使用 ADK 创建多智能体系统，在 Agent Runtime 中部署，并开始使用 A2A protocol

1. 本实验的目标

在本实操实验中，您将使用 ADK（智能体开发套件） 构建一个多智能体应用，该应用可根据您的提示生成图片，并根据您的提示评估图片。如果生成的图片未能令人满意地满足提示中所述的要求，代理会持续生成图片，直到生成符合您要求的图片为止。在此实践中，每个代理都有一个单一用途，这些代理相互协作以实现总体目标。您将了解如何在本地测试应用，以及如何在 Agent Runtime 中部署应用。

学习内容

2. 项目设置

  • 点击以下链接前往 GCP 控制台：GCP 控制台。
  • 如果您还没有可用的项目，则需要在 GCP 控制台中创建一个新项目。在项目选择器（Google Cloud 控制台的左上角）中选择项目。如果您还没有项目，请按照这些步骤创建新项目。创建新项目后，请选择您的项目。6fce70b12b5fc94.png

图 2：点击 Google Cloud 徽标旁边的方框即可选择项目。确保您的项目处于选中状态。

  • 在本实验中，我们将使用 Cloud Shell 编辑器来执行任务。打开 Cloud Shell 并使用 Cloud Shell 设置项目。
  • 点击此链接可直接前往 Cloud Shell 编辑器
  • 在 Cloud Shell 编辑器的边栏上，点击“打开文件夹”按钮。a0a97d9dd2b1f589.png
  • 系统应已选择您的主文件夹，只需按“确定”，您的主文件夹就会成为此任务的根文件夹。7801f14fa33e285c.png
  • 如果终端尚未打开，请从菜单中依次点击终端 > 新建终端，以打开终端。您可以在此终端中运行本教程中的所有命令。
  • 您可以在 Cloud Shell 终端中使用以下命令检查项目是否已通过身份验证。
gcloud auth list
  • 如果您不记得自己的项目 ID，可以使用以下命令列出所有项目 ID：
gcloud projects list
  • 复制项目 ID，然后使用以下命令进行设置
gcloud config set project <YOUR_PROJECT_ID>
  • 在 Cloud Shell 中运行以下命令，以确认您的项目
gcloud config list project

3. 启用 API

我们需要启用一些 API 服务才能运行本实验。在 Cloud Shell 中运行以下命令。

gcloud services enable aiplatform.googleapis.com
gcloud services enable cloudresourcemanager.googleapis.com

API 简介

  • Gemini Enterprise Agent Platform API (aiplatform.googleapis.com) 可用于访问 Gemini Enterprise Agent Platform 平台，让您的应用能够与 Gemini 模型交互，以进行文本生成、聊天会话和函数调用。
  • Cloud Resource Manager API (cloudresourcemanager.googleapis.com) 可让您以编程方式管理 Google Cloud 项目的元数据，例如项目 ID 和名称，其他工具和 SDK 通常需要这些元数据来验证项目身份和权限。

4. 智能体开发套件简介

对于构建智能体应用的开发者，智能体开发套件具有以下几项关键优势：

  1. 多智能体系统：通过分层组合多个专业智能体来构建模块化且可伸缩的应用，实现复杂的协调和委托。
  2. 丰富的工具生态系统：赋予智能体多种功能，包括使用预构建工具（搜索、代码执行等）、创建自定义函数、整合第三方智能体框架的工具（LangChain、CrewAI），甚至调用其他智能体作为工具。
  3. 灵活的编排：使用工作流智能体（SequentialAgent、ParallelAgent 和 LoopAgent）为可预测的流水线定义工作流，或利用 LLM 驱动的动态路由（LlmAgent 转移）实现自适应行为。
  4. 集成式开发者体验：使用强大的 CLI 和交互式开发者界面，在本地开发、测试和调试，并分步检查事件、状态及智能体执行情况。
  5. 内置评估：通过将最终回答质量和分步执行轨迹与预定义测试用例对比，系统地评估智能体性能。
  6. 可随时部署：将智能体容器化并部署至任意环境 - 本地运行、使用 Agent Runtime 扩缩，或通过 Cloud Run 或 Docker 集成到自定义基础设施。

