Membangun dan men-deploy agen ADK yang menggunakan server MCP di Cloud Run

1. Pengantar

Lab ini berfokus pada implementasi dan deployment layanan agen klien. Anda akan menggunakan Agent Development Kit (ADK) untuk membangun agen AI yang menggunakan alat jarak jauh seperti server MCP yang dibuat di Lab 1. Prinsip arsitektur utama yang ditunjukkan adalah pemisahan masalah, dengan lapisan penalaran yang berbeda (agen) berkomunikasi dengan lapisan alat yang berbeda (server MCP) melalui API yang aman.

Di lab 1, Anda membuat server MCP yang menyediakan data tentang hewan di kebun binatang fiktif ke LLM, misalnya saat menggunakan Gemini CLI. Di lab ini, kita akan membangun agen pemandu wisata untuk kebun binatang fiktif. Agen akan menggunakan server MCP yang sama dari lab 1 untuk mengakses detail tentang hewan kebun binatang, dan juga menggunakan Wikipedia untuk menciptakan pengalaman pemandu wisata terbaik.

Terakhir, kita akan men-deploy agen pemandu wisata ke Google Cloud Run, sehingga dapat diakses oleh semua pengunjung kebun binatang, dan bukan hanya berjalan secara lokal.

Prasyarat

Server MCP yang berjalan di Cloud Run atau URL Layanan terkait.
Project Google Cloud yang mengaktifkan penagihan.

Yang akan Anda pelajari

Cara menyusun project Python untuk deployment ADK.
Cara mengimplementasikan agen yang menggunakan alat dengan google-adk.
Cara menghubungkan agen ke server MCP jarak jauh untuk rangkaian alatnya.
Cara men-deploy aplikasi Python sebagai container serverless ke Cloud Run.
Cara mengonfigurasi autentikasi layanan ke layanan yang aman menggunakan peran IAM.
Cara menghapus resource Cloud untuk menghindari biaya di masa mendatang.

Yang Anda butuhkan

Akun Google Cloud dan Project Google Cloud
Browser web seperti Chrome

2. Mengapa harus men-deploy ke Cloud Run?

Cloud Run adalah pilihan yang tepat untuk menghosting agen ADK karena merupakan platform serverless, yang berarti Anda dapat berfokus pada kode dan bukan pada pengelolaan infrastruktur yang mendasarinya. Kami menangani pekerjaan operasional untuk Anda.

Anggap saja seperti toko pop-up: toko ini hanya buka dan menggunakan resource saat pelanggan (permintaan) datang. Jika tidak ada pelanggan, toko akan ditutup sepenuhnya, dan Anda tidak perlu membayar toko yang kosong.

Fitur Utama

Menjalankan Container di Mana Saja:

Anda membawa container (image Docker) yang berisi aplikasi Anda.
Cloud Run menjalankannya di infrastruktur Google.
Tidak ada patching OS, penyiapan VM, atau masalah penskalaan.

Penskalaan Otomatis:

Jika tidak ada orang yang menggunakan aplikasi Anda, tidak ada pula instance yang berjalan (turun ke nol instance yang hemat biaya).
Jika ada 1.000 permintaan masuk, salinan sebanyak yang diperlukan itulah yang akan dibuat.

Stateless secara Default:

Setiap permintaan dapat ditujukan ke instance yang berbeda.
Jika Anda perlu menyimpan status, gunakan layanan eksternal seperti Cloud SQL, Firestore, atau Memorystore.

Mendukung Bahasa atau Framework Apa Pun:

Selama berjalan di container Linux, Cloud Run bisa menangani Python, Go, Node.js, Java, atau .Net.

Bayar Sesuai Penggunaan:

Penagihan berbasis permintaan: Ditagih per permintaan + waktu komputasi (hingga 100 md).
Penagihan berbasis instance: Ditagih untuk masa aktif instance penuh (tidak ada biaya per permintaan).

