使用 ADK 建立多代理系統、在 Agent Engine 中部署，並開始使用 A2A 通訊協定

1. 本實驗室的目標

在本實作實驗室中，您將使用 ADK (Agent Development Kit) 建構多代理應用程式，根據提示生成圖片，並根據提示評估圖片。如果生成的圖片不符合提示中的規定，智慧助理會持續生成圖片，直到生成符合規定的圖片為止。本實作實驗室中的每個代理程式都有單一用途，這些代理程式會互相合作，以達成整體目標。您將瞭解如何在本機測試應用程式，並在 Vertex AI Agent Engine 中部署。

課程內容

瞭解 ADK (Agent Development Kit) 的基本概念，並學習如何建立多代理系統。
瞭解如何輕鬆在 Vertex AI Agent Engine 中部署及使用代理。
瞭解 A2A 通訊協定的基本概念
瞭解如何搭配使用 A2A 通訊協定和 ADK (Agent Development Kit) ，建立開放式代理。

2. 專案設定

如果沒有可用的專案，請在 GCP 主控台中建立新專案。
在本實驗室中，我們將使用 GCP Cloud Shell 執行工作。開啟 Cloud Shell，並使用 Cloud Shell 設定專案。
按一下這裡開啟 GCP Cloud Shell，或按一下「Cloud Shell」。如果看到「授權 Shell」彈出式視窗，請點選授權 Cloud Shell 編輯器。
您可以在 Cloud Shell 終端機中執行下列指令，檢查專案是否已通過驗證。

gcloud auth list

在 Cloud Shell 中執行下列指令，確認專案

gcloud config list project

複製專案 ID，然後使用下列指令設定

gcloud config set project <YOUR_PROJECT_ID>

如果忘記專案 ID，可以使用下列指令列出所有專案 ID：

gcloud projects list

3. 啟用 API

我們需要啟用一些 API 服務，才能執行本實驗室。在 Cloud Shell 中執行下列指令。

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

API 簡介

Vertex AI API (aiplatform.googleapis.com) 可存取 Vertex AI 平台，讓應用程式與 Gemini 模型互動，進行文字生成、聊天工作階段和函式呼叫。
Cloud Resource Manager API (cloudresourcemanager.googleapis.com) 可讓您以程式輔助方式管理 Google Cloud 專案的中繼資料，例如專案 ID 和名稱，其他工具和 SDK 通常需要這些資料來驗證專案身分和權限。

4. Agent Development Kit 簡介

Agent Development Kit 為需要建構代理應用程式的開發人員帶來多項關鍵優勢：

多代理系統：可在階層結構中組合多個專用代理，建構出可擴充的模組化應用程式，藉以執行複雜的協調和委派作業。
豐富的工具生態系統：為代理提供多元功能，像是使用預先建構的工具 (搜尋、程式碼執行等)、建立自訂函式、整合第三方代理框架的工具 (LangChain、CrewAI)，甚至還可以使用其他代理做為工具。
彈性的自動化調度管理功能：使用工作流程代理 (SequentialAgent、ParallelAgent 和 LoopAgent) 定義可預測的管道工作流程，或透過使用 LLM 的動態轉送功能 (LlmAgent 轉移)，創造靈活應變的代理。
整合式開發人員體驗：使用功能強大的 CLI 和互動式開發 UI，在本機開發、測試及偵錯，逐步檢查事件、狀態和代理執行作業。
內建評估功能：與預先定義的測試案例比較，評估最終回覆品質和逐步執行軌跡，有系統地判斷代理效能。
可隨時部署：將代理容器化並部署至任何位置，無論是在本機執行、透過 Vertex AI Agent Engine 擴充，或使用 Cloud Run/Docker 整合至自訂基礎架構都沒問題。

雖然其他生成式 AI SDK 或代理框架同樣能查詢模型，甚至為模型提供工具，但您必須投入大量心力，在多個模型間靈活調度。

相較之下，Agent Development Kit 比上述工具更加高階，您可以輕鬆相互連結多個代理，建立複雜但方便維護的工作流程。

圖 1：ADK (Agent Development Kit) 的定位

5. Vertex AI Agent Engine 簡介

Vertex AI Agent Engine 是全代管服務，可在 Google Cloud 中部署代理程式。開發人員可透過 Vertex AI Agent Engine，在 Vertex AI 上開發、自訂、部署、提供及管理 OSS AI 代理( ADK (Agent Development Kit) 、LangChain、LangGraph、CrewAI、AutoGen 等！)。

