初學者)，並在範例應用程式中使用 Python。不過，您不需要具備 Python 知識，也能瞭解本文介紹的概念。
2. 🚀 ( 選用 ) 準備工作坊開發設定
步驟 1：在 Cloud 控制台中選取有效專案
在 Google Cloud 控制台的專案選取器頁面中，選取或建立 Google Cloud 專案 (請參閱控制台左上方的部分)
點選該按鈕後，您會看到所有專案的清單，如下例所示：
紅框標示的值是專案 ID，本教學課程會使用這個值。
確認 Cloud 專案已啟用計費功能。如要確認，請按一下左上列的漢堡圖示 ☰，顯示「導覽選單」，然後找出「帳單」選單
如果「帳單 / 總覽」標題下方 ( 雲端控制台左上角部分) 顯示「Google Cloud Platform 試用帳單帳戶」，表示您的專案已準備就緒，可供本教學課程使用。如果沒有，請返回本教學課程的開頭，兌換試用帳單帳戶
步驟 2：熟悉 Cloud Shell
您將在教學課程的大部分環節中使用 Cloud Shell，請點選 Google Cloud 控制台頂端的「啟用 Cloud Shell」。如果系統提示您授權，請按一下「Authorize」(授權)。
連線至 Cloud Shell 後，我們需要檢查 Shell ( 或終端機) 是否已通過帳戶驗證
gcloud auth list
如果看到如下列範例輸出內容的個人 Gmail，表示一切正常
Credentialed Accounts
ACTIVE: *
ACCOUNT: alvinprayuda@gmail.com
To set the active account, run:
$ gcloud config set account `ACCOUNT`
如果沒有，請嘗試重新整理瀏覽器，並確保在系統提示時點選「授權」 ( 連線問題可能會導致授權中斷)。
接著，我們也需要檢查 Shell 是否已設定為正確的專案 ID。如果終端機的 $ 圖示前有括號內的值 (在下方螢幕截圖中，該值為「adk-multimodal-tool」)，表示目前 Shell 工作階段已設定專案。
如果顯示的值正確無誤，可以略過下一個指令。但如果該值不正確或遺失，請執行下列指令
gcloud config set project <YOUR_PROJECT_ID>
接著，從 Github 複製本程式碼研究室的範本工作目錄，執行下列指令。系統會在 adk-multimodal-tool 目錄中建立工作目錄
git clone https://github.com/alphinside/adk-mcp-multimodal.git adk-multimodal-tool
步驟 3：熟悉 Cloud Shell 編輯器並設定應用程式工作目錄
現在，我們可以設定程式碼編輯器，進行一些程式設計工作。我們會使用 Cloud Shell 編輯器執行這項操作
按一下「Open Editor」(開啟編輯器) 按鈕，開啟 Cloud Shell 編輯器 
完成後，前往 Cloud Shell 編輯器頂端，依序點選「File」->「Open Folder」，找出「username」目錄，然後找出「adk-multimodal-tool」目錄，並點選「OK」按鈕。這會將所選目錄設為主要工作目錄。在本範例中，使用者名稱為 alvinprayuda，因此目錄路徑如下所示
現在，Cloud Shell 編輯器的工作目錄應如下所示 ( 位於 adk-multimodal-tool 內)：
現在開啟編輯器的終端機。方法是在選單列中依序點選「Terminal」->「New Terminal」，或是使用 Ctrl + Shift + C 鍵盤快速鍵，瀏覽器底部就會開啟終端機視窗。
目前啟用的終端機應位於 adk-multimodal-tool 工作目錄中。在本程式碼研究室中，我們將使用 Python 3.12，並使用 uv Python 專案管理工具，簡化建立及管理 Python 版本和虛擬環境的需求。Cloud Shell 已預先安裝 uv 套件。
執行此指令，將必要的依附元件安裝至 .venv 目錄的虛擬環境
uv sync --frozen
查看 pyproject.toml，瞭解本教學課程的已宣告依附元件 (即 google-adk, and python-dotenv)。
現在，我們需要透過下列指令啟用必要的 API。這可能需要一點時間。
gcloud services enable aiplatform.googleapis.com
成功執行指令後，您應該會看到類似下方的訊息：
Operation "operations/..." finished successfully.