3. Penyiapan dan Persyaratan

Penyiapan lingkungan mandiri

Login ke Google Cloud Console dan buat project baru atau gunakan kembali project yang sudah ada. Jika belum memiliki akun Gmail atau Google Workspace, Anda harus membuatnya.

Project name adalah nama tampilan untuk peserta project ini. String ini adalah string karakter yang tidak digunakan oleh Google API. Anda dapat memperbaruinya kapan saja.
Project ID bersifat unik di semua project Google Cloud dan tidak dapat diubah (tidak dapat diubah setelah ditetapkan). Cloud Console otomatis membuat string unik; biasanya Anda tidak mementingkan kata-katanya. Di sebagian besar codelab, Anda harus merujuk Project ID-nya (umumnya diidentifikasi sebagai PROJECT_ID). Jika tidak suka dengan ID yang dibuat, Anda dapat membuat ID acak lainnya. Atau, Anda dapat mencobanya sendiri, dan lihat apakah ID tersebut tersedia. ID tidak dapat diubah setelah langkah ini dan tersedia selama durasi project.
Sebagai informasi, ada nilai ketiga, Project Number, yang digunakan oleh beberapa API. Pelajari lebih lanjut ketiga nilai ini di dokumentasi.

Selanjutnya, Anda harus mengaktifkan penagihan di Konsol Cloud untuk menggunakan resource/API Cloud. Menjalankan operasi dalam codelab ini tidak akan memakan banyak biaya, bahkan mungkin tidak sama sekali. Guna mematikan resource agar tidak menimbulkan penagihan di luar tutorial ini, Anda dapat menghapus resource yang dibuat atau menghapus project-nya. Pengguna baru Google Cloud memenuhi syarat untuk mengikuti program Uji Coba Gratis senilai $300 USD.

Mulai Cloud Shell

Buka Cloud Shell Editor

Jika terminal tidak muncul di bagian bawah layar, buka terminal:

Klik Terminal
Klik New Terminal

Di terminal, tetapkan project Anda dengan perintah ini. Jika Anda telah menyelesaikan lab 1, pastikan Anda menggunakan project ID yang sama:

gcloud config set project [YOUR-PROJECT-ID]

Jika tidak ingat project ID, Anda dapat mencantumkan semua project ID dengan:

gcloud projects list | awk '/PROJECT_ID/{print $2}'

4. Jika diminta untuk memberikan otorisasi, klik Authorize untuk melanjutkan.

5. Anda akan melihat pesan ini:

Updated property [core/project].

If you see a `WARNING` and are asked `Do you want to continue (Y/n)?`,

then you have likely entered the project ID incorrectly. Press `n`,

press `Enter`, and try to run the `gcloud config set project` command again.

4. Sebelum memulai

Mengaktifkan API dan menetapkan variabel lingkungan

Aktifkan semua layanan yang diperlukan:

gcloud services enable \
    run.googleapis.com \
    artifactregistry.googleapis.com \
    cloudbuild.googleapis.com \
    aiplatform.googleapis.com \
    compute.googleapis.com

Output yang diharapkan

Operation "operations/acat.p2-[GUID]" finished successfully.

5. Buat folder project

Buat direktori project.

Perintah ini membuat folder utama untuk lab bagi kode sumber agen.

cd && mkdir zoo_guide_agent && cd zoo_guide_agent

Buat file requirements.txt. File ini mencantumkan library Python yang dibutuhkan agen Anda. Perintah berikut akan membuat file dan mengisinya.

cloudshell edit requirements.txt

google-adk==1.14.0
langchain-community==0.3.27
wikipedia==1.4.0

Tetapkan variabel untuk project ID dan nomor project saat ini, serta buat akun layanan khusus untuk project Anda. Ini adalah cara yang lebih efektif untuk menjalankan perintah ini.

