Cloud Run पर ADK एजेंट बनाना और उसे डिप्लॉय करना

1. परिचय

इस लैब में, क्लाइंट एजेंट सेवा को लागू करने और उसे डिप्लॉय करने पर फ़ोकस किया गया है. आपको टूल इस्तेमाल करने वाले एआई एजेंट को बनाने के लिए, Agent Development Kit (ADK) का इस्तेमाल करना होगा.

इस लैब में, हम एक चिड़ियाघर एजेंट बना रहे हैं. यह एजेंट, जानवरों के बारे में सवालों के जवाब देने के लिए Wikipedia का इस्तेमाल करता है.

आखिर में, हम टूर गाइड एजेंट को सिर्फ़ स्थानीय तौर पर चलाने के बजाय, Google Cloud Run पर डिप्लॉय करेंगे.

ज़रूरी शर्तें

• बिलिंग की सुविधा वाला Google क्लाउड प्रोजेक्ट.

आपको क्या सीखने को मिलेगा

• ADK डिप्लॉयमेंट के लिए, Python प्रोजेक्ट को कैसे स्ट्रक्चर करें.
• google-adk की मदद से, टूल का इस्तेमाल करने वाले एजेंट को लागू करने का तरीका.
• Python ऐप्लिकेशन को Cloud Run पर सर्वरलेस कंटेनर के तौर पर डिप्लॉय करने का तरीका.
• आईएएम भूमिकाओं का इस्तेमाल करके, सेवा से सेवा के बीच सुरक्षित पुष्टि करने की सुविधा को कॉन्फ़िगर करने का तरीका.
• आने वाले समय में लगने वाले शुल्क से बचने के लिए, Cloud संसाधनों को मिटाने का तरीका.

आपको किन चीज़ों की ज़रूरत होगी

• Google Cloud खाता और Google Cloud प्रोजेक्ट
• कोई वेब ब्राउज़र, जैसे कि Chrome

2. Cloud Run पर डिप्लॉय क्यों करें?

Cloud Run, ADK एजेंट को होस्ट करने के लिए एक बेहतरीन विकल्प है. ऐसा इसलिए, क्योंकि यह बिना सर्वर वाला प्लैटफ़ॉर्म है. इसका मतलब है कि आपको बुनियादी इंफ़्रास्ट्रक्चर को मैनेज करने के बजाय, अपने कोड पर ध्यान देने का मौका मिलता है. हम आपके लिए ऑपरेशनल काम करते हैं.

इसे एक पॉप-अप शॉप की तरह समझें: यह सिर्फ़ तब खुलती है और संसाधनों का इस्तेमाल करती है, जब ग्राहक (अनुरोध) आते हैं. जब कोई खरीदार नहीं होता है, तो यह पूरी तरह से बंद हो जाता है. साथ ही, आपको खाली स्टोर के लिए कोई शुल्क नहीं देना पड़ता.

मुख्य सुविधाएं

'कंटेनर को किसी भी जगह पर चलाने की सुविधा' के बारे में जानकारी:

• आपको एक कंटेनर (Docker इमेज) मिलता है, जिसमें आपका ऐप्लिकेशन मौजूद होता है.
• Cloud Run, इसे Google के इंफ़्रास्ट्रक्चर पर चलाता है.
• ओएस पैचिंग, वीएम सेटअप या स्केलिंग से जुड़ी कोई समस्या नहीं होती.

अपने-आप स्केल होने की सुविधा:

• अगर कोई भी व्यक्ति आपके ऐप्लिकेशन का इस्तेमाल नहीं कर रहा है, तो → 0 इंस्टेंस चलेंगे (यह कम होकर शून्य इंस्टेंस हो जाता है, जो कि किफ़ायती है).
• अगर इस पर 1,000 अनुरोध आते हैं, तो यह ज़रूरत के हिसाब से उतनी ही कॉपी बना लेता है.

डिफ़ॉल्ट रूप से स्टेटलेस:

• हर अनुरोध, किसी दूसरे इंस्टेंस पर जा सकता है.
• अगर आपको स्थिति सेव करनी है, तो Cloud SQL, Firestore या Memorystore जैसी बाहरी सेवा का इस्तेमाल करें.

किसी भी भाषा या फ़्रेमवर्क के साथ काम करता है:

• Cloud Run को इससे कोई फ़र्क़ नहीं पड़ता कि वह Python, Go, Node.js, Java या .Net है. हालांकि, यह ज़रूरी है कि वह Linux कंटेनर में चलता हो.

जितना इस्तेमाल करें सिर्फ़ उतने के लिए पैसे चुकाएं:

• अनुरोध के आधार पर बिलिंग: हर अनुरोध के लिए बिल किया जाता है. साथ ही, कंप्यूटिंग में लगने वाले समय (100 मि॰से॰ तक) के लिए भी बिल किया जाता है.
• इंस्टेंस के आधार पर बिलिंग: पूरे इंस्टेंस के लिए बिल किया जाता है (हर अनुरोध के लिए कोई शुल्क नहीं).