虽然其他生成式 AI SDK 或智能体框架也允许您查询模型，甚至为模型添加工具功能，但在多个模型之间实现动态协调仍需您完成大量工作。

智能体开发套件提供了比这些工具更高级的框架，使您可以轻松地将多个智能体互相连接，从而实现复杂但容易维护的工作流。

e97ad3e26ceb7a2f.png

图 1：智能体开发套件 (ADK) 的定位

5. Agent Runtime 简介

Agent Runtime 是一项全托管式服务，可在 Google Cloud 中部署智能体。借助 Agent Runtime，开发者可以在 Gemini Enterprise Agent Platform 上开发、自定义、部署、提供服务和管理 OSS AI 智能体（ADK（智能体开发套件） 、LangChain、LangGraph、CrewAI、AutoGen 等）。

Agent Runtime 还提供用于处理用户数据（也称为代理记忆）的服务。目前，有以下两种类型的内存服务：

  • 短期记忆：借助 Agent Engine 会话，您可以存储、管理和检索单次会话中正在进行的对话记录（状态），将其作为短期记忆。
  • 长期记忆：借助 Agent Engine 记忆库，您可以存储、转换和检索记忆内容（状态），尤其是多次会话中的记忆内容，将这些内容作为长期记忆。

您也可以在 Cloud Run 或 GKE 等其他 Google Cloud 服务中部署代理，但应考虑在以下使用场景中使用 Agent Runtime。

  • 有状态的全托管式运行时：如果您需要有状态的全托管式运行时来部署代理，Agent Runtime 是一个不错的选择，因为它可抽象出常见的任务，例如会话管理、AI 代理的持久性。
  • 代码执行：如果您的代理需要执行在用户会话期间动态生成的代码，Agent Runtime 会提供一个安全的沙盒，您可以在其中执行代码。
  • 灵活的长期记忆：如果您需要为代理提供灵活的长期记忆，Gemini Enterprise Agent Platform Memory Bank（可与 Agent Runtime 搭配使用）可提供一种灵活的方式来记住有关用户的信息，以便在各个会话中使用。

您还可以将 Agent Runtime 与 Cloud Run 等其他运行时结合使用，以创建灵活的应用架构。下面是一个使用各种服务构建代理的参考架构示例。

d8eb74a6d8a055f9.png

图 2：使用多种服务构建代理的示例参考架构。

6. A2A 简介

Agent2Agent (A2A) 协议是一种开放标准，旨在让来自不同框架、供应商和网域的自主 AI 代理之间实现无缝且安全的通信和协作。

  1. 通用互操作性：A2A 允许智能体协同工作，而无需考虑其底层技术，从而打造真正的多智能体生态系统。这意味着，不同公司在不同平台上构建的代理可以相互通信和协调。
  2. 功能发现：智能体可以使用“智能体卡片”(JSON 文档) 来通告自身的功能特性，其中描述了智能体的身份、支持的 A2A 功能、技能和身份验证要求。这样，其他代理就可以发现并选择最适合给定任务的代理。
  3. 默认安全：安全是一项核心原则。A2A 采用企业级身份验证和授权机制，利用 HTTPS/TLS、JWT、OIDC 和 API 密钥等标准来确保安全互动并保护敏感数据。
  4. 模态无关：该协议支持各种通信模态，包括文本、音频和视频流，以及互动表单和嵌入式 iframe。这种灵活性使代理能够以最适合任务和用户的格式交换信息。
  5. 结构化任务管理：A2A 为任务委托、监控和完成定义了清晰的协议。它支持对相关任务进行分组，并使用唯一的任务 ID 在不同代理之间管理这些任务。任务可以经历已定义的生命周期（例如，已提交、正在处理、已完成）。
  6. 不透明的执行：一个重要特征是，智能体无需向其他智能体透露其内部推理过程、记忆或特定工具。它们仅公开其可调用服务，从而提高模块化程度和隐私保护水平。
  7. 基于现有标准构建：A2A 利用成熟的网络技术，例如 HTTP、用于实时流式传输的服务器发送的事件 (SSE) 和用于结构化数据交换的 JSON-RPC，从而更轻松地与现有 IT 基础设施集成。
  8. 异步通信：该协议在设计时主要考虑了异步通信，可实现灵活的任务进度，即使未持续保持连接，也能推送更新通知。