Agent Engine 也提供服務來處理使用者資料，也就是所謂的代理程式記憶體。目前提供兩種記憶體服務。

短期記憶：透過 Agent Engine 工作階段，您可以在單一工作階段中儲存、管理及擷取進行中的對話記錄 (狀態)，做為短期記憶。
長期記憶：透過 Agent Engine 記憶庫，儲存、轉換及擷取記憶 (狀態)，特別是跨多個工作階段的長期記憶。

您也可以在 Cloud Run 或 GKE 等其他 Google Cloud 服務中部署 Agent，但建議您針對下列用途使用 Vertex AI Agent Engine。

具狀態的全代管執行階段：如果需要具狀態的全代管執行階段來部署代理程式，建議使用 Vertex AI Agent Engine，因為這項服務會將常見工作 (例如工作階段管理、AI 代理的持續性) 抽象化。
程式碼執行：如果代理程式需要執行在使用者工作階段期間動態生成的程式碼，代理程式引擎會提供安全沙箱，供您執行程式碼。
彈性的長期記憶：如果需要為代理提供彈性的長期記憶，可搭配 Vertex AI Agent Engine 使用的 Vertex AI Memory Bank，就能彈性記憶使用者的資訊，並在不同工作階段中使用。

您也可以將 Vertex AI Agent Engine 與 Cloud Run 等其他執行階段結合，建立彈性的應用程式架構。以下是使用各種服務建構代理程式的參考架構範例。

圖 2：使用多項服務建構 Agent 的參考架構範例。

6. A2A 簡介

Agent2Agent (A2A) 通訊協定是一項開放標準，旨在讓不同架構、供應商和網域的自主 AI 代理，能夠順暢且安全地通訊及協作。

普遍互通性：A2A 讓代理能協同運作，不受底層技術限制，有助於建立真正的多代理生態系統。也就是說，不同公司在不同平台上建構的代理程式可以通訊及協調。
功能探索：代理可以使用「代理資訊卡」(JSON 文件) 宣傳功能，說明身分、支援的 A2A 功能、技能和驗證需求。這樣一來，其他代理程式就能找出最適合特定工作的代理程式並加以選取。
預設安全：安全性是核心原則。A2A 採用企業級驗證和授權機制，並使用 HTTPS/TLS、JWT、OIDC 和 API 金鑰等標準，確保互動安全無虞，並保護機密資料。
不限模式：通訊協定支援各種通訊模式，包括文字、音訊和影片串流，以及互動式表單和嵌入式 iframe。代理程式可彈性地以最適合工作和使用者的格式交換資訊。
結構化工作管理：A2A 會明確定義工作委派、監控和完成的通訊協定。這項功能支援將相關工作分組，並使用不重複的工作 ID，在不同代理之間管理工作。工作可以經歷定義的生命週期 (例如已提交、處理中、已完成)。
不透明的執行方式：這項重要功能是指代理程式不必向其他代理程式揭露內部推理程序、記憶體或特定工具。這些服務只會公開可呼叫的服務，有助於提升模組化程度和隱私權。
以現有標準為基礎：A2A 採用 HTTP、伺服器傳送事件 (SSE) 等成熟的網路技術，可即時串流資料，並使用 JSON-RPC 交換結構化資料，因此更容易與現有 IT 基礎架構整合。
非同步通訊：通訊協定的設計主要考量非同步通訊，可促進彈性工作進度，即使連線並非持續維持，也能啟用更新的推播通知。

7. 代理程式架構

在本實驗室中，您將建立多代理程式應用程式，根據您的規格生成圖片，並在向您顯示圖片前進行評估。

系統架構包含一個名為 image_scoring 的主要代理程式，負責協調整個程序。這個主要代理有一個名為 image_generation_scoring_agent 的子代理，而這個子代理本身也有自己的子代理，負責執行更具體的任務。這會建立階層式關係，主代理會將工作委派給子代理。

