Diese Seite wurde von der Cloud Translation API übersetzt.

Multi-Agent-System mit dem ADK erstellen, in Agent Engine bereitstellen und mit dem A2A-Protokoll beginnen

1. Ziel dieses Labs

In diesem praktischen Lab erstellen Sie eine Multi-Agent-Anwendung, die auf Grundlage Ihres Prompts ein Bild generiert und es anhand Ihres Prompts bewertet. Wenn das Bild die im Prompt beschriebenen Anforderungen nicht zufriedenstellend erfüllt, generiert der Agent so lange Bilder, bis das Bild generiert wird, das Ihren Anforderungen entspricht. Jeder der Agents in dieser Übung hat einen einzigen Zweck. Die Agents arbeiten zusammen, um das Gesamtziel zu erreichen.

Lerninhalte

Hier finden Sie die Grundlagen des ADK und erfahren, wie Sie ein Multi-Agent-System erstellen.
Hier erfahren Sie, wie Sie die Agents in GCP einfach bereitstellen und verwenden.
Grundlagen des A2A-Protokolls
Informationen zur Verwendung des A2A-Protokolls und des ADK zum Erstellen offener Agents

2. Hinweis

Wenn Sie noch kein Projekt haben, das Sie verwenden können, müssen Sie ein neues Projekt in der GCP Console erstellen.
In diesem Lab verwenden wir GCP Cloud Shell, um unsere Aufgaben auszuführen. Öffnen Sie Cloud Shell und legen Sie das Projekt mit Cloud Shell fest.
Öffnen Sie den GCP Cloud Shell-Editor, indem Sie auf die Schaltfläche „Cloud Shell-Editor“ klicken. Wenn das Pop-up-Fenster „Shell autorisieren“ angezeigt wird, klicken Sie darauf, um den Cloud Shell Editor zu autorisieren.
Mit dem folgenden Befehl können Sie prüfen, ob das Projekt bereits authentifiziert ist.

gcloud auth list

Führen Sie den folgenden Befehl in Cloud Shell aus, um Ihr Projekt zu bestätigen.

gcloud config list project

Wenn Ihr Projekt nicht festgelegt ist, verwenden Sie den folgenden Befehl, um es festzulegen:

gcloud config set project <YOUR_PROJECT_ID>

Damit wir dieses Lab ausführen können, müssen wir einige Dienste aktivieren. Führen Sie in Cloud Shell den folgenden Befehl aus.

gcloud services enable aiplatform.googleapis.com

3. Übersicht: Vorteile des Agent Development Kit

Das Agent Development Kit bietet mehrere wichtige Vorteile für Entwickler, die agentenbasierte Anwendungen erstellen:

Multi-Agent-Systeme: Erstellen Sie modulare und skalierbare Anwendungen, indem Sie mehrere spezialisierte Agents in einer Hierarchie zusammenstellen. Komplexe Koordination und Delegation ermöglichen.
Umfangreiches Tool-Ökosystem: Sie können Agents mit verschiedenen Funktionen ausstatten. Dazu können Sie vordefinierte Tools wie „Suche“ oder „Codeausführung“ verwenden, benutzerdefinierte Funktionen erstellen, Tools aus Drittanbieter-Agent-Frameworks wie LangChain oder CrewAI einbinden oder sogar andere Agents als Tools verwenden.
Flexible Orchestrierung: Definieren Sie Workflows mit Workflow-Agents (SequentialAgent, ParallelAgent und LoopAgent) für vorhersagbare Pipelines oder nutzen Sie LLM-basiertes dynamisches Routing (LlmAgent transfer) für adaptives Verhalten.
Integrierte Entwicklerumgebung: Entwickeln, testen und debuggen Sie lokal mit einer leistungsstarken CLI und einer interaktiven Entwickler-UI. Ereignisse, Status und Agent-Ausführung Schritt für Schritt prüfen.
Integrierte Bewertung: Die Leistung des Agents wird systematisch bewertet, indem sowohl die Qualität der endgültigen Antwort als auch der schrittweise Ausführungsverlauf anhand vordefinierter Testläufe bewertet werden.
Bereit für die Bereitstellung: Containerisieren und stellen Sie Ihre Agents überall bereit – führen Sie sie lokal aus, skalieren Sie sie mit der Vertex AI Agent Engine oder integrieren Sie sie mit Cloud Run oder Docker in eine benutzerdefinierte Infrastruktur.

