1. 簡介
「金魚」問題
假設你聘請旅行社規劃東京夢幻假期。使用工作階段代理，查看「金魚問題」的實際運作情形。
你走進他們的辦公室，說：
「你好，我想規劃東京 2 日遊。我對歷史遺跡和壽司感興趣。」
代理熱情地回覆：
「Great! 我安排了皇居參觀行程，晚餐則在數寄屋橋次郎享用壽司。」
你微笑著說：
「聽起來很棒！可以傳送行程給我嗎？」
服務專員一臉茫然地看著你，然後問道：
「你好，今天需要我幫忙規劃行程嗎？」
這就是「金魚問題」。如果沒有記憶，每次互動都得從頭開始。雖然代理具備智慧，知道如何規劃行程，但缺乏連貫性。AI 代理必須具備記憶能力，才能真正發揮作用。
今日任務
在本工作坊中，您將建構能記住、學習和適應的旅遊代理，解決金魚問題。您將逐步完成代理記憶用量的 6 個等級，打造出更像專屬個人助理，而非聊天機器人的系統。
等級 | 概念 | 「超能力」 |
第 1 關 | 工作階段和狀態 | 對話不中斷 |
第 2 關 | 多代理狀態 | 與團隊成員共用筆記 |
第 3 關 | 資料保留設定 | 即使系統重新啟動，也能記住您的身分 |
第 4 關 | 回呼 | 完全自主更新記憶 |
第 5 關 | 自訂工具 | 讀取及寫入結構化使用者個人資料 |
第 6 關 | 多模態記憶 | 「查看」及記住相片和影片 |
ADK 記憶體堆疊
在編寫程式碼之前，我們先來瞭解要使用的工具。Google Agent Development Kit (ADK) 提供結構化的記憶體處理方式：
- 工作階段：對話的容器。其中包含對話記錄。
- 狀態：附加至工作階段的鍵/值「記事本」。代理會使用這個空間儲存特定事實 (例如
destination="Tokyo")。 - MemoryService：長期儲存空間。我們會在這裡永久保存資料，例如使用者偏好設定或分析過的文件。
2. 設定
如要打造 AI 代理，需要兩項要素：Google Cloud 專案做為基礎，
第一部分：啟用帳單帳戶
如要執行這個程式碼實驗室，您需要有具備抵免額的帳單帳戶。請使用本程式碼實驗室頂端橫幅中的抵免額，開始進行實驗室。如果您已連結帳單帳戶，可以略過這個步驟。
第二部分：開放式環境
- 👉 點選這個連結，直接前往 Cloud Shell 編輯器
- 👉 如果今天在任何時候看到授權提示，請點選「授權」繼續操作。
- 👉 如果終端機未顯示在畫面底部，請開啟終端機：
- 點選「查看」。
- 按一下「終端機」
- 👉💻 在終端機中，使用下列指令確認您已通過驗證，且專案已設為您的專案 ID：
gcloud auth list - 👉💻 從 GitHub 複製 bootstrap 專案：
git clone https://github.com/cuppibla/memory_agent_starter - 👉💻 從專案目錄執行設定指令碼。
cd ~/memory_agent_starter ./init.sh - 👉💻 設定所需的專案 ID：
gcloud config set project $(cat ~/project_id.txt) --quiet
第三部分：設定權限
- 👉💻 使用下列指令啟用必要的 API。這項作業可能需要幾分鐘才能完成。
gcloud services enable \ cloudresourcemanager.googleapis.com \ servicenetworking.googleapis.com \ run.googleapis.com \ aiplatform.googleapis.com \ compute.googleapis.com - 👉💻 在終端機執行下列指令，授予必要權限：
. ~/memory_agent_starter/set_env.sh
您會看到系統已建立 .env 檔案。這會顯示專案資訊。
3. 基礎：工作階段和狀態
概念：脈絡是關鍵
最基本的記憶體形式是工作階段記憶體。這樣一來，代理就能知道「我想買它」這句話中的「它」，是指你 10 秒前談到的鞋子。
在 ADK 中，我們使用 Session 物件管理這項作業。
- 無狀態方法：為每則訊息建立新的工作階段。
- 有狀態方法：建立一個工作階段，並在整個對話中重複使用。
步驟 1：檢查代理
👉💻 在 Cloud Shell 終端機中執行下列指令，在 Cloud Shell 編輯器中開啟檔案：
cloudshell edit ~/memory_agent_starter/01_session_agent/agent.py
開啟 ~/memory_agent_starter/01_session_agent/agent.py。
👉 在 agent.py 函式中找到 # TODO: Create a root agent 註解。
將整行程式碼替換為以下程式碼：
root_agent = LlmAgent(
name="multi_day_trip_agent",
model="gemini-2.5-flash",
description="Agent that progressively plans a multi-day trip, remembering previous days and adapting to user feedback.",
instruction="""
You are the "Adaptive Trip Planner" 🗺️ - an AI assistant that builds multi-day travel itineraries step-by-step.