export PROJECT_ID=$(gcloud config get-value project)
export PROJECT_NUMBER=$(gcloud projects describe $PROJECT_ID --format="value(projectNumber)")
export SA_NAME=lab2-cr-service
export SERVICE_ACCOUNT="${SA_NAME}@${PROJECT_ID}.iam.gserviceaccount.com"

gcloud iam service-accounts create ${SA_NAME} \
    --display-name="Service Account for lab 2 "

Buat dan buka file .env untuk mengautentikasi agen di direktori zoo_guide_agent.

cloudshell edit .env

Perintah edit cloudshell akan membuka file .env di editor di atas terminal. Masukkan perintah berikut dalam file .env, lalu kembali ke terminal.

MODEL="gemini-2.5-flash"

Menambahkan URL server MCP. Jika Anda telah menyelesaikan lab 1, ikuti langkah-langkah berikut untuk menggunakan server MCP yang Anda buat di lab 1:

Memberi identitas layanan Cloud Run izin untuk memanggil server MCP jarak jauh

gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$SERVICE_ACCOUNT" \
  --role="roles/run.invoker"

Simpan URL server MCP dari Lab 1 ke variabel lingkungan.

echo -e "\nMCP_SERVER_URL=https://zoo-mcp-server-${PROJECT_NUMBER}.europe-west1.run.app/mcp" >> .env

Jika Anda menggunakan link server MCP publik, jalankan perintah berikut, dan ganti PROJECT_NUMBER dengan yang disediakan.

echo -e "\nMCP_SERVER_URL=https://zoo-mcp-server-${PROJECT_NUMBER}.europe-west1.run.app/mcp" >> .env

6. Membuat Alur Kerja Agen

Buat file init.py

Buat file init.py. File ini memberi tahu Python bahwa direktori zoo_guide_agent adalah sebuah paket.

cloudshell edit __init__.py

Perintah di atas akan membuka editor kode. Tambahkan kode berikut ke __init__.py:

from . import agent

Buat file agent.py utama

Buat file agent.py utama. Perintah ini akan membuat file Python dan menempelkan kode lengkap untuk sistem multi-agen Anda.

cloudshell edit agent.py

Langkah 1: Impor dan Penyiapan Awal

Blok pertama ini membawa semua library yang diperlukan dari ADK dan Google Cloud. File ini juga menyiapkan logging dan memuat variabel lingkungan dari file .env Anda, yang fungsinya penting untuk mengakses model dan URL server Anda.

Tambahkan kode berikut ke file agent.py Anda:

import os
import logging
import google.cloud.logging
from dotenv import load_dotenv

from google.adk import Agent
from google.adk.agents import SequentialAgent
from google.adk.tools.mcp_tool.mcp_toolset import MCPToolset, StreamableHTTPConnectionParams
from google.adk.tools.tool_context import ToolContext
from google.adk.tools.langchain_tool import LangchainTool

from langchain_community.tools import WikipediaQueryRun
from langchain_community.utilities import WikipediaAPIWrapper

import google.auth
import google.auth.transport.requests
import google.oauth2.id_token

# --- Setup Logging and Environment ---

cloud_logging_client = google.cloud.logging.Client()
cloud_logging_client.setup_logging()

load_dotenv()

model_name = os.getenv("MODEL")

Langkah 2: Menentukan Alat (Kemampuan Agen)

Kualitas agen bergantung pada alat yang dapat digunakannya. Di bagian ini, kita akan menentukan semua kemampuan yang akan dimiliki agen kita, termasuk fungsi kustom untuk menyimpan data, Alat MCP yang terhubung ke server MCP aman kita, beserta Alat Wikipedia.