Mit anderen SDKs für generative KI oder Agent-Frameworks können Sie zwar auch Modelle abfragen und sogar mit Tools ausstatten, die dynamische Koordination zwischen mehreren Modellen erfordert jedoch einen erheblichen Aufwand von Ihrer Seite.

Das Agent Development Kit bietet ein Framework auf höherer Ebene als diese Tools. Damit können Sie mehrere Agents ganz einfach miteinander verbinden, um komplexe, aber wartungsfreundliche Workflows zu erstellen.

4. Einführung in A2A

Das Agent2Agent-Protokoll (A2A) ist ein offener Standard, der die nahtlose und sichere Kommunikation und Zusammenarbeit zwischen autonomen KI-Agents aus verschiedenen Frameworks, von verschiedenen Anbietern und aus verschiedenen Bereichen ermöglicht.

Universelle Interoperabilität:Mit A2A können Agents unabhängig von ihren zugrunde liegenden Technologien zusammenarbeiten, was ein echtes Multi-Agent-Ökosystem fördert. Das bedeutet, dass Agents, die von verschiedenen Unternehmen auf unterschiedlichen Plattformen entwickelt wurden, miteinander kommunizieren und sich koordinieren können.
Funktionsermittlung:Agents können ihre Funktionen mithilfe von „Agent-Karten“ (JSON-Dokumente) bewerben, in denen ihre Identität, unterstützten A2A-Funktionen, Fähigkeiten und Authentifizierungsanforderungen beschrieben werden. So können andere Agents den am besten geeigneten Agent für eine bestimmte Aufgabe finden und auswählen.
Standardmäßig sicher:Sicherheit ist ein grundlegendes Prinzip. A2A umfasst Authentifizierungs- und Autorisierungsmechanismen auf Unternehmensniveau, die Standards wie HTTPS/TLS, JWT, OIDC und API-Schlüssel verwenden, um sichere Interaktionen zu gewährleisten und sensible Daten zu schützen.
Modalitätsunabhängig:Das Protokoll unterstützt verschiedene Kommunikationsmodalitäten, darunter Text-, Audio- und Videostreaming sowie interaktive Formulare und eingebettete iFrames. Diese Flexibilität ermöglicht es Agents, Informationen im für die Aufgabe und den Nutzer am besten geeigneten Format auszutauschen.
Strukturierte Aufgabenverwaltung:A2A definiert klare Protokolle für die Aufgabenübertragung, das Monitoring und den Abschluss. Es unterstützt das Gruppieren ähnlicher Aufgaben und die Verwaltung über verschiedene Agents hinweg mithilfe eindeutiger Aufgaben-IDs. Aufgaben können definierte Lebenszyklen durchlaufen (z.B. „Eingereicht“, „Wird bearbeitet“, „Abgeschlossen“).
Undurchsichtige Ausführung:Eine wichtige Funktion ist, dass Agents anderen Agents ihre internen Denkprozesse, ihren Speicher oder bestimmte Tools nicht offenlegen müssen. Sie stellen nur ihre aufrufbaren Dienste zur Verfügung, was die Modularität und den Datenschutz fördert.
Basierend auf bestehenden Standards:A2A nutzt etablierte Webtechnologien wie HTTP, Server-Sent Events (SSE) für Echtzeit-Streaming und JSON-RPC für den strukturierten Datenaustausch. Dadurch lässt sich die Lösung einfacher in die bestehende IT-Infrastruktur integrieren.
Asynchrone Kommunikation:Das Protokoll wurde mit Blick auf die asynchrone Kommunikation entwickelt. Das ermöglicht einen flexiblen Aufgabenfortschritt und Push-Benachrichtigungen für Updates, auch wenn keine dauerhafte Verbindung besteht.

5. Agent-Architektur

In diesem Lab erstellen Sie eine Multi-Agent-Anwendung, die ein Bild entsprechend Ihren Angaben generiert und das Bild bewertet, bevor es Ihnen präsentiert wird.

Das System ist mit einem Haupt-Agenten namens image_scoring strukturiert, der den gesamten Prozess steuert. Dieser Haupt-Agent hat einen untergeordneten Agent namens image_generation_scoring_agent, der wiederum eigene untergeordnete Agents für spezifischere Aufgaben hat. Dadurch wird eine hierarchische Beziehung erstellt, in der der Haupt-Agent Aufgaben an seine untergeordneten Agenten delegiert. Abbildung 2: Gesamtablauf des Agent.