複製的存放區中 part2_starter_agent 目錄內，已提供範本代理程式結構。現在，我們需要先重新命名，才能開始本教學課程
mv part1_ckpt_agent product_photo_editor
接著，將 product_photo_editor/.env.example 複製到 product_photo_editor/.env
cp product_photo_editor/.env.example product_photo_editor/.env
開啟 product_photo_editor/.env 檔案後，您會看到如下所示的內容
GOOGLE_GENAI_USE_VERTEXAI=1
GOOGLE_CLOUD_PROJECT=your-project-id
GOOGLE_CLOUD_LOCATION=global
然後，您需要使用正確的專案 ID 更新 your-project-id 值。現在可以進行下一個步驟
3. 🚀 初始化 Veo MCP 伺服器
首先，請使用下列指令建立 MCP 服務目錄
mkdir veo_mcp
然後使用這個指令建立 veo_mcp/main.py
touch veo_mcp/main.py
然後將下列程式碼複製到 veo_mcp/main.py
from fastmcp import FastMCP
from typing import Annotated
from pydantic import Field
import base64
import asyncio
import os
from google import genai
from google.genai import types
from dotenv import load_dotenv
import logging
# Load environment variables from .env file
load_dotenv()
mcp = FastMCP("Veo MCP Server")
@mcp.tool
async def generate_video_with_image(
prompt: Annotated[
str, Field(description="Text description of the video to generate")
],
image_data: Annotated[
str, Field(description="Base64-encoded image data to use as starting frame")
],
negative_prompt: Annotated[
str | None,
Field(description="Things to avoid in the generated video"),
] = None,
) -> dict:
"""Generates a professional product marketing video from text prompt and starting image using Google's Veo API.
This function uses an image as the first frame of the generated video and automatically
enriches your prompt with professional video production quality guidelines to create
high-quality marketing assets suitable for commercial use.
AUTOMATIC ENHANCEMENTS APPLIED:
- 4K cinematic quality with professional color grading
- Smooth, stabilized camera movements
- Professional studio lighting setup
- Shallow depth of field for product focus
- Commercial-grade production quality
- Marketing-focused visual style
PROMPT WRITING TIPS:
Describe what you want to see in the video. Focus on:
- Product actions/movements (e.g., "rotating slowly", "zooming into details")
- Desired camera angles (e.g., "close-up of the product", "wide shot")
- Background/environment (e.g., "minimalist white backdrop", "lifestyle setting")
- Any specific details about the product presentation
The system will automatically enhance your prompt with professional production quality.
Args:
prompt: Description of the video to generate. Focus on the core product presentation
you want. The system will automatically add professional quality enhancements.
image_data: Base64-encoded image data to use as the starting frame
negative_prompt: Optional prompt describing what to avoid in the video
Returns:
dict: A dictionary containing:
- status: 'success' or 'error'
- message: Description of the result
- video_data: Base64-encoded video data (on success only)
"""
try:
# Initialize the Gemini client
client = genai.Client(
vertexai=True,
project=os.getenv("GOOGLE_CLOUD_PROJECT"),
location=os.getenv("GOOGLE_CLOUD_LOCATION"),
)
# Decode the image
image_bytes = base64.b64decode(image_data)
print(f"Successfully decoded image data: {len(image_bytes)} bytes")
# Create image object
image = types.Image(image_bytes=image_bytes, mime_type="image/png")
# Prepare the config
config = types.GenerateVideosConfig(
duration_seconds=8,
number_of_videos=1,
)
if negative_prompt:
config.negative_prompt = negative_prompt
# Enrich the prompt for professional marketing quality
enriched_prompt = enrich_prompt_for_marketing(prompt)
# Generate the video (async operation)
operation = client.models.generate_videos(
model="veo-3.1-generate-preview",
prompt=enriched_prompt,
image=image,
config=config,
)
# Poll until the operation is complete
poll_count = 0
while not operation.done:
poll_count += 1
print(f"Waiting for video generation to complete... (poll {poll_count})")
await asyncio.sleep(5)
operation = client.operations.get(operation)
# Download the video and convert to base64
video = operation.response.generated_videos[0]
# Get video bytes and encode to base64
video_bytes = video.video.video_bytes
video_base64 = base64.b64encode(video_bytes).decode("utf-8")
print(f"Video generated successfully: {len(video_bytes)} bytes")
return {
"status": "success",
"message": f"Video with image generated successfully after {poll_count * 5} seconds",
"complete_prompt": enriched_prompt,
"video_data": video_base64,
}
except Exception as e:
logging.error(e)
return {
"status": "error",
"message": f"Error generating video with image: {str(e)}",
}
def enrich_prompt_for_marketing(user_prompt: str) -> str:
"""Enriches user prompt with professional video production quality enhancements.