Tambahkan kode berikut ke bagian bawah agent.py:

# Greet user and save their prompt

def add_prompt_to_state(
    tool_context: ToolContext, prompt: str
) -> dict[str, str]:
    """Saves the user's initial prompt to the state."""
    tool_context.state["PROMPT"] = prompt
    logging.info(f"[State updated] Added to PROMPT: {prompt}")
    return {"status": "success"}


# Configuring the MCP Tool to connect to the Zoo MCP server

mcp_server_url = os.getenv("MCP_SERVER_URL")
if not mcp_server_url:
    raise ValueError("The environment variable MCP_SERVER_URL is not set.")

def get_id_token():
    """Get an ID token to authenticate with the MCP server."""
    target_url = os.getenv("MCP_SERVER_URL")
    audience = target_url.split('/mcp/')[0]
    request = google.auth.transport.requests.Request()
    id_token = google.oauth2.id_token.fetch_id_token(request, audience)
    return id_token

"""
# Use this code if you are using the public MCP Server and comment out the code below defining mcp_tools
mcp_tools = MCPToolset(
    connection_params=StreamableHTTPConnectionParams(
        url=mcp_server_url
    )
)
"""

mcp_tools = MCPToolset(
            connection_params=StreamableHTTPConnectionParams(
                url=mcp_server_url,
                headers={
                    "Authorization": f"Bearer {get_id_token()}",
                },
            ),
        )

# Configuring the Wikipedia Tool
wikipedia_tool = LangchainTool(
    tool=WikipediaQueryRun(api_wrapper=WikipediaAPIWrapper())
)

Penjelasan Ketiga Alat

add_prompt_to_state 📝

Alat ini mengingat pertanyaan pengunjung kebun binatang. Saat pengunjung bertanya, "Di mana singanya?", alat ini menyimpan pertanyaan spesifik tersebut ke memori agen sehingga agen lain dalam alur kerja tahu apa yang harus diteliti.

Cara: Ini adalah fungsi Python yang menulis perintah pengunjung ke dalam kamus tool_context.state bersama. Konteks alat ini merepresentasikan memori jangka pendek agen untuk satu percakapan. Data yang disimpan ke status oleh satu agen dapat dibaca oleh agen berikutnya dalam alur kerja.

MCPToolset 🦁

Ini digunakan untuk menghubungkan agen pemandu wisata ke server MCP kebun binatang yang dibuat di Lab 1. Server ini memiliki alat khusus untuk mencari informasi spesifik tentang hewan kami, seperti nama, usia, dan kandangnya.

Cara: Terhubung dengan aman ke URL server pribadi kebun binatang. Aplikasi ini menggunakan get_id_token untuk otomatis mendapatkan "kartu kunci" yang aman (token ID akun layanan) untuk membuktikan identitasnya dan mendapatkan akses.

LangchainTool 🌍

Hal ini memberikan pengetahuan umum tentang dunia kepada agen pemandu wisata. Saat pengunjung mengajukan pertanyaan yang tidak ada di database kebun binatang, seperti "Apa makanan singa di alam liar?", alat ini memungkinkan agen mencari jawabannya di Wikipedia.

Cara: Bertindak sebagai adaptor, yang memungkinkan agen kita menggunakan alat WikipediaQueryRun yang telah dibuat sebelumnya dari library LangChain.

Resource:

Langkah 3: Menentukan Agen Spesialis

Selanjutnya, kita akan menentukan agen peneliti dan agen pemformat respons. Agen peneliti adalah "otak" dari operasi kita. Agen ini mengambil perintah pengguna dari State bersama, memeriksa alat-alat canggihnya (Alat Server MCP Zoo dan Alat Wikipedia), dan memutuskan alat mana yang akan digunakan untuk menemukan jawabannya.

Peran agen pemformat respons adalah presentasi. Agen ini tidak menggunakan alat apa pun untuk menemukan informasi baru. Sebaliknya, agen ini mengambil data mentah yang dikumpulkan oleh agen Peneliti (diteruskan melalui State) dan menggunakan kemampuan bahasa LLM untuk mengubahnya menjadi respons percakapan yang mudah dipahami.