Liste aller Kundenservicemitarbeiter

image_scoring (Haupt-Agent):
Zweck: Dies ist der Stamm-Agent, der den gesamten Workflow verwaltet. Er führt den image_generation_scoring_agent und den checker_agent wiederholt in einer Schleife aus, bis eine Abbruchbedingung erfüllt ist.
Sub-Agents:

image_generation_scoring_agent
checker_agent_instance

image_generation_scoring_agent (Unter-Agent von image_scoring):
Zweck: Dieser Agent ist für die Kernlogik der Bildgenerierung und ‑bewertung verantwortlich. Dazu wird eine Sequenz von drei Sub-Agents ausgeführt.
Sub-Agents:

image_generation_prompt_agent
image_generation_agent
scoring_images_prompt

checker_agent_instance (Unteragent von image_scoring):
Zweck: Dieser Agent prüft, ob der Prozess zur Bewertung von Bildern fortgesetzt oder beendet werden soll. Dazu wird das Tool check_tool_condition verwendet.
image_generation_prompt_agent (Unteragent von image_generation_scoring_agent):
Zweck: Dieser Agent ist ein Experte für das Erstellen von Prompts für die Bildgenerierung. Es nimmt einen Eingabetext entgegen und generiert einen detaillierten Prompt, der für das Bildgenerierungsmodell geeignet ist.
mage_generation_agent (Unter-Agent von image_generation_scoring_agent):
Zweck: Dieser Agent ist ein Experte für das Erstellen von Bildern mit Imagen 3. Er nimmt den Prompt vom image_generation_prompt_agent und generiert ein Bild.
scoring_images_prompt (Unter-Agent von image_generation_scoring_agent):
Zweck: Dieser Agent ist ein Experte für die Bewertung und Einstufung von Bildern anhand verschiedener Kriterien. Es nimmt das generierte Bild entgegen und weist ihm eine Punktzahl zu.

Von den Kundenservicemitarbeitern verwendete Tools

check_tool_condition:
Beschreibung: Mit diesem Tool wird geprüft, ob die Schleifenbeendigungsbedingung erfüllt ist oder die maximale Anzahl von Iterationen erreicht wurde. Wenn eine dieser Bedingungen zutrifft, wird die Schleife beendet.
Verwendet von: checker_agent_instance
generate_images:
Beschreibung: Mit diesem Tool werden Bilder mit dem Imagen 3-Modell generiert. Die generierten Bilder können auch in einem Google Cloud Storage-Bucket gespeichert werden.
Verwendet von: image_generation_agent
get_policy:
Beschreibung: Mit diesem Tool wird eine Richtlinie aus einer JSON-Datei abgerufen. Die Richtlinie wird vom image_generation_prompt_agent verwendet, um den Prompt zur Bildgenerierung zu erstellen, und vom scoring_images_prompt, um die Bilder zu bewerten.
Verwendet von: image_generation_prompt_agent, scoring_images_prompt
get_image:
Beschreibung: Mit diesem Tool wird das generierte Bildartefakt geladen, damit es bewertet werden kann.
Verwendet von: scoring_images_prompt
set_score:
Beschreibung: Mit diesem Tool wird die Gesamtpunktzahl des generierten Bildes im Sitzungsstatus festgelegt.
Verwendet von: scoring_images_prompt

6. Aufgabe 1: ADK installieren und Umgebung einrichten

In dieser Übung verwenden wir Cloud Shell, um die Aufgaben auszuführen.

Von Vertex AI empfohlene APIs aktivieren

Suchen Sie oben in der Console nach Vertex AI, um sie in der Google Cloud Console aufzurufen.
Klicken Sie auf Alle empfohlenen APIs aktivieren.