7. 代理架构

在本实验中，您将创建一个多智能体应用，该应用会根据您的要求生成图片，并在向您展示图片之前对其进行评估。

该系统采用包含一个名为 image_scoring 的主代理的结构，用于编排整个流程。此主代理有一个名为 image_generation_scoring_agent 的分代理，后者又拥有自己的分代理来处理更具体的任务。这样一来，主智能体就可以将任务委派给子智能体，从而形成层级关系。bfed5e21e0b66d26.png

图 3：智能体的总体流程。

所有代理的列表

Agent

用途

子代理

image_scoring（主代理）

这是管理整个工作流的根代理。它会循环运行 image_generation_scoring_agent 和 checker_agent，直到满足终止条件。

image_generation_scoring_agent
checker_agent_instance

image_generation_scoring_agent（image_scoring 的分代理）

此代理负责生成和评分图片的核心逻辑。它会执行一系列三个子代理来实现此目的。

image_generation_prompt_agent
image_generation_agent
scoring_images_prompt

checker_agent_instance（image_scoring 的分代理）

此代理会检查图片评分流程是否应继续或终止。它使用 check_tool_condition 工具来评估终止条件。

-

checker_agent_instance（image_scoring 的分代理）

此智能体擅长创建图片生成提示。它接受输入文本，并生成适合图片生成模型的详细提示。

-

image_generation_prompt_agent（image_generation_scoring_agent 的分代理）

此智能体擅长创建图片生成提示。它会接收输入文本，并生成适合图片生成模型的详细提示。

-

scoring_images_prompt （image_generation_scoring_agent 的分代理）：

此代理擅长根据各种标准评估图片并为其评分。它会获取生成的图片并为其分配得分。

-

所用工具的完整列表

工具

说明

用户代理

check_tool_condition

此工具会检查是否满足循环终止条件，或者是否已达到最大迭代次数。如果满足上述任一条件，则停止循环。

checker_agent_instance

generate_images

此工具使用 Imagen 3 模型生成图片。它还可以将生成的图片保存到 Google Cloud Storage 存储分区。

image_generation_agent

get_policy

此工具可从 JSON 文件中提取政策。image_generation_prompt_agent 使用该政策创建图片生成提示，scoring_images_prompt 使用该政策对图片进行评分。

image_generation_agent

get_image

此工具会加载生成的图片制品，以便对其进行评分。

scoring_images_prompt

set_score

此工具会在会话状态中设置生成的图片的总得分。

scoring_images_prompt

8. 安装 ADK 并设置环境

在此实践中，我们将使用 Cloud Shell 来执行任务。

准备 Cloud Shell 编辑器标签页（如果 Cloud Shell 编辑器已打开，请跳过此步骤）

  1. 点击以下链接前往 GCP 控制台：GCP 控制台。
  2. 如果您还没有可用的项目，则需要在 GCP 控制台中创建一个新项目。在项目选择器（Google Cloud 控制台的左上角）中选择项目。如果您还没有项目，请按照这些步骤创建新项目。创建新项目后，请选择您的项目。6fce70b12b5fc94.png

图 2：点击 Google Cloud 徽标旁边的方框即可选择项目。确保您的项目处于选中状态。

  1. 在本实验中，我们将使用 Cloud Shell 编辑器来执行任务。打开 Cloud Shell 并使用 Cloud Shell 设置项目。
  2. 点击此链接可直接前往 Cloud Shell Editor
  3. 在 Cloud Shell 编辑器的边栏上，点击“打开文件夹”按钮。a0a97d9dd2b1f589.png
  4. 系统应已选择您的主文件夹，只需按“确定”，您的主文件夹就会成为此任务的根文件夹。7801f14fa33e285c.png
  5. 如果终端尚未打开，请从菜单中依次点击终端 > 新建终端，以打开终端。您可以在此终端中运行本教程中的所有命令。
  6. 您可以在 Cloud Shell 终端中使用以下命令检查项目是否已通过身份验证。
gcloud auth list
  • 如果您不记得自己的项目 ID，可以使用以下命令列出所有项目 ID：
gcloud projects list
  • 复制项目 ID，然后使用以下命令进行设置
gcloud config set project <YOUR_PROJECT_ID>
  • 在 Cloud Shell 中运行以下命令，以确认您的项目
gcloud config list project

下载并安装 ADK 和本实验的代码示例

  1. 执行以下命令，从 GitHub 克隆所需的源代码并安装必要的库。在 Cloud Shell 编辑器中打开的终端中运行命令。
#create the project directory
mkdir ~/imagescoring
cd ~/imagescoring

