1. هدف این آزمایشگاه
در این آزمایشگاه عملی شما یک برنامه کاربردی چند عاملی خواهید ساخت که یک تصویر را بر اساس درخواست شما تولید می کند و آن را در برابر درخواست شما ارزیابی می کند. اگر تصویر به طور رضایت بخشی با الزامات توضیح داده شده در اعلان مطابقت نداشته باشد، عامل به طور مداوم تصاویر را تولید می کند تا زمانی که تصویری که نیازهای شما را برآورده می کند ایجاد شود. هر یک از عوامل در این عملی یک هدف واحد دارند، نمایندگان برای رسیدن به هدف کلی با یکدیگر همکاری می کنند.
چیزی که یاد خواهید گرفت
- اصول ADK را درک کنید و یاد بگیرید که چگونه یک سیستم چند عاملی ایجاد کنید.
- نحوه استقرار و استفاده آسان از عوامل در GCP را بیاموزید.
- اصول پروتکل A2A را درک کنید
- نحوه استفاده از پروتکل A2A و ADK با هم برای ایجاد عوامل باز را بیاموزید.
2. قبل از شروع
- اگر در حال حاضر پروژه ای ندارید که بتوانید از آن استفاده کنید، باید یک پروژه جدید در کنسول GCP ایجاد کنید.
- در این آزمایشگاه، ما از GCP Cloud Shell برای انجام وظایف خود استفاده خواهیم کرد. Cloud Shell را باز کنید و پروژه را با استفاده از Cloud Shell تنظیم کنید.
- با فشار دادن دکمه Cloud Shell Editor، ویرایشگر پوسته ابری GCP را باز کنید. اگر پنجره "Authorize Shell" را مشاهده کردید، برای تایید ویرایشگر پوسته ابری کلیک کنید.
- با استفاده از دستور زیر می توانید بررسی کنید که آیا پروژه قبلاً احراز هویت شده است.
gcloud auth list
- برای تایید پروژه خود دستور زیر را در Cloud Shell اجرا کنید
gcloud config list project
- اگر پروژه شما تنظیم نشده است، از دستور زیر برای تنظیم آن استفاده کنید
gcloud config set project <YOUR_PROJECT_ID>
- ما باید برخی از خدمات را برای اجرای این آزمایشگاه فعال کنیم. دستور زیر را در Cloud Shell اجرا کنید.
gcloud services enable aiplatform.googleapis.com
3. بررسی اجمالی: مزایای کیت توسعه عامل
Agent Development Kit چندین مزیت کلیدی را برای توسعه دهندگانی که برنامه های عاملی ایجاد می کنند ارائه می دهد:
- سیستم های چند عاملی : با ترکیب چندین عامل تخصصی در یک سلسله مراتب، برنامه های مدولار و مقیاس پذیر بسازید. هماهنگی و تفویض اختیار پیچیده را فعال کنید.
- Rich Tool Ecosystem : عوامل را با قابلیت های متنوع تجهیز کنید: از ابزارهای از پیش ساخته شده (جستجو، اجرای کد و غیره) استفاده کنید، عملکردهای سفارشی ایجاد کنید، ابزارهایی را از چارچوب های عامل شخص ثالث (LangChain، CrewAI) یکپارچه کنید یا حتی از عوامل دیگر به عنوان ابزار استفاده کنید.
- هماهنگ سازی انعطاف پذیر : گردش کار را با استفاده از عوامل گردش کار (
SequentialAgent،ParallelAgentوLoopAgent) برای خطوط لوله قابل پیش بینی تعریف کنید، یا از مسیریابی پویا مبتنی بر LLM (انتقالLlmAgent) برای رفتار تطبیقی استفاده کنید. - تجربه توسعه‌دهنده یکپارچه : با یک CLI قدرتمند و یک رابط کاربری توسعه‌دهنده تعاملی، به صورت محلی توسعه دهید، آزمایش کنید و اشکال‌زدایی کنید. گام به گام وقایع، وضعیت و اجرای عامل را بررسی کنید.
- ارزیابی داخلی : به طور سیستماتیک عملکرد عامل را با ارزیابی کیفیت پاسخ نهایی و مسیر اجرای گام به گام در برابر موارد تست از پیش تعریف شده ارزیابی کنید.
- Deployment Ready : عوامل خود را در هر مکانی کانتینر کنید و مستقر کنید - به صورت محلی اجرا کنید، با Vertex AI Agent Engine مقیاس بندی کنید، یا با استفاده از Cloud Run یا Docker در زیرساخت های سفارشی ادغام کنید.