Cloud Shell-Editor-Tab vorbereiten

Wählen Sie das Google Cloud Console-Fenster aus und öffnen Sie Cloud Shell, indem Sie auf der Tastatur die Taste G und dann die Taste S drücken. Alternativ können Sie rechts oben in der Google Cloud Console auf die Cloud Shell-Schaltfläche klicken.
Klicken Sie auf Weiter.
Wenn Sie zur Autorisierung von Cloud Shell aufgefordert werden, klicken Sie auf Autorisieren.
Klicken Sie oben rechts im Cloud Shell-Bereich auf die Schaltfläche In neuem Fenster öffnen .
Klicken Sie oben im Bereich auf das Stiftsymbol Editor öffnen ( ), um Dateien aufzurufen.
Klicken Sie oben im linken Navigationsmenü auf das Explorer-Symbol , um den Datei-Explorer zu öffnen.
Klicken Sie auf die Schaltfläche Ordner öffnen.
Im weiteren Verlauf dieses Labs können Sie in diesem Fenster als IDE mit dem Cloud Shell-Editor und dem Cloud Shell-Terminal arbeiten.

ADK und Codebeispiele für dieses Lab herunterladen und installieren

Führen Sie die folgenden Befehle aus, um die erforderliche Quelle von GitHub zu klonen und die erforderlichen Bibliotheken zu installieren.

#create the project directory
mkdir imagescoring
cd imagescoring
#clone the code in the local directory
git clone https://github.com/haren-bh/multiagenthandson.git

#Create the virtual environment
python3 -m venv pythonenv
source pythonenv/bin/activate

#install google-adk and a2a sdk
python3 -m pip install google-adk==1.8.0
python3 -m pip install a2a-sdk==0.2.16

Wir verwenden Poetry, um zusätzliche Anforderungen zu installieren:

cd multiagenthandson #go to the application directory
pip install poetry poetry-plugin-export
poetry install --with deployment

Wenn Sie keinen Cloud Storage-Bucket haben, erstellen Sie einen neuen in Google Cloud Storage. Sie können den Bucket auch mit dem gsutil-Befehl erstellen.

gsutil mb gs://YOUR-UNIQUE-BUCKETNAME

Klicken Sie im Editor auf „Ansicht“ > „Versteckte Dateien einblenden“. Erstellen Sie im Ordner image_scoring eine .env-Datei mit folgendem Inhalt. Fügen Sie die erforderlichen Details wie Projektname und Cloud Storage-Bucket hinzu.

GOOGLE_GENAI_USE_VERTEXAI=1 #1 if VERTEXAI has to be used. Can be 0 if API_KEY is specified
GOOGLE_CLOUD_PROJECT=YOUR CLOUD PROJECT NAME
GOOGLE_CLOUD_LOCATION=us-central1
GOOGLE_CLOUD_STORAGE_BUCKET=YOUR BUCKET NAME  # Only required for deployment on Agent Engine
GCS_BUCKET_NAME=YOUR BUCKET NAME #Bucket for storing generated images.
SCORE_THRESHOLD=40 # Min threshold for image_score. Max Score is 50 , hence should be less than 50. 
#If the computed score is higher then loop will terminate
#MAX_ITERATIONS=5 #Max iterations for evaluating the image_score before terminating the loop.
IMAGEN_MODEL="imagen-3.0-generate-002" 
GENAI_MODEL="gemini-2.5-flash"
#AGENT_ENGINE_ID=<AGENT_ENGINE_ID> #The Agent Engine ID obtained after deploying to the agent engine.

Sehen Sie sich die Agent-Struktur im Quellcode an. Beginnen Sie mit agent.py. Dieser Agent enthält den Stamm-Agenten, der mit den anderen Agenten verbunden wird.
Wechseln Sie im Terminal zurück zum obersten Verzeichnis multiagenthandson und führen Sie den folgenden Befehl aus, um den Agenten lokal auszuführen.

# Run the following command to run agents locally
export GCS_BUCKET_NAME=your gcs bucket name
adk web

Abbildung 1

Klicken Sie bei gedrückter Strg-Taste (Befehlstaste + Klick unter macOS) auf die im Terminal angezeigte http://-URL, um den browserbasierten GUI-Client des ADK zu öffnen. Das sollte so aussehen wie in Abbildung 2.

Lass uns einige Bilder generieren. Probieren Sie die folgenden Prompts oder eigene Prompts aus.
Eine friedliche Berglandschaft bei Sonnenuntergang
Eine Katze fährt Fahrrad

Abbildung 2

7. Aufgabe 2: In Agent Engine bereitstellen

Jetzt stellen wir den Agent in Agent Engine bereit. Agent Engine ist ein vollständig verwalteter Dienst zum Bereitstellen von Agenten in der GCP. Agent Engine ist mit ADK kompatibel, sodass mit ADK erstellte Agents in Agent Engine bereitgestellt werden können.