Your Defining Feature:
You have short-term memory. You MUST refer back to our conversation to understand the trip's context, what has already been planned, and the user's preferences. If the user asks for a change, you must adapt the plan while keeping the unchanged parts consistent.
Your Mission:
1. **Initiate**: Start by asking for the destination, trip duration, and interests.
2. **Plan Progressively**: Plan ONLY ONE DAY at a time. After presenting a plan, ask for confirmation.
3. **Handle Feedback**: If a user dislikes a suggestion (e.g., "I don't like museums"), acknowledge their feedback, and provide a *new, alternative* suggestion for that time slot that still fits the overall theme.
4. **Maintain Context**: For each new day, ensure the activities are unique and build logically on the previous days. Do not suggest the same things repeatedly.
5. **Final Output**: Return each day's itinerary in MARKDOWN format.
""",
tools=[google_search]
)
指令會告訴 LLM 要記住，但程式碼必須提供記住的能力。
步驟 2：兩種情境
開啟 ~/memory_agent_starter/01_session_agent/main.py。
👉 在 Cloud Shell 終端機中執行下列指令，在 Cloud Shell 編輯器開啟檔案：
cloudshell edit ~/memory_agent_starter/01_session_agent/main.py
開啟 ~/memory_agent_starter/01_session_agent/main.py，在 main.py 函式中找出註解 # TODO: Create a runner with in memorysession service。
將整行程式碼替換為以下程式碼：
runner = Runner(
agent=agent,
session_service=session_service,
app_name=agent.name
)
👉 在 main.py 函式中找到 # TODO: create a different session to test 註解。
將整行程式碼替換為以下程式碼：
tokyo_session_2 = await session_service.create_session(
app_name=multi_day_agent.name,
user_id=user_id
)
測試
我們有兩個函式，可示範「金魚」和「大象」記憶之間的差異。
情境 1：有狀態 (共用工作階段)
async def run_trip_same_session_scenario(session_service, user_id):
# 1. Create ONE session
trip_session = await session_service.create_session(...)
# 2. Turn 1
await run_agent_query(..., trip_session, ...)
# 3. Turn 2 - REUSING the same session!
# The agent can "see" Turn 1 because it's in the session history.
await run_agent_query(..., trip_session, ...)
情境 2：無狀態 (每次都是新工作階段)
async def run_trip_different_session_scenario(session_service, user_id):
# Turn 1
tokyo_session = await session_service.create_session(...)
await run_agent_query(..., tokyo_session, ...)
# Turn 2 - Creating a FREASH session
# The agent has NO IDEA what happened in Turn 1.
tokyo_session_2 = await session_service.create_session(...)
await run_agent_query(..., tokyo_session_2, ...)