圖 3：整體代理程式流程。

所有代理程式的清單

Agent	Purpose	子代理程式
圖片評分 (主要代理程式)	這是管理整體工作流程的根代理程式。它會在迴圈中反覆執行 image_generation_scoring_agent 和 checker_agent，直到符合終止條件為止。	image_generation_scoring_agent checker_agent_instance
image_generation_scoring_agent (image_scoring 的子代理)	這個代理負責生成及評估圖片的核心邏輯。為達成這個目標，這項代理程式會執行一連串的子代理。	image_generation_prompt_agent image_generation_agent scoring_images_prompt
checker_agent_instance (image_scoring 的子代理程式)	這個代理程式會檢查是否應繼續或終止圖片評分程序。這項工具會使用 check_tool_condition 工具評估終止條件。	-
checker_agent_instance (image_scoring 的子代理程式)	這個代理程式擅長建立圖像生成提示，這項工具會根據輸入文字生成詳細提示，供圖像生成模型使用。	-
image_generation_prompt_agent (image_generation_scoring_agent 的子代理程式)	這個代理程式擅長建立圖像生成提示，這項工具會根據輸入文字生成詳細提示，供圖像生成模型使用。	-
scoring_images_prompt (image_generation_scoring_agent 的子代理程式)：	這位代理程式是專家，可根據各種條件評估圖片並給予分數。並為生成的圖片評分。	-

使用的所有工具清單

工具	說明	使用者代理程式
check_tool_condition	這項工具會檢查是否符合迴圈終止條件，或是否已達到疊代次數上限。如果符合任一條件，迴圈就會停止。	checker_agent_instance
generate_images	這項工具會使用 Imagen 3 模型生成圖片。此外，這項服務還能將生成的圖片儲存至 Google Cloud Storage bucket。	image_generation_agent
get_policy	這項工具會從 JSON 檔案擷取政策。image_generation_prompt_agent 會使用這項政策建立圖片生成提示，scoring_images_prompt 則會使用這項政策為圖片評分。	image_generation_agent
get_image	這項工具會載入生成的圖像構件，以便評分。	scoring_images_prompt
set_score	這項工具會在工作階段狀態中設定生成圖片的總分。	scoring_images_prompt

8. 安裝 ADK 並設定環境

在本實作練習中，我們將使用 Cloud Shell 執行工作。

準備 Cloud Shell 編輯器分頁

按一下這個連結，直接前往 Cloud Shell 編輯器
按一下「繼續」。
系統提示您為 Cloud Shell 提供授權時，按一下「授權」。
在本實驗室的其餘部分，您可以透過這個視窗，使用 Cloud Shell 編輯器和 Cloud Shell 終端機做為 IDE。
在 Cloud Shell 編輯器中，依序點選「Terminal」(終端機) >「New Terminal」(新增終端機)，開啟新的終端機。下列所有指令都會在這個終端機上執行。

下載並安裝本實驗室所需的 ADK 和程式碼範例

執行下列指令，從 GitHub 複製所需來源，並安裝必要程式庫。在 Cloud Shell 編輯器中開啟的終端機中執行指令。

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

我們會使用 uv 建立 Python 環境 (在 Cloud Shell 編輯器終端機中執行)：

#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

如果沒有雲端儲存空間值區，請在 Google Cloud Storage 中建立新的值區。您也可以使用 gsutil 指令建立 bucket。授予 Agent Engine Google Cloud Storage 存取權 (在 Cloud Shell 編輯器終端機中執行)。

# 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
gsutil mb gs://${PROJECT_ID}-imagescoring-bucket

#Now lets give Agent Engine 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-${PROJECT_NUMBER}@gcp-sa-aiplatform-re.iam.gserviceaccount.com"
# 3. Create Agent Engine Service account if not already created
gcloud beta services identity create --service=aiplatform.googleapis.com --project=${PROJECT_NUMBER}

# 3. Grant GCS Access
gcloud projects add-iam-policy-binding $PROJECT_ID --member="serviceAccount:$SA_EMAIL" --role="roles/storage.objectUser" --condition=None

在編輯器中，依序前往「View」->「Toggle hidden files」。在 image_scoring 資料夾中，建立含有以下內容的 .env 檔案。新增必要詳細資料，例如專案名稱和 Cloud Storage bucket (在 Cloud Shell 編輯器終端機中執行)。