#clone the code in the local directory
git clone https://github.com/haren-bh/multiagenthandson.git
  1. 我们将使用 uv 创建 Python 环境（在 Cloud Shell 编辑器终端中运行）：
#Install uv if you do not have installed yet
pip install uv

#Create the virtual environment
uv venv .adkvenv

source .adkvenv/bin/activate

#go to the project directory
cd ~/imagescoring/multiagenthandson

#install dependencies
uv pip install -r pyproject.toml
  1. 如果您没有 Cloud Storage 存储分区，请在 Google Cloud Storage 中创建一个新存储分区。您还可以使用 gcloud 命令创建存储分区。向代理运行时授予对 Google Cloud Storage 的访问权限（在 Cloud Shell 编辑器终端中运行）。
# First, make sure your PROJECT_ID variable is set
PROJECT_ID=$(gcloud config get-value project)

# Now, create the bucket with a unique name
# We'll use the project ID to help ensure uniqueness
gcloud storage buckets create gs://${PROJECT_ID}-imagescoring-bucket

#Now lets give Agent Runtime the permission to access Cloud Storage
# 1. Get the current Project ID (text) and Project Number (numeric)
PROJECT_ID=$(gcloud config get-value project)
PROJECT_NUMBER=$(gcloud projects describe $PROJECT_ID --format="value(projectNumber)")

# 2. Construct the Reasoning Engine Service Account email
SA_EMAIL="service-${PROJECT_NUMBER}@gcp-sa-aiplatform-re.iam.gserviceaccount.com"
# 3. Create Agent Runtime Service account if not already created
gcloud beta services identity create --service=aiplatform.googleapis.com --project=${PROJECT_NUMBER}

# 3. Grant GCS Access
gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SA_EMAIL" --role="roles/storage.objectUser" --condition=None
  1. 在编辑器中，依次前往“查看”>“显示/不显示隐藏文件”。在 image_scoring 文件夹中创建一个包含以下内容的 .env 文件。添加所需详细信息，例如项目名称和 Cloud Storage 存储分区（在 Cloud Shell 编辑器终端中运行）。
#go to image_scoring folder
cd ~/imagescoring/multiagenthandson/image_scoring

cat <<EOF>> .env
GOOGLE_GENAI_USE_VERTEXAI=1
GOOGLE_CLOUD_PROJECT=$(gcloud config get-value project)
GOOGLE_CLOUD_LOCATION=global
AGENT_ENGINE_LOCATION=us-central1
GOOGLE_CLOUD_STORAGE_BUCKET=$(gcloud config get-value project)-imagescoring-bucket
GCS_BUCKET_NAME=$(gcloud config get-value project)-imagescoring-bucket
SCORE_THRESHOLD=40
IMAGEN_MODEL="gemini-3.1-flash-lite-image"
GENAI_MODEL="gemini-3.5-flash"
EOF
  1. 在“探索器”侧边栏中，前往 imagescoring/multiagenthandson/image_scoring 文件夹。点击 agent.py 文件以将其打开，并查看其中的代理结构。此代理包含将连接到其他子代理的根代理。bb0c3b10a31e9d14.png

图 4：从“资源管理器”侧边栏中看到的文件夹结构。您只需点击文件即可查看文件内容。

  1. 返回终端中的顶级目录 multiagenthandson，然后执行以下命令以在本地运行智能体（在 Cloud Shell 编辑器终端中运行）。
#go to the directory multiagenthandson
cd ~/imagescoring/multiagenthandson
# Run the following command to run agents locally
adk web --host 0.0.0.0 --port 8080 --allow_origins "regex:https://.*8080-.*\.cloudshell\.dev"

dfda0b40b44e9230.png

图 5：ADK 应用启动

  1. Ctrl+点击（在 MacOS 上为 CMD+点击）终端上显示的 http:// 网址，以打开 ADK 基于浏览器的 GUI 客户端。它应如图 5 所示
  2. 在左上角的下拉菜单中选择 image_scoring（参见图 5）。现在，我们来生成一些图片！您还应在 Google Cloud Storage 存储分区中找到这些图片。您可以点击“制品”部分，查看本地保存的图片。您可以尝试使用以下提示，也可以使用自己的提示。
  • 日落时分宁静的山景
  • 一只猫在骑自行车

c159623ad45f37cf.png

图 6：输出示例

9. 部署到 Agent Runtime

现在，我们将代理部署到 Agent Engine。Agent Engine 是一项全托管式服务，用于在 GCP 中部署代理。Agent Engine 与 ADK（智能体开发套件）兼容，因此使用 ADK（智能体开发套件）构建的智能体可以部署在 Agent Engine 中。