步驟 3：執行代理
一起來看看實際的差異。執行指令碼：
👉💻 在指令列中執行下列指令：
cd ~/memory_agent_starter
uv run python ~/memory_agent_starter/01_session_agent/main.py
觀察情境 1：代理記住您在第一則訊息中的偏好設定，並在第二則訊息中調整計畫。
觀察情境 2：在第二輪對話 (「你還記得我喜歡這道菜的什麼嗎？」) 中，代理完全失敗，因為這是新的工作階段。這基本上表示「我不知道你在說什麼」。
重點摘要
記憶體規則 1：一律重複使用 session.id，以保留對話內容。Session 物件是代理的短期記憶體緩衝區。
4. 團隊 - 多代理狀態
概念：「傳話遊戲」
多個代理協同運作時，就像同事之間來回傳遞資料夾。如果某個代理在資料夾中寫下附註，下一個代理應能讀取。
在 ADK 中，這個「資料夾」就是狀態。
- 狀態是工作階段中的字典 (
{"key": "value"})。 - 工作階段中的任何代理都能讀取或寫入資料。
Step 1：檢查工作流程
👉💻 在 Cloud Shell 終端機中執行下列指令，在 Cloud Shell 編輯器中開啟檔案：
cloudshell edit ~/memory_agent_starter/02_multi_agent/agent.py
👉在 ~/memory_agent_starter/02_multi_agent/agent.py 檔案中，找到 # TODO: foodie agent 註解。
將整行程式碼替換為以下程式碼：
foodie_agent = LlmAgent(
name="foodie_agent",
model="gemini-2.5-flash",
tools=[google_search],
instruction="""You are an expert food critic. Your goal is to find the best restaurant based on a user's request.
When you recommend a place, you must output *only* the name of the establishment and nothing else.
For example, if the best sushi is at 'Jin Sho', you should output only: Jin Sho
""",
output_key="destination" # ADK will save the agent's final response to state['destination']
)
👉 在 agent.py 函式中找到 # TODO: transportation agent 註解。
將整行程式碼替換為以下程式碼：
transportation_agent = LlmAgent(
name="transportation_agent",
model="gemini-2.5-flash",
tools=[google_search],
instruction="""You are a navigation assistant. Given a destination, provide clear directions.
The user wants to go to: {destination}.
Analyze the user's full original query to find their starting point.
Then, provide clear directions from that starting point to {destination}.
""",
)
👉 在 agent.py 函式中找到 # TODO: root_agent 註解。
將整行程式碼替換為以下程式碼：
root_agent = SequentialAgent(
name="find_and_navigate_agent",
sub_agents=[foodie_agent, transportation_agent],
description="A workflow that first finds a location and then provides directions to it."
)
現在，我們有兩個依序運作的代理：
- 美食家代理：尋找餐廳。
- 交通代理：提供前往該餐廳的路線。
魔術交接：請注意 foodie_agent 如何將接力棒交給 transportation_agent。
foodie_agent = LlmAgent(
# ...
# CRITICAL: This tells ADK to save the agent's output to state['destination']
output_key="destination"
)
transportation_agent = LlmAgent(
# ...
# CRITICAL: This injects state['destination'] into the prompt
instruction="""
The user wants to go to: {destination}.
Provide clear directions...
""",
)
output_key="destination"：Foodie 代理的答案已有效率地儲存。{destination}：運輸服務代理會自動讀取該答案。
(不需採取任何行動) 步驟 2：Orchestrator
開啟 02_multi_agent/main.py。
我們使用 SequentialAgent 依序執行這些工作。
# 1. Create a single session for the sequential agent
session = await session_service.create_session(...)
# 2. Run the query
# The SequentialAgent manages the state flow:
# Query -> Foodie -> state['destination'] -> Transportation -> Final Answer
await run_agent_query(root_agent, query, ...)
使用者傳送一個提示：
"Find best sushi in Palo Alto and then tell me how to get there."