در حالی که سایر SDKهای AI یا فریمورک‌های عامل به شما امکان می‌دهند مدل‌ها را پرس و جو کنید و حتی آنها را با ابزار قدرتمند کنید، هماهنگی پویا بین چندین مدل نیاز به مقدار قابل توجهی کار بر روی شما دارد.
Agent Development Kit چارچوب سطح بالاتری نسبت به این ابزارها ارائه می‌کند و به شما این امکان را می‌دهد تا به راحتی چندین عامل را برای گردش‌های کاری پیچیده اما آسان به یکدیگر متصل کنید.
4. مقدمه ای بر A2A
پروتکل Agent2Agent (A2A) یک استاندارد باز است که برای ایجاد ارتباط و همکاری یکپارچه و ایمن بین عوامل هوش مصنوعی مستقل از چارچوب‌ها، فروشندگان و دامنه‌های مختلف طراحی شده است.
- قابلیت همکاری جهانی: A2A به عوامل اجازه می دهد بدون توجه به فناوری های زیربنایی خود با یکدیگر کار کنند و یک اکوسیستم واقعا چند عاملی را تقویت کنند. این بدان معناست که عوامل ساخته شده توسط شرکت های مختلف بر روی پلتفرم های مختلف می توانند با یکدیگر ارتباط برقرار کرده و با یکدیگر هماهنگ کنند.
- کشف قابلیت: نمایندگان می‌توانند قابلیت‌های خود را با استفاده از «کارت‌های عامل» (اسناد JSON)، که هویت، ویژگی‌های پشتیبانی‌شده A2A، مهارت‌ها و الزامات احراز هویت را توصیف می‌کنند، تبلیغ کنند. این به عوامل دیگر اجازه می دهد تا مناسب ترین عامل را برای یک کار معین کشف و انتخاب کنند.
- ایمن به صورت پیش فرض: امنیت یک اصل اصلی است. A2A دارای مکانیسم‌های احراز هویت و مجوز در سطح سازمانی است و از استانداردهایی مانند کلیدهای HTTPS/TLS، JWT، OIDC و API برای اطمینان از تعاملات امن و محافظت از داده‌های حساس استفاده می‌کند.
- Modality Agnostic: این پروتکل از روش‌های ارتباطی مختلف، از جمله جریان متن، صدا و ویدئو، و همچنین فرم‌های تعاملی و iframeهای تعبیه‌شده پشتیبانی می‌کند. این انعطاف‌پذیری به عوامل اجازه می‌دهد تا اطلاعات را در مناسب‌ترین قالب برای کار و کاربر تبادل کنند.
- مدیریت وظایف ساختاریافته: A2A پروتکل های واضحی را برای تفویض، نظارت و تکمیل کار تعریف می کند. از گروه بندی وظایف مرتبط و مدیریت آنها در میان عوامل مختلف با استفاده از شناسه های وظیفه منحصر به فرد پشتیبانی می کند. وظایف می توانند از طریق چرخه های عمر تعریف شده (به عنوان مثال، ارسال، کار، تکمیل) انتقال یابند.
- اجرای غیرشفاف: یک ویژگی مهم این است که عوامل نیازی به افشای فرآیندهای استدلال داخلی، حافظه یا ابزارهای خاص خود برای سایر عوامل ندارند. آنها فقط خدمات قابل تماس خود را نشان می دهند و ماژولار بودن و حفظ حریم خصوصی را ارتقا می دهند.
- بر اساس استانداردهای موجود ساخته شده است: A2A از فناوری‌های وب مستقر مانند HTTP، رویدادهای ارسال شده از سرور (SSE) برای پخش هم‌زمان، و JSON-RPC برای تبادل داده‌های ساختاریافته استفاده می‌کند و ادغام با زیرساخت‌های فناوری اطلاعات موجود را آسان‌تر می‌کند.
- ارتباطات ناهمزمان: پروتکل با ارتباط ناهمزمان به عنوان یک ملاحظات اولیه طراحی شده است، پیشرفت کار انعطاف‌پذیر را تسهیل می‌کند و اعلان‌های فشاری را برای به‌روزرسانی‌ها حتی زمانی که اتصال به طور مداوم حفظ نمی‌شود، فعال می‌کند.