  1. 在 Cloud Shell 编辑器终端中执行以下步骤之前，请按 Ctrl+C 关闭 ADK 服务器。
  2. 使用 Poetry 创建 requirements.txt 文件。Poetry 将使用 pyproject.toml 创建 requirements.txt 文件。运行命令后，检查是否已创建 requirements.txt 文件（在 Cloud Shell 编辑器终端中运行）。
# Go to the parent folder containing pyproject.toml file
cd ~/imagescoring/multiagenthandson

# install poetry-plugin-export
uv pip install poetry-plugin-export

#Create requirements.txt file
python3 -m poetry export -f requirements.txt --output requirements.txt --without-hashes
  1. 创建软件包。我们需要将应用打包到 .whl Python 软件包中。我们将使用 Poetry 来实现这一点。执行命令后，请确保系统创建了一个 dist 文件夹，其中包含 .whl 文件（在 Cloud Shell 编辑器终端中运行）。
# Go to the parent folder containing pyproject.toml file
cd ~/imagescoring/multiagenthandson

#Create python package, to create whl file
python3 -m poetry build
  1. 现在，我们将准备用于将图片评分代理部署到 Agent Engine 服务的脚本。在 deploy 目录中，找到 Cloud Shell 编辑器侧边栏中的 deploy.py，然后点击以打开它。按如下方式验证其内容
import vertexai
from image_scoring.agent import root_agent
import os
import glob # To easily find the wheel file
from dotenv import load_dotenv

# Load environment variables from image_scoring/.env
env_path = os.path.join(os.path.dirname(__file__), "..", "image_scoring", ".env")
load_dotenv(env_path)

PROJECT_ID = os.getenv("GOOGLE_CLOUD_PROJECT")
LOCATION = os.getenv("GOOGLE_CLOUD_LOCATION", "us-central1")
STAGING_BUCKET = f"gs://{os.getenv('GOOGLE_CLOUD_STORAGE_BUCKET')}"

from vertexai import agent_engines

client=vertexai.Client(
    project=PROJECT_ID,
    location=LOCATION,
)
remote_app = client.agent_engines.create(
    agent=root_agent,
    config={
        "display_name": "image-scoring",
        "staging_bucket": STAGING_BUCKET,
        "requirements": open(os.path.join(os.getcwd(), "requirements.txt")).readlines() + ["./dist/image_scoring-0.1.0-py3-none-any.whl"],
        "extra_packages": [
            "./dist/image_scoring-0.1.0-py3-none-any.whl",
        ],     "env_vars":{"GCS_BUCKET_NAME":os.getenv('GOOGLE_CLOUD_STORAGE_BUCKET')}
    }
)
print(f"DEBUG: AgentEngine attributes: {dir(remote_app)}")
try:
    print(remote_app.api_resource.name)
except AttributeError:
    print("Could not find resource_name, check DEBUG output above.")
  1. 现在，我们可以运行部署脚本了。首先，前往顶级文件夹 multiagenthandson（在 Cloud Shell 编辑器终端中运行）。
#go to multiagenthandson folder
cd ~/imagescoring/multiagenthandson

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

部署后，您应该会看到类似以下内容，57d86995465cdcda.png

图 7：示例输出

  1. 现在，我们来测试已部署的代理。如需测试远程部署的 Agent Engine，请先从终端的部署输出中复制代理位置。它应如下所示：projects/xxx/locations/us-central1/reasoningEngines/xxx。
    在 multiagenthandson 根目录中，在 Cloud Shell 编辑器终端中运行以下命令。
#go to multiagenthandson folder
cd ~/imagescoring/multiagenthandson