代理會協同合作，回答問題。
步驟 3：管理團隊
👉💻 在 Cloud Shell 終端機執行多代理工作流程：
cd ~/memory_agent_starter
uv run python ~/memory_agent_starter/02_multi_agent/main.py
會發生什麼情況？
- 美食家代理：找到「Jin Sho」(或類似餐廳)。
- ADK：將「Jin Sho」儲存至
state['destination']。 - 運輸代理：在指令中收到「Jin Sho」。
- 結果：「如要從加州列車站前往 Jin Sho，請沿著 University Ave 步行...」
重點摘要
記憶體規則 #2：使用狀態在代理之間傳遞結構化資訊。使用 output_key 寫入，並使用 {placeholders} 讀取。
5. 重新啟動 - 持續性
概念：「重新啟動問題」
到目前為止，我們的記憶體為 InMemory。如果停止指令碼並重新啟動，代理就會忘記所有內容。就像電腦每次關機時都會清除硬碟資料一樣。
為解決這個問題，我們需要持續性。將 InMemorySessionService 換成 DatabaseSessionService。
步驟 1：切換資料庫
👉💻 在 Cloud Shell 終端機中執行下列指令，在 Cloud Shell 編輯器中開啟檔案：
cloudshell edit ~/memory_agent_starter/03_persistent_agent/main.py
👉 在 ~/memory_agent_starter/03_persistent_agent/main.py 檔案中，找到 # TODO: Configuration for Persistent Sessions 註解。
將整行程式碼替換為以下程式碼：
SESSIONS_DIR = Path(os.path.expanduser("~")) / ".adk_codelab" / "sessions"
os.makedirs(SESSIONS_DIR, exist_ok=True)
SESSION_DB_FILE = SESSIONS_DIR / "trip_planner.db"
SESSION_URL = f"sqlite:///{SESSION_DB_FILE}"
現在，每個工作階段和事件都會儲存到 SQLite 檔案。
步驟 2：跨工作階段檢索
持久性不僅能讓代理繼續對話，還能從過去的對話中學習。
在同一個檔案 ~/memory_agent_starter/03_persistent_agent/main.py中，查看「Test Case 3: Cross-Session Retrieval」。
👉 找出留言 # TODO: retrieve the previous session manually
將整行程式碼替換為以下程式碼：
old_session = await session_service.get_session(
app_name=root_agent.name, user_id="user_01", session_id=session_id
)
👉 在 main.py 函式中找到 # TODO: Extract content from the OLD session 註解。
將整行程式碼替換為以下程式碼：
previous_context += f"- {role}: {text}\n"
👉 在 main.py 函式中找到 # TODO: Manually inject the context to the query 註解。
將整行程式碼替換為以下程式碼：
query_3 = f"""
{previous_context}
I'm planning a new trip to Osaka this time.
Based on my previous preferences (above), what should I eat?
"""
這會模擬使用者在幾個月後返回的情況。只有資料庫才能擷取舊記錄。
步驟 3：重新啟動後仍能運作
👉💻 在終端機執行指令碼：
cd ~/memory_agent_starter
uv run python ~/memory_agent_starter/03_persistent_agent/main.py
這會建立 ~/memory_agent_starter/trip_planner.db 檔案。試試看：執行指令碼兩次。
- 第二次執行時，請尋找「Resumed existing session」。
- 代理會從資料庫檔案載入，因此會記住第一次執行的內容！
重點摘要
記憶體規則 3：在正式環境中使用 DatabaseSessionService。確保使用者對話不會因伺服器重新啟動而中斷，並可進行長期記錄分析。
6. The Spy - Callbacks
有時，您需要根據代理的動作 (而不只是說的話) 自動更新記憶。您需要一個「間諜」來觀察代理並記錄。
在 ADK 中，這個間諜就是回呼。
after_tool_callback：每次代理運作時都會執行的函式。ToolContext：從該函式內部寫入狀態的方法。
步驟 1：邏輯生成法
👉💻 在 Cloud Shell 終端機中執行下列指令，在 Cloud Shell 編輯器中開啟檔案：
cloudshell edit ~/memory_agent_starter/04_stateful_agent/agent.py
👉 在 ~/memory_agent_starter/04_stateful_agent/agent.py 檔案中，找到 # TODO: Implement call back logic 註解
將整行程式碼替換為以下程式碼：
def save_activity_type_callback(
tool,
args: Dict[str, Any],
tool_context: ToolContext,
tool_response: Dict[str, Any],
) -> Optional[Dict[str, Any]]:
"""
Callback to save the TYPE of activity just planned into the session state.