3. प्रोजेक्ट सेटअप करना

Google खाता

अगर आपके पास पहले से कोई निजी Google खाता नहीं है, तो आपको Google खाता बनाना होगा.

ऑफ़िस या स्कूल वाले खाते के बजाय, निजी खाते का इस्तेमाल करें.

ऑफ़िस और स्कूल वाले खातों पर कुछ पाबंदियां हो सकती हैं. इनकी वजह से, इस लैब के लिए ज़रूरी एपीआई चालू नहीं किए जा सकते.

Google Cloud Console में साइन इन करना

किसी निजी Google खाते का इस्तेमाल करके, Google Cloud Console में साइन इन करें.

बिलिंग चालू करें

निजी बिलिंग खाता सेट अप करना

अगर आपने Google Cloud क्रेडिट का इस्तेमाल करके बिलिंग सेट अप की है, तो इस चरण को छोड़ें.

निजी बिलिंग खाता सेट अप करने के लिए, Cloud Console में बिलिंग की सुविधा चालू करने के लिए यहां जाएं.

ध्यान दें:

• इस लैब को पूरा करने में, Cloud संसाधनों पर 1 डॉलर से कम खर्च आना चाहिए.
• ज़्यादा शुल्क से बचने के लिए, संसाधनों को मिटाने का तरीका जानने के लिए, इस लैब के आखिर में दिए गए निर्देशों का पालन करें.
• नए उपयोगकर्ता, 300 डॉलर का क्रेडिट मुफ़्त में आज़मा सकते हैं.

प्रोजेक्ट बनाना (ज़रूरी नहीं)

अगर आपको इस लैब के लिए किसी मौजूदा प्रोजेक्ट का इस्तेमाल नहीं करना है, तो यहां नया प्रोजेक्ट बनाएं.

4. Cloud Shell Editor खोलें

1. सीधे Cloud Shell Editor पर जाने के लिए, इस लिंक पर क्लिक करें
2. अगर आज किसी भी समय अनुमति देने के लिए कहा जाता है, तो जारी रखने के लिए अनुमति दें पर क्लिक करें.
3. अगर टर्मिनल स्क्रीन पर सबसे नीचे नहीं दिखता है, तो इसे खोलें:
   • देखें पर क्लिक करें
   • टर्मिनल पर क्लिक करें

5. अपना प्रोजेक्ट सेट करना

1. टर्मिनल में, इस कमांड का इस्तेमाल करके अपना प्रोजेक्ट सेट करें:

   gcloud config set project [PROJECT_ID]
   

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

   अगर आपको अपना प्रोजेक्ट आईडी याद नहीं है, तो इन कमांड का इस्तेमाल करके अपने सभी प्रोजेक्ट आईडी की सूची देखी जा सकती है: gcloud projects list

   
2. आपको यह मैसेज दिखेगा:

   Updated property [core/project].
   

   अगर आपको WARNING दिखता है और आपसे Do you want to continue (Y/n)? पूछा जाता है, तो हो सकता है कि आपने प्रोजेक्ट आईडी गलत डाला हो. n दबाएं, Enter दबाएं, और gcloud config set project निर्देश को फिर से चलाने की कोशिश करें.

6. एपीआई चालू करें

Cloud Run, Artifact Registry, Cloud Build, Vertex AI, और Compute Engine का इस्तेमाल करने के लिए, आपको अपने Google क्लाउड प्रोजेक्ट में इनसे जुड़े एपीआई चालू करने होंगे.

• टर्मिनल में, इन एपीआई को चालू करें:

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

  यह प्रोसेस पूरी होने के बाद, आपको इस तरह का आउटपुट दिखेगा:

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

एपीआई के बारे में जानकारी

• Cloud Run Admin API (run.googleapis.com) की मदद से, पूरी तरह से मैनेज किए गए एनवायरमेंट में फ़्रंटएंड और बैकएंड सेवाएं, बैच जॉब या वेबसाइटें चलाई जा सकती हैं. यह कंटेनर वाले ऐप्लिकेशन को डिप्लॉय करने और उन्हें स्केल करने के लिए, इंफ़्रास्ट्रक्चर को मैनेज करता है.
• Artifact Registry API (artifactregistry.googleapis.com) आपकी कंटेनर इमेज को सेव करने के लिए, सुरक्षित और निजी रिपॉज़िटरी उपलब्ध कराता है. यह Container Registry का नया वर्शन है. यह Cloud Run और Cloud Build के साथ आसानी से इंटिग्रेट हो जाता है.
• Cloud Build API (cloudbuild.googleapis.com) एक सर्वरलेस CI/CD प्लैटफ़ॉर्म है. यह Google Cloud के इन्फ़्रास्ट्रक्चर पर आपकी बिल्ड प्रोसेस को पूरा करता है. इसका इस्तेमाल, Dockerfile से क्लाउड में कंटेनर इमेज बनाने के लिए किया जाता है.
• Vertex AI API (aiplatform.googleapis.com) की मदद से, डिप्लॉय किया गया आपका ऐप्लिकेशन, Gemini मॉडल के साथ कम्यूनिकेट कर सकता है. इससे एआई से जुड़े मुख्य टास्क पूरे किए जा सकते हैं. यह Google Cloud की सभी एआई सेवाओं के लिए, यूनिफ़ाइड एपीआई उपलब्ध कराता है.
• Compute Engine API (compute.googleapis.com) की मदद से, सुरक्षित और पसंद के मुताबिक बनाई जा सकने वाली वर्चुअल मशीनें मिलती हैं. ये मशीनें Google के इन्फ़्रास्ट्रक्चर पर काम करती हैं. Cloud Run को मैनेज किया जाता है. हालांकि, कई नेटवर्किंग और कंप्यूट संसाधनों के लिए, Compute Engine API की अक्सर बुनियादी तौर पर ज़रूरत होती है.

7. अपना डेवलपमेंट एनवायरमेंट तैयार करना

डायरेक्ट्री बनाना

1. टर्मिनल में, प्रोजेक्ट डायरेक्ट्री और ज़रूरी सबडायरेक्ट्री बनाएं:

   cd && mkdir zoo_guide_agent && cd zoo_guide_agent
   

2. Cloud Shell Editor एक्सप्लोरर में zoo_guide_agent डायरेक्ट्री खोलने के लिए, टर्मिनल में यह कमांड चलाएं:

   cloudshell open-workspace ~/zoo_guide_agent
   

3. बाईं ओर मौजूद एक्सप्लोरर पैनल रीफ़्रेश हो जाएगा. अब आपको बनाई गई डायरेक्ट्री दिखेगी.
   
   

   ऐसा करने पर, अगर टर्मिनल बंद हो जाता है, तो इसे फिर से खोलने के लिए, सबसे ऊपर मौजूद मेन्यू में व्यू और फिर टर्मिनल पर क्लिक करें.

   CRITICAL: नया वर्कस्पेस खोलने पर, Cloud Shell Editor रीसेट हो जाता है और आपका टर्मिनल सेशन फिर से शुरू हो जाता है. आपको यह पक्का करना होगा कि आपने टर्मिनल को फिर से खोल लिया हो. साथ ही, यह भी पुष्टि करनी होगी कि आप सही डायरेक्ट्री ~/zoo_guide_agent में हैं. इसके लिए, ज़रूरत पड़ने पर pwd और cd ~/zoo_guide_agent चलाएं. इसके अलावा, यह भी पक्का करें कि आपका gcloud प्रोजेक्ट अब भी चुना गया हो. इसके लिए, ज़रूरत पड़ने पर gcloud config set project [PROJECT_ID] चलाएं.

ऐप्लिकेशन इंस्टॉल करने की ज़रूरी शर्तें

1. requirements.txt फ़ाइल बनाने के लिए, टर्मिनल में यह कमांड चलाएं.

   cloudshell edit requirements.txt
   

2. नई बनाई गई requirements.txt फ़ाइल में यह जानकारी जोड़ें

   google-adk==2.4.0
   langchain-community==0.3.27
   wikipedia==1.4.0
   

3. टर्मिनल में, uv का इस्तेमाल करके वर्चुअल एनवायरमेंट बनाएं और उसे चालू करें. इससे यह पक्का होता है कि आपके प्रोजेक्ट की डिपेंडेंसी, सिस्टम Python से मेल नहीं खाती हैं.

   uv venv
   source .venv/bin/activate
   

   ध्यान दें: अगर आपका Cloud Shell सेशन रीफ़्रेश होता है या आपने कोई नया टर्मिनल टैब खोला है, तो आपको source .venv/bin/activate चलाकर वर्चुअल एनवायरमेंट को फिर से चालू करना पड़ सकता है.

4. टर्मिनल में, अपने वर्चुअल एनवायरमेंट में ज़रूरी पैकेज इंस्टॉल करें.

   uv pip install -r requirements.txt
   

सेवा खाता बनाना और आईएएम अनुमतियां कॉन्फ़िगर करना

एजेंट बनाने से पहले, आपको एक सेवा खाता बनाना होगा और ज़रूरी अनुमतियां कॉन्फ़िगर करनी होंगी. इससे यह पक्का किया जा सकता है कि आपका एजेंट, Vertex AI मॉडल को कॉल कर सकता है और Cloud Build आपके ऐप्लिकेशन को सही तरीके से डिप्लॉय कर सकता है.

1. टर्मिनल में, अपनी Cloud Run सेवा के लिए एक सेवा खाता बनाएं:

   SA_NAME=lab-service-account
   PROJECT_ID=$(gcloud config get-value project)
   gcloud iam service-accounts create ${SA_NAME} \
       --display-name="Service Account for Zoo Agent"
   

2. सेवा खाते को Vertex AI उपयोगकर्ता की भूमिका असाइन करें, ताकि आपका एजेंट Gemini को कॉल कर सके:

   gcloud projects add-iam-policy-binding $PROJECT_ID \
     --member="serviceAccount:${SA_NAME}@${PROJECT_ID}.iam.gserviceaccount.com" \
     --role="roles/aiplatform.user"
   

3. Cloud Build की अनुमतियां कॉन्फ़िगर करें. Google Cloud के नए प्रोजेक्ट में, डिफ़ॉल्ट सेवा खाते की अनुमतियों को सीमित कर दिया जाता है. इसलिए, आपको Compute Engine के डिफ़ॉल्ट सेवा खाते को कंटेनर बनाने और उसे डिप्लॉय करने के लिए ज़रूरी भूमिकाएं देनी होंगी. टर्मिनल में ये कमांड चलाएं:

   PROJECT_NUMBER=$(gcloud projects describe $PROJECT_ID --format="value(projectNumber)")
   
   # Grant Artifact Registry Writer role
   gcloud projects add-iam-policy-binding $PROJECT_ID \
     --member="serviceAccount:${PROJECT_NUMBER}[e-mail]" \
     --role="roles/artifactregistry.writer"
   
   # Grant Storage Object Viewer role
   gcloud projects add-iam-policy-binding $PROJECT_ID \
     --member="serviceAccount:${PROJECT_NUMBER}[e-mail]" \
     --role="roles/storage.objectViewer"
   
   # Grant Logs Writer role
   gcloud projects add-iam-policy-binding $PROJECT_ID \
     --member="serviceAccount:${PROJECT_NUMBER}[e-mail]" \
     --role="roles/logging.logWriter"
   

एनवायरमेंट वैरिएबल सेट अप करना

अब आपको एक .env फ़ाइल बनानी होगी. इसमें एजेंट और डिप्लॉयमेंट स्क्रिप्ट के लिए इस्तेमाल किए गए एनवायरमेंट वैरिएबल शामिल होंगे.

1. पिछले चरण में, आपने अपने टर्मिनल सेशन में वैरिएबल पहले ही तय कर दिए थे. इसलिए, सीधे .env फ़ाइल बनाई जा सकती है:

   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-3.5-flash"
   EOF
   

   .env फ़ाइल देखें और पक्का करें कि PROJECT_ID, PROJECT_NUMBER, और SERVICE_ACCOUNT, तीनों को वैल्यू असाइन की गई हों. अगर प्रोजेक्ट की जानकारी मौजूद नहीं है, तो gcloud projects list चलाकर उसे ढूंढें. सेवा खाता मौजूद है या नहीं, इसकी पुष्टि करने के लिए यह कमांड चलाएं: gcloud iam service-accounts list.

8. एजेंट वर्कफ़्लो बनाना

__init__.py फ़ाइल बनाएं

1. टर्मिनल में यह कमांड चलाकर, init.py फ़ाइल बनाएं:

   cloudshell edit __init__.py
   

   इस फ़ाइल से Python को पता चलता है कि zoo_guide_agent डायरेक्ट्री एक पैकेज है.
2. नई __init__.py फ़ाइल में यह कोड जोड़ें:

   from . import agent
   

agent.py फ़ाइल बनाना

1. टर्मिनल में यहां दी गई कमांड चिपकाकर, मुख्य agent.py फ़ाइल बनाएं.

   cloudshell edit agent.py
   

2. इंपोर्ट और शुरुआती सेटअप: अपनी मौजूदा खाली agent.py फ़ाइल में यह कोड जोड़ें:

   import os
   import 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 ---
   
   load_dotenv()
   
   model_name = os.getenv("MODEL")
   

   agent.py फ़ाइल का यह पहला ब्लॉक, ADK और Google Cloud से सभी ज़रूरी लाइब्रेरी लाता है. यह लॉगिंग भी सेट अप करता है और आपकी .env फ़ाइल से एनवायरमेंट वैरिएबल लोड करता है. यह आपके मॉडल और सर्वर यूआरएल को ऐक्सेस करने के लिए ज़रूरी है.
3. टूल तय करना: एजेंट उतना ही अच्छा होता है जितना वह टूल इस्तेमाल कर सकता है. टूल तय करने के लिए, agent.py के सबसे नीचे यह कोड जोड़ें:

   # 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
   api_wrapper = WikipediaAPIWrapper(top_k_results=1, doc_content_chars_max=1000)
   api_wrapper.wiki_client.set_user_agent("ZooTourGuideAgent/1.0")
   wikipedia_tool = LangchainTool(
       tool=WikipediaQueryRun(api_wrapper=api_wrapper)
   )
   

   टूल के बारे में जानकारी
   • add_prompt_to_state 📝: यह टूल, चिड़ियाघर आने वाले व्यक्ति के सवालों को याद रखता है. जब कोई व्यक्ति पूछता है, "शेर कहां हैं?", तो यह टूल उस सवाल को एजेंट की मेमोरी में सेव कर लेता है. इससे वर्कफ़्लो में शामिल अन्य एजेंट को पता चलता है कि उन्हें किस बारे में रिसर्च करनी है.
     कैसे: यह एक Python फ़ंक्शन है, जो वेबसाइट पर आने वाले व्यक्ति के प्रॉम्प्ट को शेयर किए गए tool_context.state डिक्शनरी में लिखता है. इस टूल का कॉन्टेक्स्ट, किसी बातचीत के दौरान एजेंट की शॉर्ट-टर्म मेमोरी को दिखाता है. किसी एजेंट के सेव किए गए डेटा को, वर्कफ़्लो में मौजूद अगला एजेंट पढ़ सकता है.
   • LangchainTool 🌍: इससे टूर गाइड एजेंट को दुनिया के बारे में सामान्य जानकारी मिलती है. जब कोई व्यक्ति ऐसा सवाल पूछता है जिसका जवाब चिड़ियाघर के डेटाबेस में मौजूद नहीं है, जैसे कि "जंगल में शेर क्या खाते हैं?", तो यह टूल एजेंट को Wikipedia पर जवाब ढूंढने की सुविधा देता है. (Wikipedia टूल का इस्तेमाल करना गाइड में, Wikipedia टूल को कॉन्फ़िगर करने और कॉल करने के बारे में ज़्यादा जानें).
     कैसे: यह एक अडैप्टर के तौर पर काम करता है. इससे हमारा एजेंट, LangChain लाइब्रेरी से पहले से बना WikipediaQueryRun टूल इस्तेमाल कर पाता है.
     
     
4. स्पेशलिस्ट एजेंट तय करना: comprehensive_researcher और response_formatter एजेंट तय करने के लिए, agent.py के सबसे नीचे यह कोड जोड़ें:

   # 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 }
       """
   )
   

   • comprehensive_researcher एजेंट, हमारे ऑपरेशन का "दिमाग" है. यह शेयर किए गए State से उपयोगकर्ता का प्रॉम्प्ट लेता है. इसके बाद, यह जांच करता है कि यह Wikipedia टूल है या नहीं. इसके बाद, यह तय करता है कि जवाब ढूंढने के लिए किन टूल का इस्तेमाल करना है.
   • response_formatter एजेंट की भूमिका प्रज़ेंटेशन की है. यह रिसर्चर एजेंट से मिले रॉ डेटा को लेता है. यह डेटा, स्टेट के ज़रिए पास किया जाता है. इसके बाद, यह एलएलएम की भाषा से जुड़ी क्षमताओं का इस्तेमाल करके, इस डेटा को बातचीत वाले जवाब में बदलता है.
     
5. वर्कफ़्लो एजेंट तय करना: क्रम से काम करने वाले एजेंट tour_guide_workflow को तय करने के लिए, कोड के इस ब्लॉक को agent.py के सबसे नीचे जोड़ें:

   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
       ]
   )
   

   वर्कफ़्लो एजेंट, चिड़ियाघर के टूर के लिए ‘बैक-ऑफ़िस' मैनेजर के तौर पर काम करता है. यह रिसर्च के अनुरोध को लेता है और यह पक्का करता है कि ऊपर बताए गए दोनों एजेंट, अपने काम को सही क्रम में करें: पहले रिसर्च करें, फिर फ़ॉर्मैटिंग करें. इससे, वेबसाइट पर आने वाले व्यक्ति के सवाल का जवाब देने के लिए, भरोसेमंद और अनुमानित प्रोसेस तैयार होती है.
   कैसे: यह एक SequentialAgent है. यह एक खास तरह का एजेंट है, जो अपने-आप नहीं सोचता. इसका काम सिर्फ़ sub_agents (रिसर्चर और फ़ॉर्मेटर) की सूची को एक तय क्रम में चलाना है. साथ ही, शेयर की गई मेमोरी को एक से दूसरे में अपने-आप पास करना है.
6. मुख्य वर्कफ़्लो को असेंबल करना: root_agent को तय करने के लिए, कोड के इस फ़ाइनल ब्लॉक को agent.py के सबसे नीचे जोड़ें:

   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]
   )
   

   ADK फ़्रेमवर्क, सभी नई बातचीत के लिए root_agent का इस्तेमाल शुरुआती पॉइंट के तौर पर करता है. इसकी मुख्य भूमिका, पूरी प्रोसेस को मैनेज करना है. यह शुरुआती कंट्रोलर के तौर पर काम करता है और बातचीत के पहले चरण को मैनेज करता है.
   

पूरी agent.py फ़ाइल

आपकी agent.py फ़ाइल अब पूरी हो गई है! इस तरह से इसे बनाने पर, यह देखा जा सकता है कि फ़ाइनल और बेहतर सिस्टम बनाने में, हर कॉम्पोनेंट—टूल, वर्कर एजेंट, और मैनेजर एजेंट—की क्या भूमिका है.

पूरी फ़ाइल ऐसी दिखनी चाहिए:

import os
import 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 ---

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
api_wrapper = WikipediaAPIWrapper(top_k_results=1, doc_content_chars_max=1000)
api_wrapper.wiki_client.set_user_agent("ZooTourGuideAgent/1.0")
wikipedia_tool = LangchainTool(
    tool=WikipediaQueryRun(api_wrapper=api_wrapper)
)

# 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]
)

अगला चरण है, डिप्लॉयमेंट!

9. ऐप्लिकेशन को डिप्लॉयमेंट के लिए तैयार करना

फ़ाइनल स्ट्रक्चर की जांच करना

डिप्लॉय करने से पहले, पुष्टि करें कि आपकी प्रोजेक्ट डायरेक्ट्री में सही फ़ाइलें मौजूद हों.

• पक्का करें कि आपका zoo_guide_agent फ़ोल्डर ऐसा दिखता हो:

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

.gcloudignore फ़ाइल को कॉन्फ़िगर करना और एनवायरमेंट वैरिएबल लोड करना

1. अपने वर्चुअल एनवायरमेंट (.venv/) और अन्य गैर-ज़रूरी फ़ाइलों को Google Cloud पर अपलोड होने से रोकने के लिए, zoo_guide_agent डायरेक्ट्री में .gcloudignore फ़ाइल बनाएं:

   cloudshell edit .gcloudignore
   

2. .gcloudignore में यह कॉन्टेंट जोड़ें:

   .gcloudignore
   .git
   .gitignore
   .venv/
   venv/
   __pycache__/
   .env
   

3. एनवायरमेंट वैरिएबल को अपने टर्मिनल सेशन में लोड करें:

   source .env
   

   ध्यान दें: अगर आपका Cloud Shell सेशन रीफ़्रेश होता है या आपने कोई नया टर्मिनल टैब खोला है, तो आपको इन वैरिएबल को फिर से लोड करने के लिए, source .env को फिर से चलाना होगा. इसके बाद ही, इन्हें डिप्लॉय किया जा सकेगा.

10. ADK CLI का इस्तेमाल करके एजेंट को डिप्लॉय करना

लोकल कोड तैयार होने और Google Cloud प्रोजेक्ट सेट अप होने के बाद, एजेंट को डिप्लॉय करने का समय आ गया है. आपको adk deploy cloud_run कमांड का इस्तेमाल करना होगा. यह एक ऐसा टूल है जो पूरे डिप्लॉयमेंट वर्कफ़्लो को अपने-आप पूरा कर देता है. इस एक कमांड से, आपका कोड पैकेज हो जाता है, कंटेनर इमेज बन जाती है, और उसे Artifact Registry पर पुश कर दिया जाता है. साथ ही, Cloud Run पर सेवा लॉन्च हो जाती है, ताकि इसे वेब पर ऐक्सेस किया जा सके.

1. अपने एजेंट को डिप्लॉय करने के लिए, टर्मिनल में यह कमांड चलाएं:

   # Run the deployment command
   uvx --from google-adk==2.4.0 \
   adk deploy cloud_run \
     --project=$PROJECT_ID \
     --region=europe-west1 \
     --service_name=zoo-tour-guide \
     --with_ui \
     . \
     -- \
     --allow-unauthenticated \
     --set-env-vars=MODEL=$MODEL,GOOGLE_GENAI_USE_VERTEXAI=TRUE,GOOGLE_CLOUD_PROJECT=$PROJECT_ID,GOOGLE_CLOUD_LOCATION=global \
     --labels=dev-tutorial=codelab-adk \
     --service-account=$SERVICE_ACCOUNT
   

   uvx कमांड की मदद से, Python पैकेज के तौर पर पब्लिश किए गए कमांड लाइन टूल को चलाया जा सकता है. इसके लिए, इन टूल को ग्लोबल तौर पर इंस्टॉल करने की ज़रूरत नहीं होती.

   ध्यान दें: नीचे दी गई डिप्लॉय कमांड को पूरा होने में कुछ मिनट लगेंगे.

2. अगर आपको यह मैसेज दिखता है:

   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)?
   

   अगर हां, तो Y टाइप करें और ENTER दबाएं.
3. कमांड के पूरा होने पर, यह डिप्लॉय की गई Cloud Run सेवा का यूआरएल उपलब्ध कराएगी. (यह कुछ ऐसा दिखेगा https://zoo-tour-guide-123456789.europe-west1.run.app).
4. अगले टास्क के लिए, डिप्लॉय की गई Cloud Run सेवा का यूआरएल कॉपी करें.

11. डिप्लॉय किए गए एजेंट को टेस्ट करना

आपका एजेंट अब Cloud Run पर लाइव हो गया है. इसलिए, आपको यह पुष्टि करने के लिए एक टेस्ट करना होगा कि एजेंट को सही तरीके से डिप्लॉय किया गया है और वह उम्मीद के मुताबिक काम कर रहा है. ADK के वेब इंटरफ़ेस को ऐक्सेस करने और एजेंट के साथ इंटरैक्ट करने के लिए, सार्वजनिक सेवा यूआरएल (https://zoo-tour-guide-123456789.europe-west1.run.app/ जैसा कुछ) का इस्तेमाल किया जाएगा.

1. अपने वेब ब्राउज़र में, Cloud Run की सार्वजनिक सेवा का यूआरएल खोलें. --with_ui flag का इस्तेमाल करने पर, आपको एडीके डेवलपर यूज़र इंटरफ़ेस (यूआई) दिखेगा.
2. सबसे ऊपर दाईं ओर मौजूद, Token Streaming को टॉगल करके चालू करें.
   अब ज़ू एजेंट से बातचीत की जा सकती है.
3. नई बातचीत शुरू करने के लिए, hello टाइप करें और Enter दबाएं.
4. नतीजे देखें. एजेंट को तुरंत जवाब देना चाहिए. इसमें उसे अभिवादन करना चाहिए. यह कुछ इस तरह का होगा:

   "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. एजेंट से इस तरह के सवाल पूछें:

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

   

एजेंट फ़्लो के बारे में जानकारी

आपका सिस्टम, मल्टी-एजेंट टीम के तौर पर काम करता है. इस प्रोसेस को एक तय क्रम में मैनेज किया जाता है, ताकि उपयोगकर्ता के सवाल से लेकर जवाब तक की प्रोसेस आसानी से और असरदार तरीके से पूरी हो सके.

1. चिड़ियाघर में स्वागत करने वाला (वेलकम डेस्क)

पूरी प्रोसेस, ग्रीटर एजेंट से शुरू होती है.

• इसका काम: बातचीत शुरू करना. इसमें उपयोगकर्ता का अभिवादन करने और यह पूछने का निर्देश दिया गया है कि उसे किस जानवर के बारे में जानना है.
• इसका टूल: जब उपयोगकर्ता जवाब देता है, तो Greeter, add_prompt_to_state टूल का इस्तेमाल करके उसके शब्दों को कैप्चर करता है.जैसे, "मुझे शेरों के बारे में बताओ". इसके बाद, वह इन शब्दों को सिस्टम की मेमोरी में सेव करता है.
• हैंडऑफ़: प्रॉम्प्ट सेव करने के बाद, यह तुरंत कंट्रोल को अपने सब-एजेंट, tour_guide_workflow को पास कर देता है.

2. रिसर्च के लिए हर तरह की जानकारी देने वाला (सुपर-रिसर्चर)

यह मुख्य वर्कफ़्लो का पहला चरण है और यह ऑपरेशन का "दिमाग" है. अब आपके पास बड़ी टीम के बजाय, एक ऐसा एजेंट है जिसके पास सभी उपलब्ध जानकारी को ऐक्सेस करने की सुविधा है.

• इसका काम: उपयोगकर्ता के सवाल का विश्लेषण करना और एक बेहतर प्लान बनाना. यह भाषा मॉडल के टूल इस्तेमाल करने की सुविधा का इस्तेमाल करके यह तय करता है कि इसे इनकी ज़रूरत है या नहीं:
  • वेब से सामान्य जानकारी (Wikipedia API के ज़रिए).
  • इसके अलावा, मुश्किल सवालों के लिए दोनों का इस्तेमाल किया जा सकता है.

3. जवाब को फ़ॉर्मैट करने वाला (प्रज़ेंटर)

जब Comprehensive Researcher सभी तथ्य इकट्ठा कर लेता है, तब यह फ़ाइनल एजेंट काम करता है.

• इसका काम: चिड़ियाघर के टूर गाइड की तरह दोस्ताना लहजे में जवाब देना. यह रॉ डेटा (जो एक या दोनों सोर्स से मिल सकता है) लेता है और उसे बेहतर बनाता है.
• इसकी कार्रवाई: यह सभी जानकारी को एक साथ जोड़कर, एक ही जवाब में शामिल करता है. यह जवाब, सही क्रम में और दिलचस्प होता है. इसके निर्देशों का पालन करते हुए, यह सबसे पहले चिड़ियाघर के बारे में खास जानकारी देता है. इसके बाद, सामान्य जानकारी के तौर पर दिलचस्प तथ्य जोड़ता है.
• आखिरी नतीजा: इस एजेंट से जनरेट किया गया टेक्स्ट, पूरा और ज़्यादा जानकारी वाला जवाब होता है. यह जवाब, उपयोगकर्ता को चैट विंडो में दिखता है.

अगर आपको एजेंट बनाने के बारे में ज़्यादा जानना है, तो यहां दिए गए संसाधन देखें:

1. ADK के दस्तावेज़
2. ADK एजेंट के लिए कस्टम टूल बनाना

12. पर्यावरण को साफ़-सुथरा रखना

इस ट्यूटोरियल में इस्तेमाल किए गए संसाधनों के लिए, अपने Google Cloud खाते से शुल्क न लिए जाने के लिए, संसाधनों वाला प्रोजेक्ट मिटाएं या प्रोजेक्ट को बनाए रखें और अलग-अलग संसाधनों को मिटाएं.

Cloud Run की सेवाओं, इमेज, और संसाधनों को मिटाना

अगर आपको Google Cloud प्रोजेक्ट को बनाए रखना है, लेकिन इस लैब में बनाए गए कुछ संसाधनों को हटाना है, तो आपको चालू सेवा, कंटेनर इमेज रजिस्ट्री, कुछ समय के लिए सोर्स स्टोरेज बकेट, और सेवा खाता मिटाना होगा.

• टर्मिनल में ये कमांड चलाएं:

  gcloud run services delete zoo-tour-guide --region=europe-west1 --quiet
  gcloud artifacts repositories delete cloud-run-source-deploy --location=europe-west1 --quiet
  gsutil rm -r gs://run-sources-${PROJECT_ID}-europe-west1
  gcloud iam service-accounts delete lab-service-account@${PROJECT_ID}.iam.gserviceaccount.com --quiet
  

प्रोजेक्ट मिटाना (ज़रूरी नहीं)

अगर आपने इस लैब के लिए कोई नया प्रोजेक्ट बनाया है और आपको इसका दोबारा इस्तेमाल नहीं करना है, तो पूरे प्रोजेक्ट को मिटाना सबसे आसान तरीका है. इससे यह पक्का किया जाता है कि सभी संसाधन (इसमें सेवा खाता और छिपे हुए बिल्ड आर्टफ़ैक्ट भी शामिल हैं) पूरी तरह से हटा दिए गए हैं.

• टर्मिनल में, यह कमांड चलाएं. [YOUR_PROJECT_ID] की जगह अपना असल प्रोजेक्ट आईडी डालें

  gcloud projects delete $PROJECT_ID
  

  किसी प्रोजेक्ट को मिटाने पर, उसे हमेशा के लिए मिटा दिया जाता है. आगे बढ़ने से पहले, कृपया पक्का करें कि इस प्रोजेक्ट का इस्तेमाल किसी अन्य काम के लिए नहीं किया जा रहा है.

13. बधाई हो

आपने Google Cloud पर, मल्टी-एजेंट एआई ऐप्लिकेशन को सफलतापूर्वक बना लिया है और उसे डिप्लॉय कर दिया है!

रीकैप

इस लैब में, आपने एक खाली डायरेक्ट्री से लेकर, सार्वजनिक तौर पर उपलब्ध एआई सेवा तक का सफ़र तय किया. यहां देखें कि आपने क्या बनाया है:

• आपने एक खास टीम बनाई: आपने एक सामान्य एआई के बजाय, तथ्यों का पता लगाने के लिए "रिसर्चर" और जवाब को बेहतर बनाने के लिए "फ़ॉर्मेटर" बनाया.
• आपने उन्हें टूल दिए: आपने Wikipedia API का इस्तेमाल करके, अपने एजेंट को बाहरी दुनिया से कनेक्ट किया.
• आपने इसे शिप किया: आपने अपने लोकल Python कोड को लिया और उसे Cloud Run पर सर्वरलेस कंटेनर के तौर पर डिप्लॉय किया. साथ ही, इसे एक खास सेवा खाते से सुरक्षित किया.

हमने क्या-क्या शामिल किया है

• ADK की मदद से डिप्लॉयमेंट के लिए, Python प्रोजेक्ट को स्ट्रक्चर करने का तरीका.
• [SequentialAgent](https://google.github.io/adk-docs/agents/workflow-agents/sequential-agents/) का इस्तेमाल करके, एक से ज़्यादा एजेंट वाले वर्कफ़्लो को लागू करने का तरीका.
• Wikipedia API जैसे बाहरी टूल को इंटिग्रेट करने का तरीका.
• adk deploy कमांड का इस्तेमाल करके, किसी एजेंट को Cloud Run पर डिप्लॉय करने का तरीका.

14. सर्वे

आउटपुट:

इस ट्यूटोरियल का इस्तेमाल कैसे किया जाएगा?

सिर्फ़ इसे पढ़ें इसे पढ़ें और एक्सरसाइज़ पूरी करें