Tambahkan kode berikut ke bagian bawah agent.py:

# 1. Researcher Agent
comprehensive_researcher = Agent(
    name="comprehensive_researcher",
    model=model_name,
    description="The primary researcher that can access both internal zoo data and external knowledge from Wikipedia.",
    instruction="""
    You are a helpful research assistant. Your goal is to fully answer the user's PROMPT.
    You have access to two tools:
    1. A tool for getting specific data about animals AT OUR ZOO (names, ages, locations).
    2. A tool for searching Wikipedia for general knowledge (facts, lifespan, diet, habitat).

    First, analyze the user's PROMPT.
    - If the prompt can be answered by only one tool, use that tool.
    - If the prompt is complex and requires information from both the zoo's database AND Wikipedia,
      you MUST use both tools to gather all necessary information.
    - Synthesize the results from the tool(s) you use into preliminary data outputs.

    PROMPT:
    {{ PROMPT }}
    """,
    tools=[
        mcp_tools,
        wikipedia_tool
    ],
    output_key="research_data" # A key to store the combined findings
)

# 2. Response Formatter Agent
response_formatter = Agent(
    name="response_formatter",
    model=model_name,
    description="Synthesizes all information into a friendly, readable response.",
    instruction="""
    You are the friendly voice of the Zoo Tour Guide. Your task is to take the
    RESEARCH_DATA and present it to the user in a complete and helpful answer.

    - First, present the specific information from the zoo (like names, ages, and where to find them).
    - Then, add the interesting general facts from the research.
    - If some information is missing, just present the information you have.
    - Be conversational and engaging.

    RESEARCH_DATA:
    {{ research_data }}
    """
)

Langkah 4: Agen Alur Kerja

Agen alur kerja bertindak sebagai manajer 'back-office' untuk tur kebun binatang. Agen ini menerima permintaan riset dan memastikan kedua agen yang kita tentukan di atas menjalankan tugasnya dalam urutan yang benar: riset terlebih dahulu, lalu pemformatan. Hal ini akan menciptakan proses yang dapat diprediksi dan andal untuk menjawab pertanyaan pengunjung.

Cara: Ini adalah SequentialAgent, jenis agen khusus yang tidak berpikir sendiri. Tugasnya hanyalah menjalankan daftar sub_agents (peneliti dan pemformat) dalam urutan tetap, dengan otomatis meneruskan memori bersama dari satu sub-agen ke sub-agen berikutnya.

Tambahkan blok kode ini ke bagian bawah agent.py:

tour_guide_workflow = SequentialAgent(
    name="tour_guide_workflow",
    description="The main workflow for handling a user's request about an animal.",
    sub_agents=[
        comprehensive_researcher, # Step 1: Gather all data
        response_formatter,       # Step 2: Format the final response
    ]
)

Langkah Terakhir: Menyusun Alur Kerja Utama

Agen ini ditetapkan sebagai root_agent, yang digunakan framework ADK sebagai titik awal untuk semua percakapan baru. Peran utamanya adalah mengatur keseluruhan proses. Agen ini bertindak sebagai pengontrol awal, yang mengatur giliran pertama percakapan.

Tambahkan blok kode terakhir ini ke bagian bawah agent.py:

root_agent = Agent(
    name="greeter",
    model=model_name,
    description="The main entry point for the Zoo Tour Guide.",
    instruction="""
    - Let the user know you will help them learn about the animals we have in the zoo.
    - When the user responds, use the 'add_prompt_to_state' tool to save their response.
    After using the tool, transfer control to the 'tour_guide_workflow' agent.
    """,
    tools=[add_prompt_to_state],
    sub_agents=[tour_guide_workflow]
)

File agent.py Anda kini sudah selesai. Dengan membangunnya seperti ini, Anda dapat melihat bagaimana setiap komponen, yakni alat, agen pekerja, dan agen pengelola, memiliki peran khusus dalam menciptakan sistem akhir yang cerdas. Selanjutnya adalah deployment.