Einige Umgebungsvariablen definieren

export GOOGLE_CLOUD_LOCATION='us-central1'
export GOOGLE_CLOUD_PROJECT='your project id'

Erstellen Sie die Datei requirements.txt mit Poetry. Poetry verwendet pyproject.toml, um die Datei requirements.txt zu erstellen. Prüfen Sie nach der Ausführung des Befehls, ob die Datei requirements.txt erstellt wurde.

# Go to the parent folder containing pyproject.toml file
# install poetry-plugin-export
pip install poetry-plugin-export

#Create requirements.txt file
poetry export -f requirements.txt --output requirements.txt --without-hashes

Erstellen Sie das Paket. Wir müssen unsere App in ein Python-Paket vom Typ .whl packen. Dazu verwenden wir Gedichte. Nachdem Sie den Befehl ausgeführt haben, prüfen Sie, ob ein „dist“-Ordner erstellt wurde, der die Datei .whl enthält.

# Go to the parent folder containing pyproject.toml file
#Create python package, to create whl file
poetry build

Jetzt bereiten wir das Bereitstellungsskript vor. Das Bereitstellungsskript stellt unseren Image-Scoring-Agent oder Agent Engine-Dienst bereit. Ändern Sie den Inhalt von deploy.py im Ordner „image_scoring“ wie unten beschrieben.

# Change the content of the following. Look for #change this comment
import vertexai
from .agent import root_agent
import os
import glob # To easily find the wheel file

PROJECT_ID = "YOUR PROJECT ID" #change this your project
LOCATION = "us-central1" #change this
STAGING_BUCKET = "gs://YOUR BUCKET " #change this to your bucket

from vertexai import agent_engines

vertexai.init(
   project=PROJECT_ID,
   location=LOCATION,
   staging_bucket=STAGING_BUCKET,
)

remote_app = agent_engines.create(
   agent_engine=root_agent,
   requirements=open(os.path.join(os.getcwd(), "requirements.txt")).readlines()+["./dist/image_scoring-0.1.0-py3-none-any.whl"],#change this to your local location
   extra_packages=[
       "./dist/image_scoring-0.1.0-py3-none-any.whl", # change this to your location
   ]
)

print(remote_app.resource_name)

Wir können jetzt das Bereitstellungsskript ausführen.

#run deploy script from the parent folder containing deploy.py
python3 -m image_scoring.deploy

Nach der Bereitstellung sollte etwa Folgendes angezeigt werden:

Abbildung 3

Jetzt testen wir den bereitgestellten Agent. Wenn Sie die remote bereitgestellte Agent-Engine testen möchten, kopieren Sie zuerst den Agent-Speicherort aus der Bereitstellungsausgabe im Terminal. Sie sollte in etwa so aussehen: projects/85469421903/locations/us-central1/reasoningEngines/7369674597261639680 .
Wechseln Sie zum Ordner testclient,öffnen Sie die Datei remote_test.py und bearbeiten Sie die folgenden Zeilen.

PROJECT_ID = "" #change this
LOCATION = "" #change this
STAGING_BUCKET = "" #change this

#replace the id with your own.
reasoning_engine_id="your agent engine id"

#You can replace this with your own prompt
image_prompt="A cat riding a bicycle"

#execute remote_test.py
python3 remote_test.py

8. Aufgabe 3: A2A-Agent erstellen

In diesem Schritt erstellen wir einen einfachen A2A-Agenten auf Grundlage des Agenten, den wir in den vorherigen Schritten erstellt haben. Bestehende ADK-Agents können unter dem A2A-Protokoll veröffentlicht werden. In diesem Schritt lernen Sie Folgendes:

Grundlagen des A2A-Protokolls
Hier erfährst du, wie ADK- und A2A-Protokolle zusammenarbeiten.
Hier erfahren Sie, wie Sie mit dem A2A-Protokoll interagieren.

In diesem Praktikum verwenden wir den Code im Ordner image_scoring_adk_a2a_server. Bevor Sie mit der Aufgabe beginnen, wechseln Sie bitte in diesen Ordner.

A2A-Agent-Karte erstellen

Für das A2A-Protokoll ist eine Agent-Karte erforderlich, die alle Informationen zum Agenten enthält, z. B. Agent-Funktionen und eine Anleitung zur Verwendung des Agenten. Sobald ein A2A-Agent bereitgestellt wird, kann die Agent-Karte über den Link .well-known/agent-card.json aufgerufen werden. Clients können sich auf diese Informationen beziehen, um die Anfrage an Kundenservicemitarbeiter zu senden.