#go to image_scoring folder
cd ~/imagescoring/multiagenthandson/image_scoring

cat <<EOF>> .env
GOOGLE_GENAI_USE_VERTEXAI=1
GOOGLE_CLOUD_PROJECT=$(gcloud config get-value project)
GOOGLE_CLOUD_LOCATION=us-central1
GOOGLE_CLOUD_STORAGE_BUCKET=$(gcloud config get-value project)-imagescoring-bucket
GCS_BUCKET_NAME=$(gcloud config get-value project)-imagescoring-bucket
SCORE_THRESHOLD=40
IMAGEN_MODEL="imagen-3.0-generate-002"
GENAI_MODEL="gemini-2.5-flash"
EOF

在 Cloud Shell 編輯器選單中，選取「File」>「Open Folder」。
在彈出式方塊中，於使用者名稱後方新增下列資料夾資訊：imagescoring/。按一下「確定」。現在左側的檔案總管窗格中，應該會顯示完整的專案結構。
在「Explorer」側邊窗格中，前往 image_scoring 資料夾。點選「agent.py」開啟檔案，查看代理程式結構。agent.py這個代理程式包含根代理程式，可連結至其他子代理程式。

圖 4：從「Explorer」側邊窗格看到的資料夾結構。只要按一下檔案，即可查看檔案內容。

返回終端機中的頂層目錄 multiagenthandson，然後執行下列指令，在本地執行代理程式 (在 Cloud Shell 編輯器終端機中執行)。

#go to the directory multiagenthandson
cd ~/imagescoring/multiagenthandson
# Run the following command to run agents locally
adk web

圖 5：啟動 ADK 應用程式

在終端機上顯示的 http:// 網址上按 Ctrl+Click (MacOS 則為 CMD+Click)，開啟 ADK 的瀏覽器型 GUI 用戶端。畫面應如圖 5 所示
選取左上側下拉式選單中的「image_scoring」(請參閱圖 5)。現在來生成一些圖片！您應該也會在 Google Cloud Storage bucket 中找到圖片。請嘗試使用下列提示或自訂提示。

夕陽下的寧靜山景
騎自行車的貓

圖 6：輸出內容範例

9. 部署至 Agent Engine

現在，我們要將代理部署至 Agent Engine。Agent Engine 是一項全代管服務，可在 GCP 中部署代理程式。Agent Engine 與 ADK (Agent Development Kit) 相容，因此以 ADK (Agent Development Kit) 建構的代理可部署在 Agent Engine 中。

在 Cloud Shell 編輯器終端機中執行下列步驟前，請先按下 Ctrl+C 鍵關閉 ADK 伺服器。
使用 Poetry 建立 requirements.txt 檔案。Poetry 會使用 pyproject.toml 建立 requirements.txt 檔案。執行指令後，請檢查是否已建立 requirements.txt 檔案 (在 Cloud Shell 編輯器終端機中執行)。

# 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

建立套件。我們需要將應用程式打包成 .whl Python 套件。我們會使用 Poetry 執行這項操作。執行指令後，請確認已建立 dist 資料夾，且其中包含 .whl 檔案 (在 Cloud Shell 編輯器終端機中執行)。

# Go to the parent folder containing pyproject.toml file
cd ~/imagescoring/multiagenthandson

#Create python package, to create whl file
python3 -m poetry build

現在我們要準備將圖片評分代理部署至 Agent Engine 服務的指令碼。在 deploy 目錄中，於 Cloud Shell 編輯器側邊窗格找到 deploy.py，然後點選開啟。請按照下列步驟驗證內容：

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.")

現在可以執行部署指令碼。首先，請前往頂層資料夾 multiagenthandson (在 Cloud Shell 編輯器終端機中執行)。

#go to multiagenthandson folder
cd ~/imagescoring/multiagenthandson

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

部署完成後，畫面應如下所示：

圖 7：輸出範例

現在來測試已部署的代理程式。如要測試遠端部署的代理程式引擎，請先從終端機的部署輸出內容複製代理程式位置。格式應類似：projects/85469421903/locations/us-central1/reasoningEngines/7369674597261639680。
在 Cloud Shell 編輯器的側邊窗格中，前往 testclient 資料夾，點選 remote_test.py 開啟檔案，然後編輯下列幾行：

REASONING_ENGINE_ID = "projects/xxx/locations/us-central1/reasoningEngines/xxx"  # TODO: Change this