7. Menyiapkan aplikasi untuk deployment

Setelah lingkungan lokal Anda siap, langkah berikutnya adalah menyiapkan project Google Cloud untuk deployment. Ini melibatkan pemeriksaan akhir terhadap struktur file agen Anda untuk memastikan kompatibilitasnya dengan perintah deployment. Yang lebih penting lagi, Anda mengonfigurasi izin IAM penting yang memungkinkan layanan Cloud Run yang di-deploy bertindak atas nama Anda dan memanggil model Vertex AI. Menyelesaikan langkah ini akan memastikan lingkungan cloud siap menjalankan agen Anda dengan sukses.

Muat variabel ke dalam sesi shell Anda dengan menjalankan perintah source.

source .env

Berikan peran Vertex AI User kepada akun layanan, yang memberikannya izin untuk membuat prediksi dan memanggil model Google.

# Grant the "Vertex AI User" role to your service account
gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$SERVICE_ACCOUNT" \
  --role="roles/aiplatform.user"

8. Men-deploy agen menggunakan ADK CLI

Setelah kode lokal dan project Google Cloud Anda sudah siap semuanya, saatnya men-deploy agen. Anda akan menggunakan perintah adk deploy cloud_run, alat praktis yang mengotomatiskan seluruh alur kerja deployment. Satu perintah ini mengemas kode Anda, membangun image container, mengirimkannya ke Artifact Registry, dan meluncurkan layanan di Cloud Run, sehingga dapat diakses di web.

Deploy

Jalankan perintah berikut untuk men-deploy agen Anda. Perintah uvx memungkinkan Anda menjalankan alat command line yang dipublikasikan sebagai paket Python tanpa memerlukan penginstalan global alat tersebut.

# Run the deployment command
uvx --from google-adk==1.14.0 \
adk deploy cloud_run \
  --project=$PROJECT_ID \
  --region=europe-west1 \
  --service_name=zoo-tour-guide \
  --with_ui \
  . \
  -- \
  --labels=dev-tutorial=codelab-adk \
  --service-account=$SERVICE_ACCOUNT

Menerima Perintah

Anda mungkin diminta untuk melakukan hal berikut:

Deploying from source requires an Artifact Registry Docker repository to store built containers. A repository named [cloud-run-source-deploy] in region 
[europe-west1] will be created.

Do you want to continue (Y/n)?

Ketik Y, lalu tekan ENTER.

Anda mungkin diminta untuk melakukan hal berikut:

Allow unauthenticated invocations to [your-service-name] (y/N)?.

Untuk lab ini, kita ingin mengizinkan pemanggilan yang tidak diautentikasi agar pengujian mudah dilakukan. Ketik y, lalu tekan Enter.

Mendapatkan Link Deployment

Setelah berhasil dieksekusi, perintah akan memberikan URL layanan Cloud Run yang di-deploy. (Tampilannya akan seperti https://zoo-tour-guide-123456789.europe-west1.run.app). Salin URL ini untuk tugas berikutnya.

9. Menguji agen yang di-deploy

Dengan agen Anda yang kini aktif di Cloud Run, Anda akan melakukan pengujian untuk mengonfirmasi bahwa deployment berhasil dan agen berfungsi seperti yang diharapkan. Anda akan menggunakan URL Layanan publik (seperti https://zoo-tour-guide-123456789.europe-west1.run.app/) untuk mengakses antarmuka web ADK dan berinteraksi dengan agen.

Buka URL Layanan Cloud Run publik di browser web Anda. Karena Anda menggunakan --with_ui flag, Anda akan melihat UI developer ADK.

Aktifkan Token Streaming di kanan atas.

Sekarang Anda dapat berinteraksi dengan agen Zoo.

Ketik hello dan tekan enter untuk memulai percakapan baru.

Amati hasilnya. Agen harus merespons dengan cepat menggunakan sapaannya:

"Hello! I'm your Zoo Tour Guide. I can help you learn about the amazing animals we have here. What would you like to know or explore today?"