Adds cinematic quality, professional lighting, smooth camera work, and marketing-focused
elements to ensure high-quality product marketing videos.
"""
enhancement_prefix = """Create a high-quality, professional product marketing video with the following characteristics:
TECHNICAL SPECIFICATIONS:
- 4K cinematic quality with professional color grading
- Smooth, stabilized camera movements
- Professional studio lighting setup with soft, even illumination
- Shallow depth of field for product focus
- High dynamic range (HDR) for vibrant colors
VISUAL STYLE:
- Clean, minimalist aesthetic suitable for premium brand marketing
- Elegant and sophisticated presentation
- Commercial-grade production quality
- Attention to detail in product showcase
USER'S SPECIFIC REQUIREMENTS:
"""
enhancement_suffix = """
ADDITIONAL QUALITY GUIDELINES:
- Ensure smooth transitions and natural motion
- Maintain consistent lighting throughout
- Keep the product as the clear focal point
- Use professional camera techniques (slow pans, tracking shots, or dolly movements)
- Apply subtle motion blur for cinematic feel
- Ensure brand-appropriate tone and style"""
return f"{enhancement_prefix}{user_prompt}{enhancement_suffix}"
if __name__ == "__main__":
mcp.run()
下列程式碼會執行下列動作：
- 建立 FastMCP 伺服器，向 ADK 代理公開 Veo 3.1 影片生成工具
- 接受以 base64 編碼的圖片、文字提示和負面提示做為輸入內容
- 透過向 Veo 3.1 API 提交要求，並每 5 秒輪詢一次，直到完成為止，非同步生成 8 秒影片
- 傳回 base64 編碼的影片資料和充實過的提示
這個 Veo MCP 工具會需要與代理程式相同的環境變數，因此我們只要複製並貼上 .env 檔案即可。執行下列指令：
cp product_photo_editor/.env veo_mcp/
現在，我們可以執行下列指令，測試 MCP 伺服器是否正常運作
uv run veo_mcp/main.py
並顯示類似這樣的控制台記錄
╭────────────────────────────────────────────────────────────────────────────╮
│ │
│ _ __ ___ _____ __ __ _____________ ____ ____ │
│ _ __ ___ .'____/___ ______/ /_/ |/ / ____/ __ \ |___ \ / __ \ │
│ _ __ ___ / /_ / __ `/ ___/ __/ /|_/ / / / /_/ / ___/ / / / / / │
│ _ __ ___ / __/ / /_/ (__ ) /_/ / / / /___/ ____/ / __/_/ /_/ / │
│ _ __ ___ /_/ \____/____/\__/_/ /_/\____/_/ /_____(*)____/ │
│ │
│ │
│ FastMCP 2.0 │
│ │
│ │
│ 🖥️ Server name: Veo MCP Server │
│ 📦 Transport: STDIO │
│ │
│ 🏎️ FastMCP version: 2.12.5 │
│ 🤝 MCP SDK version: 1.16.0 │
│ │
│ 📚 Docs: https://gofastmcp.com │
│ 🚀 Deploy: https://fastmcp.cloud │
│ │
╰────────────────────────────────────────────────────────────────────────────╯
[10/22/25 08:28:53] INFO Starting MCP server 'Veo MCP Server' with server.py:1502
transport 'stdio'
現在請使用 CTRL+C 終止 MCP 服務程序。稍後會從 ADK MCP Toolset 叫用這項指令。我們可以繼續下一個步驟，允許代理使用這項 MCP 工具
4. 🚀 將 Veo MCP 伺服器連線至 ADK 代理程式
現在，讓我們連線至 Veo MCP 伺服器，以便代理使用。首先，請建立另一個指令碼來包含工具集，執行下列指令：
touch product_photo_editor/mcp_tools.py
然後將下列程式碼複製到 product_photo_editor/mcp_tools.py
from google.adk.tools.mcp_tool.mcp_toolset import MCPToolset
from google.adk.tools.mcp_tool.mcp_session_manager import StdioConnectionParams
from mcp import StdioServerParameters
mcp_toolset = MCPToolset(