#execute remote_test.py
python3 -m testclient.remote_test
  1. 输入推理引擎 ID，该 ID 应类似于“projects/xxx/locations/us-central1/reasoningEngines/xxx"”，然后输入提示以创建图片。您可以在 Cloud Storage 文件夹中确认图片输出。

c612b8a79a7120ae.png

图 8：输出示例

10. 创建 A2A 代理

在此步骤中，我们将基于之前步骤中创建的代理来创建一个简单的 A2A 代理。现有的 ADK（智能体开发套件）智能体可以在 A2A 协议下发布。以下是您将在本步骤中学习的关键内容。

  • 了解 A2A 协议的基础知识。
  • 了解 ADK 和 A2A 协议如何协同工作。
  • 了解如何与 A2A protocol 互动。

在此实操中，我们将使用 image_scoring_adk_a2a_server 文件夹中的代码。在开始任务之前，请将目录更改为此文件夹（在 Cloud Shell 编辑器终端中运行）。

#change directory to image_scoring_adk_a2a_server
cd ~/imagescoring/multiagenthandson/image_scoring_adk_a2a_server

#copy the env file
cp ~/imagescoring/multiagenthandson/image_scoring/.env remote_a2a/image_scoring

1. 创建 A2A 智能体卡片

A2A 协议需要一张智能体卡片，其中包含有关智能体的所有信息，例如智能体功能、智能体使用指南等。A2A 智能体部署完毕后，可以使用“.well-known/agent-card.json”链接查看智能体卡片。客户端可以参考此信息向代理发送请求。

前往 remote_a2a/image_scoring 目录，然后在 Cloud Shell 编辑器侧边栏中找到 agents.json。点击该文件以将其打开，并验证其内容是否与以下内容一致：

{
 "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"
     ]
   }
 ]
}

2. 创建 A2A 代理 在 image_scoring_adk_a2a_server 根目录中，验证 a2a_agent.py 文件是否存在。您可以在 Cloud Shell 编辑器的侧边窗格中点击文件名来打开该文件。此文件用作 A2A 代理的入口点，应包含以下内容：

#change directory to image_scoring_adk_a2a_server
cd ~/imagescoring/multiagenthandson/image_scoring_adk_a2a_server

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
)

3. 运行 A2A 代理

现在，我们准备好运行代理了！如需运行代理，请从顶级文件夹 image_scoring_adk_a2a_server 中执行以下命令（在 Cloud Shell 编辑器终端中运行）。

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

4. 测试 A2A 智能体

智能体运行后，我们现在可以去测试智能体了。首先，我们先来查看一下智能体卡片。使用“终端”>“新建终端”打开新终端，然后运行以下命令（在新打开的 Cloud Shell Editor 终端中运行）。

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

执行上述命令后，系统应显示 A2A 代理的代理卡片，该卡片主要包含我们在上一步中创建的 agent.json 的内容。

现在，我们向智能体发送请求。我们可以使用 curl 向代理发送请求（在新打开的 Cloud Shell 编辑器终端中运行），

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"
      }
    }
  }'

在上述请求中，您可以更改“Create an image of a cat”（创作一张猫的图片）这一行，从而更改提示。运行命令后，您可以在指定的 Google Cloud Storage 中查看输出映像。

11. 清理

现在，我们来清理刚刚创建的内容。

  1. 删除我们刚刚创建的 Agent Runtime 服务器。在 Google Cloud 控制台的搜索栏中输入“Gemini Enterprise Agent Platform”，前往 Gemini Enterprise Agent Platform。点击左侧的代理引擎。您可以点击“删除”来删除代理。98e8aac9efc8e32a.png

图 9：您可以在 Google Cloud 控制台中删除 Agent Runtime 实例

  1. 删除 Cloud Shell 中的文件
#Execute the following to delete the files
cd ~
rm -R ~/imagescoring
  1. 删除存储分区。您可以前往 GCP 控制台->Cloud Storage，选择并删除您的存储分区。913625e5969c9104.png

图 10：删除存储分区

12. 总结

恭喜！您已成功将多智能体 ADK（智能体开发套件）应用部署到 Agent Runtime。这是一项重大成就，涵盖了现代云原生应用的核心生命周期，为您部署自己的复杂智能体系统奠定了坚实的基础。

回顾

在本实验中，您学习了如何执行以下操作：

实用资源

从原型设计到生产环境

本实验是“利用 Google Cloud 构建可用于生产用途的 AI”学习路线的组成部分。

  • 探索完整课程，弥合从原型设计到生产的差距。
  • 使用 #ProductionReadyAI 标签分享您的进度。