在 multiagenthandson 根目錄中，於 Cloud Shell 編輯器終端機執行下列指令。輸出內容應與圖 8 相同。

#go to multiagenthandson folder
cd ~/imagescoring/multiagenthandson

#execute remote_test.py
python3 -m testclient.remote_test

圖 8：輸出範例

10. 建立 A2A 代理程式

在本步驟中，我們將根據上一個步驟建立的代理程式，建立簡單的 A2A 代理程式。現有的 ADK (Agent Development Kit) 代理可透過 A2A 通訊協定發布。這些是您將在本步驟中學到的重點。

瞭解 A2A 通訊協定的基本概念。
瞭解 ADK 和 A2A 通訊協定如何搭配運作。
瞭解如何與 A2A 通訊協定互動。

在本實作練習中，我們將使用 image_scoring_adk_a2a_server 資料夾中的程式碼。開始工作前，請將目錄變更為這個資料夾 (在 Cloud Shell 編輯器終端機中執行)。

#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. 建立 A2A 代理資訊卡

A2A 通訊協定需要代理資訊卡，其中包含代理的所有資訊，例如代理功能、代理使用指南等。部署 A2A 代理後，即可使用「.well-known/agent-card.json」連結查看代理資訊卡。客戶可以參考這項資訊，將要求傳送給服務專員。

前往 remote_a2a/image_scoring 目錄，並在 Cloud Shell 編輯器側邊窗格中找到 agents.json。按一下檔案開啟，並確認內容與下列項目相符：

{
 "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. 建立 A2A 代理程式 在 image_scoring_adk_a2a_server 根目錄中，確認 a2a_agent.py 檔案存在。如要開啟這個檔案，請在 Cloud Shell 編輯器的側邊窗格中點選檔案名稱。這個檔案是 A2A 代理的進入點，應包含下列內容：

#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. 執行 A2A 代理程式

現在可以執行代理程式了！如要執行代理程式，請在頂層資料夾 image_scoring_adk_a2a_server 中執行下列指令 (在 Cloud Shell 編輯器終端機中執行)。

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

4. 測試 A2A 代理

代理程式執行後，我們現在可以測試代理程式。首先，請檢查代理程式卡片。使用「Terminal」(終端機) >「New Terminal」(新增終端機) 開啟新的終端機，然後執行下列指令 (在開啟的 Cloud Shell 編輯器終端機中執行)。

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

執行上述指令後，應該會顯示 A2A 代理程式的代理程式資訊卡，這主要是我們在上一個步驟中建立的 agent.json 內容。

現在，讓我們傳送要求給代理程式。我們可以使用 curl 將要求傳送至代理程式 (在剛開啟的 Cloud Shell 編輯器終端機中執行)，

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"
      }
    }
  }'

在上述要求中，您可以變更「Create an image of a cat」這一行，藉此變更提示。執行指令後，您可以在指定的 Google Cloud Storage 中查看輸出圖片。

11. 清除所用資源

現在來清除剛才建立的內容。

刪除我們剛建立的 Vertex AI Agent Engine 伺服器。在 Google Cloud 控制台的搜尋列中輸入「Vertex AI」，然後前往 Vertex AI。按一下左側的「代理程式引擎」。按一下「刪除」即可刪除代理程式。

圖 9：您可以從 Google Cloud 控制台刪除 Vertex AI Agent Engine 執行個體

刪除 Cloud Shell 中的檔案

#Execute the following to delete the files
cd ~
rm -R ~/imagescoring

刪除 bucket。前往 GCP 控制台的 Cloud Storage，選取並刪除 bucket。

圖 10：刪除 bucket

12. 結語

恭喜！您已成功將多代理 ADK (Agent Development Kit) 應用程式部署至 Vertex AI Agent Engine。這項重大成就涵蓋現代雲端原生應用程式的核心生命週期，為您部署複雜的代理系統奠定穩固基礎。

重點回顧

在本實驗室中，您學會如何：

使用 ADK (Agent Development Kit) 建立多代理應用程式
將應用程式部署至 Vertex AI Agent Engine
建立可使用 A2A 通訊協定通訊的代理。

實用資源

從設計原型到投入正式環境

這個實驗室是「Google Cloud 學習路徑：打造可用於正式環境的 AI」的一部分。

探索完整課程，瞭解如何從原型開發到正式推出。
使用 #ProductionReadyAI 主題標記分享進度。