connection_params=StdioConnectionParams(
server_params=StdioServerParameters(
command="uv",
args=[
"run",
"veo_mcp/main.py",
],
),
timeout=120, # seconds
),
)
# Option to connect to remote MCP server
# from google.adk.tools.mcp_tool.mcp_session_manager import StreamableHTTPConnectionParams
# mcp_toolset = MCPToolset(
# connection_params=StreamableHTTPConnectionParams(
# url="http://localhost:8000/mcp",
# timeout=120,
# ),
# )
上述程式碼顯示如何使用 ADK MCPToolset 連線至 MCP 伺服器。在本例中，我們使用 STDIO 通訊管道連線至 MCP 伺服器。在指令中，我們會指定如何執行 MCP 伺服器，並設定逾時參數。
5. 🚀 工具呼叫參數修改
在 MCP 伺服器工具宣告中，我們設計了工具 generate_video_with_image，將 base64 字串指定為工具參數。我們無法要求 LLM 為我們執行這項操作，因此需要設計特定策略來處理。
在上一個實驗室中，我們會在 before_model_callback 中處理使用者上傳的圖片和工具回應圖片，並將其儲存為構件，這也會反映在先前準備的代理程式範本中。我們會運用這項資訊，並採取下列策略：
- 如果特定工具參數需要傳送 Base64 字串資料，請指示 LLM 一律傳送 artifact_id 值
- 在
before_tool_callback中攔截工具呼叫的叫用，並載入構件，將參數從 artifact_id 轉換為位元組內容，然後覆寫工具引數
請參閱下圖，瞭解我們將攔截的部分
首先，請準備 before_tool_callback 函式，然後執行下列指令，建立新的 product_photo_editor/tool_callbacks.py 檔案
touch product_photo_editor/tool_callbacks.py
然後將下列程式碼複製到檔案中
# product_photo_editor/tool_callbacks.py
from google.genai.types import Part
from typing import Any
from google.adk.tools.tool_context import ToolContext
from google.adk.tools.base_tool import BaseTool
from google.adk.tools.mcp_tool.mcp_tool import McpTool
import base64
import logging
import json
from mcp.types import CallToolResult
async def before_tool_modifier(
tool: BaseTool, args: dict[str, Any], tool_context: ToolContext
):
# Identify which tool input should be modified
if isinstance(tool, McpTool) and tool.name == "generate_video_with_image":
logging.info("Modify tool args for artifact: %s", args["image_data"])
# Get the artifact filename from the tool input argument
artifact_filename = args["image_data"]
artifact = await tool_context.load_artifact(filename=artifact_filename)
file_data = artifact.inline_data.data
# Convert byte data to base64 string
base64_data = base64.b64encode(file_data).decode("utf-8")
# Then modify the tool input argument
args["image_data"] = base64_data
上述程式碼顯示下列步驟：
- 檢查叫用的工具是否為 McpTool 物件，以及是否為要修改的目標工具呼叫
- 以 Base64 格式取得
image_data引數的值，但我們要求 LLM 傳回其中的 artifact_id - 在
tool_context上使用構件服務載入構件 - 以 base64 資料覆寫
image_data引數
現在，我們需要將這個回呼新增至代理程式，並稍微修改指令，讓代理程式一律填入構件 ID，而非 Base64 工具引數。
開啟 product_photo_editor/agent.py，並使用下列程式碼修改內容
# product_photo_editor/agent.py
from google.adk.agents.llm_agent import Agent
from product_photo_editor.custom_tools import edit_product_asset
from product_photo_editor.mcp_tools import mcp_toolset
from product_photo_editor.model_callbacks import before_model_modifier
from product_photo_editor.tool_callbacks import before_tool_modifier
from product_photo_editor.prompt import AGENT_INSTRUCTION
root_agent = Agent(
model="gemini-2.5-flash",
name="product_photo_editor",
description="""A friendly product photo editor assistant that helps small business