"""
# 1. Get the actual agent name.
if tool.name == "transfer_to_agent":
agent_name = args.get("agent_name")
else:
agent_name = tool.name
activity_type = "unknown"
# 2. Determine the type based on which agent was actually used
if agent_name == "museum_expert":
activity_type = "CULTURAL"
elif agent_name == "restaurant_expert":
activity_type = "FOOD"
elif agent_name == "outdoor_expert":
activity_type = "OUTDOOR"
print(f"\n🔔 [CALLBACK] The planner transferred to '{agent_name}'.")
# 3. Update the state directly
tool_context.state["last_activity_type"] = activity_type
print(f"💾 [STATE UPDATE] 'last_activity_type' is now set to: {activity_type}\n")
return tool_response
👉 在同一個檔案中，找到 04_stateful_agent/agent.py 函式內的 # TODO: add callback to root agent 註解。
將整行程式碼替換為以下程式碼：
after_tool_callback=save_activity_type_callback,
動態指令：代理的指令現在是函式，而非字串。會根據狀態變更！
def get_planner_instruction(context):
last_activity = context.state.get("last_activity_type", "None")
return f"""
The last activity was: {last_activity}
If last_activity is 'CULTURAL' -> `museum_expert` is BANNED.
"""
步驟 3：測試 Spy
👉💻 在終端機中複製並貼上以下指令，執行指令碼：
cd ~/memory_agent_starter
uv run python ~/memory_agent_starter/04_stateful_agent/main.py
執行這個代理時，您會看到迴圈。
- 第 1 輪：你詢問博物館。Spy 設定
last_activity="CULTURAL"。 - 第 2 輪：你詢問另一間博物館。
- 代理指令更新：「禁止文化相關內容」。
- 服務專員說：「我不想再逛博物館了。公園怎麼樣？」
查看 [CALLBACK] 和 [STATE UPDATE] 的控制台記錄。代理執行工作時，您可以即時查看記憶體變化。
重點摘要
記憶體規則 4：使用回呼自動管理狀態。代理只要執行工作，就會自行建立脈絡。
7. 檔案櫃頁面 - 自訂工具
概念：「結構化記憶」
到目前為止，「記憶」功能只是對話記錄或簡單的鍵/值組合。但如果需要記住複雜的使用者個人資料，例如 diet: vegan, budget: high, pets: [cat, dog]，該怎麼辦？
因此，我們會將記憶視為工具。代理會明確決定何時開啟檔案櫃頁面 (讀取)，以及何時提交報告 (寫入)。
步驟 1：工具
👉💻 在 Cloud Shell 終端機中執行下列指令，在 Cloud Shell 編輯器中開啟檔案：
cloudshell edit ~/memory_agent_starter/05_profile_agent/tools.py
👉 檔案：~/memory_agent_starter/05_profile_agent/tools.py。
我們需要實作以下兩項特定工具：
save_user_preferences：寫入資料庫。recall_user_preferences：從資料庫讀取。
在 ~/memory_agent_starter/05_profile_agent/tools.py 函式中找到 # TODO: implement save_user_preferences tools 註解。
將整行程式碼替換為以下程式碼：
def save_user_preferences(tool_context: ToolContext, new_preferences: Dict[str, Any]) -> str:
user_id = tool_context.session.user_id
with sqlite3.connect(USER_DB_FILE) as conn:
for key, value in new_preferences.items():
conn.execute("INSERT INTO user_preferences (user_id, pref_key, pref_value) VALUES (?, ?, ?) ON CONFLICT(user_id, pref_key) DO UPDATE SET pref_value = excluded.pref_value;",
(user_id, key, json.dumps(value)))
return f"Preferences updated: {list(new_preferences.keys())}"
👉 在 05/tools.py 函式中找到 # TODO: implement recall_user_preferences tools 註解。
將整行程式碼替換為以下程式碼：
def recall_user_preferences(tool_context: ToolContext) -> Dict[str, Any]:
user_id = tool_context.session.user_id
preferences = {}
with sqlite3.connect(USER_DB_FILE) as conn:
rows = conn.execute("SELECT pref_key, pref_value FROM user_preferences WHERE user_id = ?", (user_id,)).fetchall()
if not rows: return {"message": "No preferences found."}
for key, value_str in rows: preferences[key] = json.loads(value_str)
return preferences
這項指令會強制執行工作流程：
instruction="""