Ajukan pertanyaan kepada agen seperti:

Where can I find the polar bears in the zoo and what is their diet?

Penjelasan Alur Agen

Sistem Anda beroperasi sebagai tim multi-agen yang cerdas. Prosesnya dikelola dengan urutan yang jelas untuk memastikan alur yang lancar dan efisien mulai dari pertanyaan pengguna hingga jawaban akhir yang mendetail.

1. The Zoo Greeter (The Welcome Desk)

Seluruh proses dimulai dengan agen penyambut.

Tugasnya: Memulai percakapan. Instruksinya adalah menyapa pengguna dan menanyakan hewan apa yang ingin mereka pelajari.

Alatnya: Saat pengguna membalas, Greeter menggunakan alat add_prompt_to_state untuk menangkap kata-kata persisnya (misalnya, "tell me about the lions") dan menyimpannya di memori sistem.

Pengalihan: Setelah menyimpan perintah, kontrol langsung dialihkan ke sub-agennya, tour_guide_workflow.

2. The Comprehensive Researcher (The Super-Researcher)

Ini adalah langkah pertama dalam alur kerja utama dan "otak" dari operasi. Alih-alih tim besar, kini Anda memiliki satu agen yang sangat terampil dan dapat mengakses semua informasi yang tersedia.

Tugasnya: Menganalisis pertanyaan pengguna dan membentuk rencana yang cerdas. Ini menggunakan kemampuan penggunaan alat yang canggih dari model bahasa untuk memutuskan apakah perlu:

Data internal dari catatan kebun binatang (melalui Server MCP).
Pengetahuan umum dari web (melalui Wikipedia API).
Atau keduanya jika menangani pertanyaan kompleks.

Tindakannya: Mengeksekusi alat yang diperlukan untuk mengumpulkan semua data mentah yang dibutuhkan. Misalnya, jika ditanya "How old are our lions and what do they eat in the wild?", agen ini akan memanggil server MCP menemukan usia dan alat Wikipedia untuk menemukan informasi makanan.

3. The Response Formatter (The Presenter)

Setelah Comprehensive Researcher mengumpulkan semua fakta, agen ini adalah agen terakhir yang dijalankan.

Tugasnya: Bertindak sebagai suara ramah Pemandu Tur Kebun Binatang. Data mentah (yang bisa berasal dari satu atau kedua sumber) akan diambil dan disempurnakan.

Tindakannya: Agen menyintesis semua informasi menjadi satu jawaban yang kohesif dan menarik. Sesuai dengan instruksinya, pertama-tama agen akan menyajikan informasi kebun binatang yang spesifik, lalu menambahkan fakta umum yang menarik.

Hasil Akhir: Teks yang dihasilkan oleh agen ini adalah jawaban lengkap dan mendetail yang dilihat pengguna di jendela chat.

Jika Anda tertarik untuk mempelajari lebih lanjut cara membangun Agen, lihat referensi berikut:

10. Membersihkan lingkungan

gcloud run services delete zoo-tour-guide --region=europe-west1 --quiet
gcloud artifacts repositories delete cloud-run-source-deploy --location=europe-west1 --quiet

11. Selamat

Selamat, Anda telah menyelesaikan codelab.

Yang telah kita bahas

Cara menyusun project Python untuk deployment dengan antarmuka command line ADK.
Cara menerapkan alur kerja multi-agen menggunakan SequentialAgent dan ParallelAgent.
Cara terhubung ke server MCP jarak jauh menggunakan MCPToolset untuk menggunakan alatnya.
Cara meningkatkan kualitas data internal dengan mengintegrasikan alat eksternal seperti Wikipedia API.
Cara men-deploy agen sebagai container serverless ke Cloud Run menggunakan perintah adk deploy.

12. Survei

Output:

Bagaimana Anda akan menggunakan tutorial ini?

Hanya membacanya

Membaca dan menyelesaikan latihannya