owners edit and enhance their product photos. Perfect for improving photos of handmade
goods, food products, crafts, and small retail items""",
instruction=AGENT_INSTRUCTION
+ """
**IMPORTANT: Base64 Argument Rule on Tool Call**
If you found any tool call arguments that requires base64 data,
ALWAYS provide the artifact_id of the referenced file to
the tool call. NEVER ask user to provide base64 data.
Base64 data encoding process is out of your
responsibility and will be handled in another part of the system.
""",
tools=[
edit_product_asset,
mcp_toolset,
],
before_model_callback=before_model_modifier,
before_tool_callback=before_tool_modifier,
)
現在來試著與代理程式互動，測試這項修改。執行下列指令，即可執行網頁開發使用者介面
uv run adk web --port 8080
這會產生類似下列範例的輸出內容，表示我們已可存取網頁介面
INFO: Started server process [xxxx] INFO: Waiting for application startup. +-----------------------------------------------------------------------------+ | ADK Web Server started | | | | For local testing, access at http://127.0.0.1:8080. | +-----------------------------------------------------------------------------+ INFO: Application startup complete. INFO: Uvicorn running on http://127.0.0.1:8080 (Press CTRL+C to quit)
現在，如要檢查，請按住 Ctrl 鍵並點選網址，或點選 Cloud Shell 編輯器頂端區域的「Web Preview」(網頁預覽) 按鈕，然後選取「Preview on port 8080」(透過以下通訊埠預覽：8080)。
你會看到以下網頁，在左上方的下拉式按鈕中選取可用的代理程式 ( 在本例中應為 product_photo_editor)，並與機器人互動。
接著，上傳下列圖片，並要求代理程式從中生成宣傳短片
Generate a slow zoom in and moving from left and right animation
您會遇到下列錯誤
這是因為由於工具也會直接以 Base64 字串的形式傳回結果，因此會超過權杖上限。我們會在下一節中處理這項錯誤。
6. 🚀 修改工具回應
在本節中，我們將處理 MCP 回應中的工具回應。我們會執行下列動作：
- 將工具產生的影片回覆儲存在構件服務中
- 改為將構件 ID 傳回給代理程式
提醒您，我們將在以下代理程式執行階段中輕觸
首先，請實作回呼函式，開啟 product_photo_editor/tool_callbacks.py 並進行修改，實作 after_tool_modifier
# product_photo_editor/tool_callbacks.py
from google.genai.types import Part
from typing import Any
from google.adk.tools.tool_context import ToolContext
from google.adk.tools.base_tool import BaseTool
from google.adk.tools.mcp_tool.mcp_tool import McpTool
import base64
import logging
import json
from mcp.types import CallToolResult
async def before_tool_modifier(
tool: BaseTool, args: dict[str, Any], tool_context: ToolContext
):
# Identify which tool input should be modified
if isinstance(tool, McpTool) and tool.name == "generate_video_with_image":
logging.info("Modify tool args for artifact: %s", args["image_data"])
# Get the artifact filename from the tool input argument
artifact_filename = args["image_data"]
artifact = await tool_context.load_artifact(filename=artifact_filename)
file_data = artifact.inline_data.data
# Convert byte data to base64 string
base64_data = base64.b64encode(file_data).decode("utf-8")
# Then modify the tool input argument
args["image_data"] = base64_data
async def after_tool_modifier(
tool: BaseTool,
args: dict[str, Any],
tool_context: ToolContext,
tool_response: dict | CallToolResult,
):
