Создание и развертывание агента ADK в Cloud Run

1. Введение

Эта лабораторная работа посвящена реализации и развертыванию клиентского агентского сервиса. Вы будете использовать Agent Development Kit (ADK) для создания агента искусственного интеллекта , использующего соответствующие инструменты.

В этой лабораторной работе мы создаём агента зоопарка, который использует Википедию для ответа на вопросы о животных.

Наконец, мы развернем агента гида в Google Cloud Run , а не будем запускать его локально.

Предварительные требования

• Проект Google Cloud с включенной функцией выставления счетов.

Что вы узнаете

• Как структурировать проект на Python для развертывания в ADK .
• Как реализовать агента, использующего инструменты, с помощью Google AdK.
• Как развернуть приложение Python в виде бессерверного контейнера в Cloud Run .
• Как настроить безопасную аутентификацию между сервисами с использованием ролей IAM .
• