פיתוח ופריסה של סוכן ADK ב-Cloud Run

1. מבוא

ב-Lab הזה מתמקדים בהטמעה ובפריסה של שירות סוכן לקוח. תשתמש ב-Agent Development Kit (ADK) כדי לבנות סוכן AI שמשתמש בכלים.

בשיעור ה-Lab הזה נבנה סוכן גן חיות שמשתמש בוויקיפדיה כדי לענות על שאלות לגבי חיות.

לבסוף, נבצע פריסה של סוכן מדריך הטיולים ב-Cloud Run של Google, במקום להריץ אותו רק באופן מקומי.

דרישות מוקדמות

• פרויקט ב-Google Cloud שהחיוב בו מופעל.

מה תלמדו

• איך לבנות פרויקט Python לפריסה של ADK.
• איך מטמיעים סוכן שמשתמש בכלי באמצעות google-adk.
• איך פורסים אפליקציית Python כקונטיינר ללא שרת ב-Cloud Run.
• איך מגדירים אימות מאובטח משירות לשירות באמצעות תפקידים ב-IAM.
• איך מוחקים משאבי Cloud כדי להימנע מעלויות עתידיות.

הדרישות

• חשבון Google Cloud ופרויקט Google Cloud
• דפדפן אינטרנט כמו Chrome

2. למה כדאי לפרוס ל-Cloud Run?

Cloud Run היא פלטפורמה מצוינת לאירוח סוכני ADK כי היא פלטפורמה ללא שרתים, כלומר אתם יכולים להתמקד בקוד ולא בניהול התשתית הבסיסית. אנחנו מטפלים בעבודה התפעולית בשבילכם.

אפשר לחשוב על זה כמו על חנות פופ-אפ: היא נפתחת ומשתמשת במשאבים רק כשהלקוחות (בקשות) מגיעים. אם אין לקוחות, החנות נסגרת לגמרי ולא תשלמו על חנות ריקה.

תכונות עיקריות

הפעלת Containers Anywhere:

• אתם מביאים קונטיינר (קובץ אימג' של Docker) שמכיל את האפליקציה שלכם.
• ‫Cloud Run מריץ אותו בתשתית של Google.
• אין צורך בתיקון מערכת ההפעלה, בהגדרת מכונה וירטואלית או בהתמודדות עם בעיות בהרחבת המכונה הווירטואלית.

התאמה אוטומטית של נפח האחסון:

• אם אף אחד לא משתמש באפליקציה → 0 מופעים פועלים (ההיקף מצטמצם ל-0 מופעים, מה שחוסך עלויות).
• אם נשלחות 1,000 בקשות → המערכת מפעילה כמה עותקים שצריך.

כברירת מחדל, אין מצב:

• כל בקשה יכולה להישלח למופע אחר.
• אם אתם צריכים לאחסן מצב, אתם יכולים להשתמש בשירות חיצוני כמו Cloud SQL,‏ Firestore או Memorystore.

תמיכה בכל שפה או מסגרת:

• כל עוד האפליקציה פועלת במאגר Linux, לא משנה ל-Cloud Run אם היא כתובה ב-Python, ב-Go, ב-Node.js, ב-Java או ב-‎ .Net.

תשלום לפי שימוש:

• חיוב לפי בקשה: חיוב לפי בקשה + זמן מחשוב (עד 100 אלפיות השנייה).
• חיוב לפי מופע: חיוב על משך החיים המלא של המופע (ללא עמלה לכל בקשה).

3. הגדרת הפרויקט

חשבון Google

אם אין לכם חשבון Google אישי, אתם צריכים ליצור חשבון Google.

משתמשים בחשבון לשימוש אישי במקום בחשבון לצורכי עבודה או בחשבון בית ספרי.

יכול להיות שבחשבונות לצורכי עבודה או בחשבונות בית ספריים יש הגבלות שלא מאפשרות להפעיל את ממשקי ה-API שנדרשים למעבדה הזו.

כניסה למסוף Google Cloud

נכנסים למסוף Google Cloud באמצעות חשבון Google אישי.

הפעלת חיוב

הגדרה של חשבון לחיוב לשימוש אישי

אם הגדרתם חיוב באמצעות קרדיטים של Google Cloud, אתם יכולים לדלג על השלב הזה.

כדי להגדיר חשבון לחיוב לשימוש אישי, עוברים לכאן כדי להפעיל את החיוב ב-Cloud Console.

טיפים ממשתמשים:

• העלות של השלמת ה-Lab הזה במשאבי Cloud צריכה להיות פחות מ-1$.
• כדי למחוק משאבים ולמנוע חיובים נוספים, אפשר לבצע את השלבים בסוף ה-Lab הזה.
• משתמשים חדשים זכאים לתקופת ניסיון בחינם בשווי 300$.

יצירת פרויקט (אופציונלי)

אם אין לכם פרויקט שאתם רוצים להשתמש בו בסדנה הזו, אתם יכולים ליצור פרויקט חדש כאן.

4. פתיחת Cloud Shell Editor

1. כדי לעבור ישירות אל Cloud Shell Editor, לוחצים על הקישור הזה.
2. אם תתבקשו לאשר בשלב כלשהו היום, תצטרכו ללחוץ על אישור כדי להמשיך.
3. אם הטרמינל לא מופיע בתחתית המסך, פותחים אותו:
   • לוחצים על הצגה.
   • לוחצים על Terminal (מסוף).

5. הפעלת ממשקי API

כדי להשתמש ב-Cloud Run, ב-Artifact Registry, ב-Cloud Build, ב-Vertex AI וב-Compute Engine, צריך להפעיל את ממשקי ה-API שלהם בפרויקט ב-Google Cloud.

• בטרמינל, מפעילים את ממשקי ה-API:

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

  בסיום ההרצה, אמור להופיע פלט כמו זה:

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

מבוא לממשקי ה-API

• ‫Cloud Run Admin API ‏ (run.googleapis.com) מאפשר להריץ שירותי חזית ועורף, משימות אצווה או אתרים בסביבה מנוהלת לחלוטין. השירות מטפל בתשתית לצורך פריסה והתאמה לעומס (scaling) של האפליקציות בקונטיינרים.
• ‫Artifact Registry API‏ (artifactregistry.googleapis.com) מספק מאגר פרטי ומאובטח לאחסון תמונות של קונטיינרים. זהו שירות מתקדם של Container Registry, והוא משתלב בצורה חלקה עם Cloud Run ו-Cloud Build.
• ‫Cloud Build API‏ (cloudbuild.googleapis.com) הוא פלטפורמת CI/CD ללא שרתים שמבצעת את הבנייה שלכם בתשתית של Google Cloud. הוא משמש ליצירת קובץ אימג' של קונטיינר בענן מקובץ Dockerfile.
• ‫Vertex AI API‏ (aiplatform.googleapis.com) מאפשר לאפליקציה שפרסתם לתקשר עם מודלים של Gemini כדי לבצע משימות ליבה של AI. הוא מספק API מאוחד לכל שירותי ה-AI של Google Cloud.
• ‫Compute Engine API‏ (compute.googleapis.com) מספק מכונות וירטואליות מאובטחות שניתנות להתאמה אישית ופועלות בתשתית של Google. למרות ש-Cloud Run מנוהל, לעיתים קרובות נדרש Compute Engine API כתלות בסיסית למשאבי רשת ומחשוב שונים.

6. הכנת סביבת הפיתוח

יצירת הספרייה

1. בטרמינל, יוצרים את ספריית הפרויקט ואת ספריות המשנה הנדרשות:

   cd && mkdir zoo_guide_agent && cd zoo_guide_agent
   

2. בטרמינל, מריצים את הפקודה הבאה כדי לפתוח את הספרייה zoo_guide_agent בסייר של Cloud Shell Editor:

   cloudshell open-workspace ~/zoo_guide_agent
   

3. חלונית הסייר בצד ימין תעבור רענון. עכשיו אמורה להופיע הספרייה שיצרתם.
   
   

   אם הטרמינל נעלם כשעושים את זה, אפשר לפתוח אותו מחדש על ידי לחיצה על תצוגה ואז על טרמינל בתפריט העליון.

הגדרת הפרויקט

1. בטרמינל, מגדירים את הפרויקט באמצעות הפקודה הבאה:

   gcloud config set project [PROJECT_ID]
   

   דוגמה: gcloud config set project lab-project-id-example

   אם אתם לא זוכרים את מזהה הפרויקט, אתם יכולים לרשום את כל מזהי הפרויקטים באמצעות הפקודה: gcloud projects list

   
2. תוצג ההודעה הבאה:

   Updated property [core/project].
   

   אם מופיע WARNING ואתם מתבקשים Do you want to continue (Y/n)?, כנראה שהזנתם את מזהה הפרויקט בצורה שגויה. לוחצים על n, לוחצים על Enter ומנסים להריץ שוב את הפקודה gcloud config set project.

דרישות ההתקנה

1. מריצים את הפקודה הבאה בטרמינל כדי ליצור את הקובץ requirements.txt.

   cloudshell edit requirements.txt
   

2. מוסיפים את הטקסט הבא לקובץ requirements.txt החדש שיצרתם

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

3. בטרמינל, יוצרים ומפעילים סביבה וירטואלית באמצעות uv. כך תוכלו לוודא שיחסי התלות של הפרויקט לא יתנגשו עם Python של המערכת.

   uv venv
   source .venv/bin/activate
   

   הערה: אם סשן Cloud Shell מתרענן או אם פותחים כרטיסייה חדשה של מסוף, יכול להיות שתצטרכו להפעיל מחדש את הסביבה הווירטואלית על ידי הפעלת הפקודה source .venv/bin/activate.

4. מתקינים את החבילות הנדרשות בסביבה הווירטואלית בטרמינל.

   uv pip install -r requirements.txt
   

הגדרה של משתני סביבה

• כדי ליצור את הקובץ .env, משתמשים בפקודה הבאה בטרמינל.

  # 1. Set the variables in your terminal first
  PROJECT_ID=$(gcloud config get-value project)
  PROJECT_NUMBER=$(gcloud projects describe $PROJECT_ID --format="value(projectNumber)")
  SA_NAME=lab2-cr-service
  
  # 2. Create the .env file using those variables
  cat <<EOF > .env
  PROJECT_ID=$PROJECT_ID
  PROJECT_NUMBER=$PROJECT_NUMBER
  SA_NAME=$SA_NAME
  SERVICE_ACCOUNT=${SA_NAME}@${PROJECT_ID}.iam.gserviceaccount.com
  MODEL="gemini-2.5-flash"
  EOF
  

  בודקים את הקובץ .env ומוודאים ששלושת הערכים PROJECT_ID, PROJECT_NUMBER ו-SERVICE_ACCOUNT הוקצו. אם חסרים פרטי פרויקט, מריצים את הפקודה gcloud projects list כדי למצוא אותם. אם חשבון השירות חסר, אפשר להריץ את הפקודה gcloud iam service-accounts list כדי להציג את החשבונות בפרויקט ולמצוא את כתובת האימייל (שמסתיימת ב-.iam.gserviceaccount.com).

7. יצירת תהליך עבודה של סוכן

יצירת קובץ __init__.py

1. כדי ליצור את הקובץ init.py, מריצים את הפקודה הבאה בטרמינל:

   cloudshell edit __init__.py
   

   הקובץ הזה מציין ל-Python שהספרייה zoo_guide_agent היא חבילה.
2. מוסיפים את הקוד הבא לקובץ __init__.py החדש:

   from . import agent
   

יצירת קובץ agent.py

1. כדי ליצור את הקובץ הראשי agent.py, מדביקים את הפקודה הבאה בטרמינל.

   cloudshell edit agent.py
   

2. ייבוא והגדרה ראשונית: מוסיפים את הקוד הבא לקובץ agent.py הריק:
   ‫

   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.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")
   

   הבלוק הראשון בקובץ agent.py כולל את כל הספריות הנדרשות מ-ADK ומ-Google Cloud. הסקריפט גם מגדיר רישום ביומן ומטען את משתני הסביבה מקובץ .env, שחשובים לגישה לכתובת ה-URL של המודל והשרת.
3. הגדרת הכלים: איכות התשובות של סוכן תלויה באיכות הכלים שהוא יכול להשתמש בהם. מוסיפים את הקוד הבא לחלק התחתון של agent.py כדי להגדיר את הכלים:

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

   הסבר על הכלים
   • ‫add_prompt_to_state 📝: הכלי הזה זוכר את השאלות של המבקרים בגן החיות. כשמבקר שואל "איפה האריות?", הכלי הזה שומר את השאלה הספציפית בזיכרון של הסוכן, כדי שהסוכנים האחרים בתהליך העבודה יידעו מה לחפש.
     איך: זו פונקציית Python שכותבת את ההנחיה של המבקר למילון tool_context.state המשותף. ההקשר של הכלי הזה מייצג את הזיכרון לטווח קצר של הסוכן לשיחה אחת. סוכן אחד יכול לשמור נתונים במצב, והסוכן הבא בתהליך העבודה יכול לקרוא את הנתונים האלה.
   • ‫LangchainTool 🌍: האפשרות הזו מעניקה לסוכן מדריך הטיולים ידע כללי על העולם. אם מבקר שואל שאלה שלא מופיעה במסד הנתונים של גן החיות, כמו "מה אריות אוכלים בטבע?", הכלי הזה מאפשר לנציג לחפש את התשובה בוויקיפדיה.
     איך: הוא פועל כמתאם, ומאפשר לסוכן שלנו להשתמש בכלי WikipediaQueryRun שנבנה מראש מתוך ספריית LangChain.
     
     
4. הגדרת סוכנים מומחים: מוסיפים את הקוד הבא לתחתית של agent.py כדי להגדיר את הסוכנים comprehensive_researcher ו-response_formatter:

   # 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=[
           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 }
       """
   )
   

   • הנציג comprehensive_researcher הוא ה "מוח" של הפעולה שלנו. הוא מקבל את ההנחיה של המשתמש מState המשותף, בודק אם היא מתאימה לכלי של ויקיפדיה ומחליט באילו כלים להשתמש כדי למצוא את התשובה.
   • התפקיד של נציג response_formatter הוא הצגה. הוא מקבל את הנתונים הגולמיים שנאספו על ידי סוכן המחקר (שמועברים דרך ה-State) ומשתמש ביכולות השפה של ה-LLM כדי להפוך אותם לתשובה ידידותית ושיחתית.
     
5. הגדרת סוכן Workflow: מוסיפים את בלוק הקוד הזה לחלק התחתון של agent.py כדי להגדיר את הסוכן הרציף tour_guide_workflow:

   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
       ]
   )
   

   סוכן זרימת העבודה משמש כמנהל 'המשרד האחורי' של הסיור בגן החיות. הוא מקבל את בקשת המחקר ומוודא ששני הסוכנים שהגדרנו למעלה מבצעים את העבודה שלהם בסדר הנכון: קודם מחקר ואז עיצוב. כך נוצר תהליך צפוי ומהימן למענה על שאלות של מבקרים.
   איך: זהו SequentialAgent, סוג מיוחד של סוכן שלא חושב בעצמו. התפקיד היחיד שלו הוא להריץ רשימה של sub_agents (החוקר ומעצב הפלט) ברצף קבוע, ולהעביר באופן אוטומטי את הזיכרון המשותף מאחד לשני.
6. הרכבת תהליך העבודה הראשי: מוסיפים את בלוק הקוד הסופי הזה לחלק התחתון של agent.py כדי להגדיר את root_agent:
   ‫

   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]
   )
   

   מסגרת ADK משתמשת ב-root_agent כנקודת התחלה לכל השיחות החדשות. התפקיד העיקרי שלו הוא לתאם את התהליך הכולל. הוא פועל כבקר הראשוני שמנהל את התור הראשון של השיחה.
   

הקובץ המלא agent.py

הקובץ agent.py הושלם. כך תוכלו לראות איך לכל רכיב – כלים, סוכני עובדים וסוכני ניהול – יש תפקיד ספציפי ביצירת המערכת החכמה הסופית.

הקובץ המלא צריך להיראות כך:

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.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")

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

# 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=[
        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 }
    """
)

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
    ]
)

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]
)

השלב הבא הוא פריסה.

8. הכנת האפליקציה לפריסה

בדיקת המבנה הסופי

לפני הפריסה, מוודאים שספריית הפרויקט מכילה את הקבצים הנכונים.

• מוודאים שהתיקייה zoo_guide_agent נראית כך:

  zoo_guide_agent/
  ├── .env
  ├── __init__.py
  ├── agent.py
  └── requirements.txt
  

הגדרת הרשאות IAM

אחרי שהקוד המקומי מוכן, השלב הבא הוא להגדיר את הזהות שבה הסוכן ישתמש בענן.

1. בטרמינל, טוענים את המשתנים לסשן של המעטפת.

   source .env
   

   הערה: אם הסשן שלכם ב-Cloud Shell מתרענן או שאתם פותחים כרטיסיית טרמינל חדשה, יכול להיות שתצטרכו להריץ את הפקודה source .env שוב כדי לטעון מחדש את המשתנים האלה.

2. יוצרים חשבון שירות ייעודי לשירות Cloud Run, כדי שיהיו לו הרשאות ספציפיות משלו. מדביקים את הטקסט הבא בטרמינל:

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

   כשיוצרים זהות ייעודית לאפליקציה ספציפית, מוודאים שלסוכן יש רק את ההרשאות שהוא צריך, במקום להשתמש בחשבון ברירת מחדל עם גישה רחבה מדי.
3. נותנים לחשבון השירות את התפקיד Vertex AI User (משתמש Vertex AI), שמעניק לו הרשאה להפעיל את המודלים של 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"
   

9. פריסת הסוכן באמצעות ADK CLI

אחרי שהקוד המקומי מוכן והפרויקט ב-Google Cloud מוכן, הגיע הזמן לפרוס את הסוכן. תשתמשו בפקודה adk deploy cloud_run, כלי נוח שמבצע אוטומציה של כל תהליך הפריסה. הפקודה הזו אורזת את הקוד, יוצרת קובץ אימג' בקונטיינר, מעבירה אותו בדחיפה אל Artifact Registry ומפעילה את השירות ב-Cloud Run, כך שאפשר לגשת אליו באינטרנט.

1. מריצים את הפקודה הבאה בטרמינל כדי לפרוס את הסוכן.
   ‫

   # Run the deployment command
   uvx --from google-adk \
   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
   

   הפקודה uvx מאפשרת להריץ כלי שורת פקודה שפורסמו כחבילות Python בלי לדרוש התקנה גלובלית של הכלים האלה.

   הערה: הפקודה הבאה לפריסה תימשך כמה דקות.

2. אם מוצגת ההודעה הבאה:

   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)?
   

   אם כן, מקלידים Y ומקישים על Enter.
3. אם מוצגת ההודעה הבאה:
   ‫

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

   מקלידים y ומקישים על ENTER. האפשרות הזו מאפשרת הפעלות לא מאומתות של המעבדה הזו לצורך בדיקה קלה.

   הערה: לכל מי שיש את כתובת ה-URL תהיה גישה לסוכן הזה, ולכן השיטה הזו מתאימה בעיקר לבדיקות.

   אם הפקודה תופעל בהצלחה, היא תחזיר את כתובת ה-URL של שירות Cloud Run שנפרס. (הוא ייראה בערך כך: https://zoo-tour-guide-123456789.europe-west1.run.app).
4. מעתיקים את כתובת ה-URL של שירות Cloud Run שנפרס למשימה הבאה.

10. בדיקת הסוכן שנפרס

אחרי שהסוכן יפעל ב-Cloud Run, תבצעו בדיקה כדי לוודא שהפריסה הצליחה והסוכן פועל כמו שצריך. תשתמשו בכתובת ה-URL הציבורית של השירות (למשל https://zoo-tour-guide-123456789.europe-west1.run.app/) כדי לגשת לממשק האינטרנט של ADK ולקיים אינטראקציה עם הסוכן.

1. פותחים את כתובת ה-URL הציבורית של שירות Cloud Run בדפדפן האינטרנט. בגלל שהשתמשת ב---with_ui flag, אמור להופיע ממשק המשתמש של מפתח ה-ADK.
2. מעבירים את המתג Token Streaming בפינה השמאלית העליונה למצב מופעל.
   עכשיו אפשר לנהל שיחה עם נציג הגן.
3. מקלידים hello ומקישים על Enter כדי להתחיל שיחה חדשה.
4. בודקים את התוצאה. הסוכן צריך להגיב במהירות עם הודעת הפתיחה שלו, שתהיה בערך כזו:

   "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?"
   

5. אפשר לשאול את הסוכן שאלות כמו:

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

   

הסבר על תהליך העבודה של הסוכן

המערכת פועלת כצוות חכם של כמה סוכנים. התהליך מנוהל באמצעות רצף ברור כדי להבטיח זרימה חלקה ויעילה מהשאלה של המשתמש ועד לתשובה המפורטת הסופית.

1. הדלפק לקבלת פנים בגן החיות

התהליך כולו מתחיל בסוכן המקבל את השיחה.

• התפקיד שלו: להתחיל את השיחה. ההוראה היא לברך את המשתמש ולשאול אותו על איזו חיה הוא רוצה לקבל מידע.
• הכלי שלו: כשהמשתמש משיב, המארח משתמש בכלי add_prompt_to_state כדי לתעד את המילים המדויקות שלו (למשל, ‫"tell me about the lions") ולשמור אותן בזיכרון המערכת.
• העברת השליטה: אחרי ששומרים את ההנחיה, השליטה מועברת מיד לסוכן המשנה שלה, tour_guide_workflow.

2. החוקר המקיף (החוקר המעולה)

זהו השלב הראשון בתהליך העבודה הראשי ו'המוח' של הפעולה. במקום צוות גדול, יש לכם עכשיו נציג אחד מיומן מאוד שיכול לגשת לכל המידע הזמין.

• התפקיד שלו: לנתח את השאלה של המשתמש ולגבש תוכנית חכמה. הוא משתמש ביכולת השימוש בכלים של מודל השפה כדי להחליט אם הוא צריך:
  • ידע כללי מהאינטרנט (באמצעות Wikipedia API).
  • או בשתיהן, אם השאלה מורכבת.

3. הכלי לעיצוב תשובות (הכלי להצגת מידע)

אחרי שסוכן המחקר המקיף אוסף את כל העובדות, זה הסוכן האחרון שמופעל.

• התפקיד שלו: לשמש כקול הידידותי של מדריך הסיור בגן החיות. הוא לוקח את הנתונים הגולמיים (שיכולים להגיע ממקור אחד או משני המקורות) ומבצע בהם שיפורים.
• הפעולה שלו: הוא מסנתז את כל המידע לתשובה אחת מגובשת ומעניינת. הוא פועל לפי ההוראות, ומציג קודם את המידע הספציפי על גן החיות ואז מוסיף את העובדות הכלליות המעניינות.
• התוצאה הסופית: הטקסט שנוצר על ידי הסוכן הזה הוא התשובה המלאה והמפורטת שהמשתמש רואה בחלון הצ'אט.

אם אתם רוצים לקבל מידע נוסף על יצירת סוכנים, כדאי לעיין במקורות המידע הבאים:

1. מסמכי ADK
2. יצירת כלים בהתאמה אישית לסוכני ADK

11. ניקוי הסביבה

כדי להימנע מחיובים בחשבון Google Cloud בגלל השימוש במשאבים שנעשה במסגרת המדריך הזה, אפשר למחוק את הפרויקט שמכיל את המשאבים, או להשאיר את הפרויקט ולמחוק את המשאבים בנפרד.

מחיקת השירותים והתמונות של Cloud Run

אם אתם רוצים לשמור את הפרויקט ב-Google Cloud אבל להסיר את המשאבים הספציפיים שנוצרו במעבדה הזו, אתם צריכים למחוק גם את השירות הפעיל וגם את קובץ האימג' בקונטיינר שמאוחסן במאגר.

• מריצים את הפקודות הבאות בטרמינל:

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

מחיקת הפרויקט (אופציונלי)

אם יצרתם פרויקט חדש במיוחד בשביל ה-Lab הזה ואתם לא מתכננים להשתמש בו שוב, הדרך הכי קלה לנקות אותו היא למחוק את הפרויקט כולו. כך מוודאים שכל המשאבים (כולל חשבון השירות וכל ארטיפקט של בנייה מוסתר) יוסרו לחלוטין.

• בטרמינל, מריצים את הפקודה הבאה (מחליפים את [YOUR_PROJECT_ID] במזהה הפרויקט בפועל):

  gcloud projects delete $PROJECT_ID
  

  מחיקת פרויקט היא פעולה שלא ניתן לבטל. לפני שממשיכים, צריך לוודא שלא נעשה שימוש בפרויקט הזה לעבודה אחרת.

12. מזל טוב

יצרתם ופרסתם בהצלחה אפליקציית AI מרובת סוכנים ב-Google Cloud.

Recap

בשיעור ה-Lab הזה עברתם מספרייה ריקה לשירות AI פעיל שנגיש לכולם. ריכזנו בשבילך את הפריטים שיצרת:

• יצרתם צוות מומחים: במקום להשתמש ב-AI גנרי אחד, יצרתם 'חוקר' שימצא עובדות ו'מעצב' שישפר את התשובה.
• נתת להם כלים: חיברת את הסוכנים שלך לעולם החיצוני באמצעות Wikipedia API.
• העברתם את הקוד: לקחתם את קוד Python המקומי ופרסתם אותו כקונטיינר ללא שרת ב-Cloud Run, תוך אבטחה שלו באמצעות חשבון שירות ייעודי.

מה נכלל

• איך לבנות פרויקט Python לפריסה באמצעות ADK.
• איך מטמיעים תהליך עבודה עם כמה נציגים באמצעות [SequentialAgent](https://google.github.io/adk-docs/agents/workflow-agents/sequential-agents/)
• איך מטמיעים כלים חיצוניים כמו Wikipedia API.
• איך פורסים סוכן ל-Cloud Run באמצעות הפקודה adk deploy.

13. סקר

פלט:

איך תשתמשו במדריך הזה?

רק כבר קראתי את הטקסט כבר קראתי את הטקסט ומבצעים את התרגילים