5. معماری عامل
در این آزمایشگاه شما یک اپلیکیشن چند عامله ایجاد می کنید که تصویری را مطابق مشخصات شما تولید می کند و قبل از ارائه تصویر به شما آن را ارزیابی می کند.
این سیستم با یک عامل اصلی به نام image_scoring ساخته شده است که کل فرآیند را هماهنگ می کند. این عامل اصلی یک عامل فرعی به نام image_generation_scoring_agent دارد که به نوبه خود عوامل فرعی خود را برای کارهای خاص تر دارد. این یک رابطه سلسله مراتبی ایجاد می کند که در آن عامل اصلی وظایف را به عوامل فرعی خود محول می کند. 
شکل 2: جریان کلی عامل.
لیست همه نمایندگان
- image_scoring (نماینده اصلی):
- هدف: این عامل ریشه است که گردش کار کلی را مدیریت می کند. به طور مکرر image_generation_scoring_agent و checker_agent را در یک حلقه اجرا می کند تا زمانی که یک شرط خاتمه برآورده شود.
- عوامل فرعی:
- image_generation_scoring_agent
- checker_agent_instance
- image_generation_scoring_agent (عامل فرعی image_scoring):
- هدف: این عامل مسئولیت منطق اصلی تولید و امتیازدهی تصاویر را بر عهده دارد. برای رسیدن به این هدف، دنباله ای از سه عامل فرعی را اجرا می کند.
- عوامل فرعی:
- image_generation_prompt_agent
- image_generation_agent
- scoring_images_prompt
- checker_agent_instance (عامل فرعی image_scoring):
- هدف: این عامل بررسی می کند که آیا روند امتیازدهی تصویر باید ادامه یابد یا خاتمه یابد. از ابزار check_tool_condition برای ارزیابی شرایط پایان استفاده می کند.
- image_generation_prompt_agent (عامل فرعی image_generation_scoring_agent):
- هدف: این عامل در ایجاد اعلان برای تولید تصویر متخصص است. یک متن ورودی می گیرد و یک اعلان دقیق و مناسب برای مدل تولید تصویر ایجاد می کند.
- i mage_generation_agent (عامل فرعی image_generation_scoring_agent):
- هدف: این عامل در ایجاد تصاویر با استفاده از Imagen 3 خبره است. اعلان را از image_generation_prompt_agent می گیرد و یک تصویر تولید می کند.
- scoring_images_prompt (عامل فرعی image_generation_scoring_agent):
- هدف: این نماینده در ارزیابی و امتیازدهی تصاویر بر اساس معیارهای مختلف متخصص است. تصویر تولید شده را می گیرد و به آن امتیاز می دهد.
ابزارهای مورد استفاده توسط نمایندگان
- check_tool_condition :
- توضیحات: این ابزار بررسی می کند که آیا شرط خاتمه حلقه برقرار است یا به حداکثر تعداد تکرار رسیده است. اگر هر یک از اینها درست باشد، حلقه را متوقف می کند.
- مورد استفاده: checker_agent_instance
- generate_images:
- توضیحات: این ابزار با استفاده از مدل Imagen 3 تصاویر را تولید می کند. همچنین می‌تواند تصاویر تولید شده را در یک سطل Google Cloud Storage ذخیره کند.
- استفاده شده توسط: image_generation_agent
- get_policy:
- توضیحات: این ابزار یک خط مشی را از یک فایل JSON واکشی می کند. این خط مشی توسط image_generation_prompt_agent برای ایجاد اعلان تولید تصویر و توسط scoring_images_prompt برای امتیاز دادن به تصاویر استفاده می شود.
- استفاده شده توسط: image_generation_prompt_agent ، scoring_images_prompt
- get_image:
- توضیحات: این ابزار مصنوع تصویر تولید شده را بارگذاری می کند تا بتوان آن را امتیاز داد.
- استفاده شده توسط: scoring_images_prompt
- Score_score:
- توضیحات: این ابزار نمره کل تصویر تولید شده را در حالت جلسه تنظیم می کند.
- استفاده شده توسط: scoring_images_prompt
6. وظیفه 1. ADK را نصب کنید و محیط خود را راه اندازی کنید
در این Hands on ما از Cloud Shell برای انجام وظایف استفاده خواهیم کرد.
API های توصیه شده Vertex AI را فعال کنید
- در کنسول Google Cloud، با جستجوی آن در بالای کنسول، به Vertex AI بروید.
- روی فعال کردن همه APIهای توصیه شده کلیک کنید.