if isinstance(tool, McpTool) and tool.name == "generate_video_with_image":
tool_result = json.loads(tool_response.content[0].text)
# Get the expected response field which contains the video data
video_data = tool_result["video_data"]
artifact_filename = f"video_{tool_context.function_call_id}.mp4"
# Convert base64 string to byte data
video_bytes = base64.b64decode(video_data)
# Save the video as artifact
await tool_context.save_artifact(
filename=artifact_filename,
artifact=Part(inline_data={"mime_type": "video/mp4", "data": video_bytes}),
)
# Remove the video data from the tool response
tool_result.pop("video_data")
# Then modify the tool response to include the artifact filename and remove the base64 string
tool_result["video_artifact_id"] = artifact_filename
logging.info(
"Modify tool response for artifact: %s", tool_result["video_artifact_id"]
)
return tool_result
接著，我們需要為代理程式配備這項函式。開啟 product_photo_editor/agent.py，並修改為下列程式碼
# product_photo_editor/agent.py
from google.adk.agents.llm_agent import Agent
from product_photo_editor.custom_tools import edit_product_asset
from product_photo_editor.mcp_tools import mcp_toolset
from product_photo_editor.model_callbacks import before_model_modifier
from product_photo_editor.tool_callbacks import (
before_tool_modifier,
after_tool_modifier,
)
from product_photo_editor.prompt import AGENT_INSTRUCTION
root_agent = Agent(
model="gemini-2.5-flash",
name="product_photo_editor",
description="""A friendly product photo editor assistant that helps small business
owners edit and enhance their product photos. Perfect for improving photos of handmade
goods, food products, crafts, and small retail items""",
instruction=AGENT_INSTRUCTION
+ """
**IMPORTANT: Base64 Argument Rule on Tool Call**
If you found any tool call arguments that requires base64 data,
ALWAYS provide the artifact_id of the referenced file to
the tool call. NEVER ask user to provide base64 data.
Base64 data encoding process is out of your
responsibility and will be handled in another part of the system.
""",
tools=[
edit_product_asset,
mcp_toolset,
],
before_model_callback=before_model_modifier,
before_tool_callback=before_tool_modifier,
after_tool_callback=after_tool_modifier,
)
完成後，你就能要求 AI 代理程式編輯相片，甚至生成影片！再次執行下列指令
uv run adk web --port 8080
然後嘗試使用這張圖片製作影片
Generate a slow zoom in and moving from left and right animation
系統會生成影片，如下方範例所示，並儲存為構件
7. ⭐ 摘要
現在讓我們回顧一下在本程式碼研究室中完成的內容，以下是主要學習內容：
- 多模態資料處理 (工具 I/O)：強化策略，透過 ADK 的構件服務和專用回呼，管理工具輸入和輸出內容的多模態資料 (例如圖片和影片)，而非直接傳遞原始位元組資料。
- MCP 工具組整合：使用 ADK MCP 工具組透過 FastMCP 開發及整合外部 Veo MCP 伺服器，為代理程式新增影片生成功能。
- 工具輸入內容修改 (before_tool_callback)：實作回呼，攔截 generate_video_with_image 工具呼叫，將檔案的 artifact_id (由 LLM 選取) 轉換為 MCP 伺服器輸入內容所需的 Base64 編碼圖片資料。
- 工具輸出內容修改 (after_tool_callback)：實作回呼，攔截來自 MCP 伺服器的 Base64 編碼大型影片回應、將影片儲存為新構件，並將乾淨的 video_artifact_id 參照傳回給 LLM。
8. 🧹 清理
如要避免系統向您的 Google Cloud 帳戶收取本程式碼研究室所用資源的費用，請按照下列步驟操作：