1. RECALL FIRST: First action MUST be `recall_user_preferences`.
3. LEARN: If a user states a new preference, use `save_user_preferences`.
"""
步驟 2：執行
👉💻 在 Cloud Shell 終端機中執行下列指令，在 Cloud Shell 編輯器中開啟檔案：
cloudshell edit ~/memory_agent_starter/05_profile_agent/main.py
開啟 ~/memory_agent_starter/05_profile_agent/main.py。
與先前由 ADK 自動處理狀態的模組不同，這裡由代理控制。
- 它會選擇在開頭呼叫
recall_user_preferences。 - 當你說「我是素食主義者」時，系統會選擇呼叫
save_user_preferences。
步驟 3：建構設定檔
👉💻 執行指令碼：
cd ~/memory_agent_starter
uv run python ~/memory_agent_starter/05_profile_agent/main.py
建議的對話流程如下：
- 「嗨，幫我規劃晚餐。」-> 服務專員查看資料庫，但找不到任何資訊。詢問偏好設定。
- 「我是全素食者。」-> 代理將「vegan」儲存至資料庫。
- 重新啟動指令碼。
- 「嗨，幫我規劃晚餐。」-> 代理檢查資料庫，看到「純素」，立即推薦純素餐廳。
重點摘要
記憶體規則 5：針對複雜的結構化資料，請為代理提供讀寫工具。讓 LLM 自行管理長期儲存空間。
8. 大腦：多模態記憶
概念：「人類體驗」
人類不只會記住文字，我們會記得相片的氛圍、聲音的音色、影片的感覺。
Vertex AI Memory Bank 可讓代理處理多模態記憶。可擷取圖片、影片和音訊，並「理解」這些內容，以便日後擷取。
步驟 1：設定
👉💻 在 Cloud Shell 終端機中執行下列指令，在 Cloud Shell 編輯器中開啟檔案：
cloudshell edit ~/memory_agent_starter/06_multimodal_agent/main.py
👉 開啟 06_multimodal_agent/main.py。找出註解 # TODO: Configure Memory Bank Topic。
將整行程式碼替換為以下程式碼：
travel_topics = [
MemoryTopic(
managed_memory_topic=ManagedMemoryTopic(
managed_topic_enum=ManagedTopicEnum.USER_PREFERENCES
)
),
MemoryTopic(
managed_memory_topic=ManagedMemoryTopic(
managed_topic_enum=ManagedTopicEnum.USER_PERSONAL_INFO
)
),
MemoryTopic(
custom_memory_topic=CustomMemoryTopic(
label="travel_experiences",
description="""Memorable travel experiences including:
- Places visited and impressions
- Favorite restaurants, cafes, and food experiences
- Preferred accommodation types and locations
- Activities enjoyed (museums, hiking, beaches, etc.)