یک تب Cloud Shell Editor را آماده کنید
- با انتخاب پنجره کنسول Google Cloud، Cloud Shell را با فشار دادن کلید G و سپس کلید S روی صفحه کلید خود باز کنید. از طرف دیگر، می توانید روی دکمه پوسته ابر کلیک کنید
در گوشه سمت راست بالای Google Cloud Console. - روی Continue کلیک کنید.
- وقتی از شما خواسته شد تا Cloud Shell را تأیید کنید، روی تأیید کلیک کنید.
- در گوشه سمت راست بالای صفحه Cloud Shell، روی دکمه Open in new window کلیک کنید
. - روی نماد مداد ویرایشگر باز کلیک کنید (
) در بالای صفحه برای مشاهده فایل ها. - در بالای منوی ناوبری سمت چپ، روی نماد Explorer کلیک کنید
برای باز کردن فایل اکسپلورر خود - روی دکمه Open Folder کلیک کنید.
- در طول بقیه این آزمایشگاه، می توانید در این پنجره به عنوان IDE خود با ویرایشگر پوسته ابری و ترمینال Cloud Shell کار کنید.
ADK و نمونه کدهای این آزمایشگاه را دانلود و نصب کنید
- دستورات زیر را برای کلون کردن منبع مورد نیاز از github و نصب کتابخانه های لازم اجرا کنید.
#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
- ما از شعر برای نصب الزامات اضافی استفاده خواهیم کرد:
cd multiagenthandson #go to the application directory pip install poetry poetry-plugin-export poetry install --with deployment
- اگر سطل فضای ذخیره‌سازی ابری ندارید، در Google Cloud Storage یک سطل جدید ایجاد کنید. همچنین می توانید با استفاده از دستور gsutil سطل را ایجاد کنید.
gsutil mb gs://YOUR-UNIQUE-BUCKETNAME
- در ویرایشگر به View->Toggle hidden files بروید. و در پوشه image_scoring یک فایل .env با محتوای زیر ایجاد کنید. جزئیات مورد نیاز مانند نام پروژه و سطل ذخیره سازی ابری خود را اضافه کنید.
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.
- به ساختار عامل در کد منبع نگاه کنید، از agent.py شروع کنید. این عامل حاوی عامل ریشه است که به سایر عوامل متصل می شود.
- به دایرکتوری بالای multiagenthandson در ترمینال برگردید و دستور زیر را برای اجرای عامل به صورت محلی اجرا کنید.
# Run the following command to run agents locally export GCS_BUCKET_NAME=your gcs bucket name adk web
شکل 1
Ctrl+Click (CMD+Click برای MacOS) روی نشانی اینترنتی http:// نمایش داده شده در ترمینال برای باز کردن سرویس گیرنده رابط کاربری گرافیکی مبتنی بر مرورگر ADK. باید شبیه شکل 2 باشد
- بیایید چند تصویر تولید کنیم. درخواست های زیر یا درخواست های خودتان را امتحان کنید.
- منظره کوهستانی آرام در غروب آفتاب
- یک گربه در حال دوچرخه سواری
شکل 2
7. وظیفه 2. استقرار به Agent Engine
حالا عامل را در Agent Engine مستقر می کنیم. Agent Engine یک سرویس کاملاً مدیریت شده برای استقرار عوامل در GCP است. Agent Engine با ADK سازگار است، بنابراین عوامل ساخته شده با ADK می توانند در Agent Engine مستقر شوند.
- چند متغیر محیطی را تعریف کنید
export GOOGLE_CLOUD_LOCATION='us-central1' export GOOGLE_CLOUD_PROJECT='your project id'
- فایل requires.txt را با استفاده از شعر ایجاد کنید. Poetry از pyproject.toml برای ایجاد فایل requires.txt استفاده می کند. پس از اجرای دستور بررسی کنید که آیا فایل requires.txt ایجاد شده است یا خیر.
# 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
- بسته را ایجاد کنید. ما باید برنامه خود را در یک بسته پایتون .whl قرار دهیم. برای این کار از شعر استفاده خواهیم کرد. پس از اجرای دستور مطمئن شوید که یک پوشه dist ایجاد شده است و حاوی فایل whl .
# Go to the parent folder containing pyproject.toml file #Create python package, to create whl file poetry build
- اکنون اسکریپت deploy را آماده می کنیم. اسکریپت استقرار عامل امتیازدهی تصویر یا سرویس موتور عامل ما را مستقر می کند. لطفاً محتوای deploy.py را در داخل پوشه image_scoring به صورت زیر تغییر دهید.