Prüfen Sie, ob im Ordner remote_a2a/image_scoring die Datei agents.json mit folgendem Inhalt vorhanden ist.

{
 "name": "image_scoring",
 "description": "Agent that generates images based on user prompts and scores their adherence to the prompt.",
 "url": "http://localhost:8001/a2a/image_scoring",
 "version": "1.0.0",
 "defaultInputModes": ["text/plain"],
 "defaultOutputModes": ["image/png", "text/plain"],
 "capabilities": {
   "streaming": true,
   "functions": true
 },
 "skills": [
   {
     "id": "generate_and_score_image",
     "name": "Generate and Score Image",
     "description": "Generates an image from a given text prompt and then evaluates how well the generated image adheres to the original prompt, providing a score.",
     "tags": ["image generation", "image scoring", "evaluation", "AI art"],
     "examples": [
       "Generate an image of a futuristic city at sunset",
       "Create an image of a cat playing a piano",
       "Show me an image of a serene forest with a hidden waterfall"
     ]
   }
 ]
}

A2A-Agent erstellen

Prüfen Sie im Stammordner image_scoring_adk_a2a_server, ob die Datei a2a_agent.py vorhanden ist. Sie ist der Einstiegspunkt für den A2A-Agent. Sie sollte Folgendes enthalten:

from google.adk.agents.remote_a2a_agent import RemoteA2aAgent

root_agent = RemoteA2aAgent(
   name="image_scoring",
   description="Agent to give interesting facts.",
   agent_card="http://localhost:8001/a2a/image_scoring/.well-known/agent.json",
  
   # Optional configurations
   timeout=300.0,          # HTTP timeout (seconds)
   httpx_client=None,      # Custom HTTP client
)

A2A-Agent ausführen

Jetzt können wir den Agent ausführen. Führen Sie zum Ausführen des Agents den folgenden Befehl im Ordner image_scoring_adk_a2a_server aus.

#set some environmental variables
export GOOGLE_CLOUD_PROJECT=datapipeline-372305
export GOOGLE_CLOUD_LOCATION=us-central1
export GCS_BUCKET_NAME=haren-genai-bucket

#following command runs the ADK agent as a2a agent
adk api_server --a2a --port 8001 remote_a2a

A2A-Agent testen

Sobald der Agent ausgeführt wird, können wir ihn testen. Sehen wir uns zuerst die Agent-Karte an.

#Execute the following 
curl http://localhost:8001/a2a/image_scoring/.well-known/agent.json

Wenn Sie den obigen Befehl ausführen, sollte die Agent-Karte für unseren A2A-Agent angezeigt werden. Sie enthält hauptsächlich den Inhalt von agent.json, den wir im vorherigen Schritt erstellt haben.

Senden wir jetzt eine Anfrage an den Agent. Wir können curl verwenden, um Anfragen an den Agent zu senden.

curl -X POST   http://localhost:8001/a2a/image_scoring   -H 'Content-Type: application/json'   -d '{
    "id": "uuid-123",
    "params": {
      "message": {
        "messageId": "msg-456",
        "parts": [{"text": "Create an image of a cat"}],
        "role": "user"
      }
    }
  }'

Im obigen Beispiel können Sie den Prompt ändern, indem Sie die Zeile Create an image of a cat (Erstelle ein Bild einer Katze) ändern. Nachdem Sie den Befehl ausgeführt haben, können Sie das Ausgabebild im angegebenen Google Cloud Storage-Speicherort suchen.

9. Bereinigen

Räumen wir jetzt auf, was wir gerade erstellt haben.

Löschen Sie den Agent Engine-Server, den wir gerade erstellt haben. Rufen Sie Vertex AI auf, indem Sie „Vertex AI“ in die Suchleiste der Google Cloud Console eingeben. Klicken Sie links auf die Agent Engine.Sie können den Agent löschen, indem Sie auf „Löschen“ klicken.

Abbildung 4

Dateien in Cloud Shell löschen

#Execute the following to delete the files
rm -R imagescoring

Löschen Sie den Bucket. Sie können in der GCP Console unter „Cloud Storage“ Ihren Bucket auswählen und löschen.