- Travel companions and social preferences
- Photos and videos from trips with location context""",
)
),
MemoryTopic(
custom_memory_topic=CustomMemoryTopic(
label="travel_preferences",
description="""Travel style and preferences:
- Budget preferences (luxury, mid-range, budget)
- Transportation preferences (flying, trains, driving)
- Trip duration preferences
- Season and weather preferences
- Cultural interests and language abilities
- Dietary restrictions and food preferences""",
)
),
MemoryTopic(
custom_memory_topic=CustomMemoryTopic(
label="travel_logistics",
description="""Practical travel information:
- Passport and visa information
- Frequent flyer numbers and hotel loyalty programs
- Emergency contacts
- Medical considerations and insurance
- Packing preferences and essentials
- Time zone preferences and jet lag strategies""",
)
),
]
找出註解 # TODO: Configure Memory Bank Customization
將整行程式碼替換為以下程式碼：
memory_bank_config = {
"customization_configs": [
{
"memory_topics": travel_topics,
}
],
"similarity_search_config": {
"embedding_model": f"projects/{PROJECT_ID}/locations/{LOCATION}/publishers/google/models/gemini-embedding-001"
},
"generation_config": {
"model": f"projects/{PROJECT_ID}/locations/{LOCATION}/publishers/google/models/gemini-2.5-flash"
},
}
Step 2: Ingesting the World
在test_trip_planner，我們會傳送：
- 文字訊息 (「Hello」)
- 圖片 (地標)
- 影片 (地中海)
- 音訊片段 (關於蓋塔的語音記事)
在 6_multimodal_agent/main.py 函式中找到 # TODO create session service and memory service 註解。
將整行程式碼替換為以下程式碼：
session_service = VertexAiSessionService(
project=PROJECT_ID, location=LOCATION, agent_engine_id=agent_engine_id
)
memory_service = VertexAiMemoryBankService(
project=PROJECT_ID, location=LOCATION, agent_engine_id=agent_engine_id
)
👉 在同一個檔案 06_multimodal_agent/main.py 中，找到註解 # TODO: create memory from session
將整行程式碼替換為以下程式碼：
await memory_service.add_session_to_memory(final_session_state)
這就是神奇的一行程式碼。並將所有互動式多媒體傳送至 Vertex AI 進行處理和建立索引。
步驟 3：檢索
👉💻 在 Cloud Shell 終端機中執行下列指令，在 Cloud Shell 編輯器中開啟檔案：
cloudshell edit ~/memory_agent_starter/06_multimodal_agent/agent.py
這個代理有 PreloadMemoryTool。
tools=[PreloadMemoryTool(), budget_tool]
新工作階段開始時，這項工具會自動在記憶庫中搜尋相關的過往經驗，並將這些經驗插入情境。
步驟 4：執行 Brain
👉💻 在 Cloud Shell 終端機執行指令碼 (注意：必須使用已啟用 Vertex AI 的 Google Cloud 專案)：
cd ~/memory_agent_starter
uv run python ~/memory_agent_starter/06_multimodal_agent/main.py
觀看最終驗證步驟：
「根據我之前與你分享的圖片、影片和音訊...」
代理會回覆：
「你應該去加埃塔！你給我看了一部地中海的影片，還有一段你說喜歡蓋塔的音訊片段。」
這項功能可將過去不同媒體類型的資料串連起來。
重點摘要
記憶體規則 6：使用 Vertex AI Memory Bank，享有極致的記憶體體驗。將文字、圖片和影片整合為單一可搜尋的大腦。
9. 結語
您已從健忘的金魚，蛻變為多模態大象。
您建立的 | 功能 |
工作階段代理 | 短期對話記憶 |
多代理 | 團隊共用記憶體 |
永久代理 | 長期記錄 |
有狀態代理 | 動態自我更新記憶 |
設定檔代理程式 | 結構化資料記憶體 |
多模態代理 | 類似人類的感官記憶 |
信任建立在記憶之上。只要採用這些模式，就能打造出尊重使用者時間和記錄的代理，進而提供更深入、更有效的互動。
立即開始建構個人化代理！