# 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)
- اکنون می توانیم اسکریپت deploy را اجرا کنیم.
#run deploy script from the parent folder containing deploy.py python3 -m image_scoring.deploy
پس از استقرار، باید چیزی شبیه به زیر را ببینید، 
شکل 3
- حالا بیایید عامل مستقر شده را آزمایش کنیم. برای آزمایش موتور عامل از راه دور، ابتدا مکان عامل را از خروجی استقرار در ترمینال کپی کنید. باید چیزی شبیه این باشد، projects/85469421903/locations/us-central1/reasoningEngines/7369674597261639680 .
به پوشه testclient بروید، فایل remote_test.py را باز کنید و خطوط زیر را ویرایش کنید.
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. وظیفه 3. یک عامل A2A ایجاد کنید
در این مرحله قصد داریم بر اساس عاملی که در مراحل قبل ایجاد کردیم یک A2A ساده بسازیم. عوامل ADK موجود را می توان تحت پروتکل A2A منتشر کرد. اینها نکات کلیدی هستند که در این مرحله یاد خواهید گرفت.
- اصول پروتکل A2A را بیاموزید.
- نحوه کار پروتکل های ADK و A2A با یکدیگر را بیاموزید.
- نحوه تعامل با پروتکل A2A را بیاموزید.
در این مرحله ما از کد موجود در پوشه image_scoring_adk_a2a_server استفاده خواهیم کرد. قبل از شروع کار لطفا دایرکتوری خود را به این پوشه تغییر دهید.
کارت عامل A2A ایجاد کنید
پروتکل A2A به یک کارت عامل نیاز دارد که شامل تمام اطلاعات مربوط به عامل مانند قابلیت های عامل، راهنمای استفاده از عامل و غیره باشد. هنگامی که یک عامل A2A مستقر شد، کارت عامل با استفاده از پیوند " .well-known/agent-card.json " قابل مشاهده است. مشتریان می توانند برای ارسال درخواست به نمایندگان به این اطلاعات مراجعه کنند.
در پوشه remote_a2a/image_scoring تأیید کنید که agents.json با محتوای زیر وجود دارد.
{
"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"
]
}
]
}
عامل A2A ایجاد کنید
در پوشه ریشه image_scoring_adk_a2a_server ، تأیید کنید که یک فایل a2a_agent.py وجود دارد که نقطه ورود عامل a2a است. باید محتوای زیر را داشته باشد،
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
)
عامل A2A را اجرا کنید
حالا ما آماده اجراي عامل هستيم! برای اجرای agent دستور زیر را از داخل پوشه بالایی image_scoring_adk_a2a_server اجرا کنید
#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
عامل A2A را آزمایش کنید
هنگامی که عامل اجرا می شود، اکنون می توانیم برویم و عامل را آزمایش کنیم. اول از همه، بیایید جلو برویم و کارت نماینده را بررسی کنیم.
#Execute the following curl http://localhost:8001/a2a/image_scoring/.well-known/agent.json
اجرای موارد بالا باید کارت عامل را برای عامل A2A ما نشان دهد، که عمدتاً محتوای agent.json است که در مرحله قبل ایجاد کردیم.
بیایید اکنون درخواستی را برای نماینده ارسال کنیم. ما می توانیم از curl برای ارسال درخواست به نماینده استفاده کنیم،
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"
}
}
}'
در درخواست بالا می توانید با تغییر خط " ایجاد تصویر گربه " دستور را تغییر دهید. پس از اجرای دستور، می توانید تصویر خروجی را در فضای ذخیره سازی ابری گوگل مشخص شده بررسی کنید.
9. پاکسازی کنید
حالا بیایید آنچه را که ایجاد کردیم پاک کنیم.
- سرور Agent Engine را که ایجاد کردیم حذف کنید. با تایپ Vertex AI در نوار جستجوی Google Cloud Console به Vertex AI بروید. روی Agent Engine در سمت چپ کلیک کنید. می توانید Agent را با کلیک کردن روی delete حذف کنید.
شکل 4
- فایل های موجود در Cloud Shell را حذف کنید
#Execute the following to delete the files rm -R imagescoring
- سطل را حذف کنید. می توانید به کنسول GCP->Cloud Storage بروید، سطل خود را انتخاب و حذف کنید.
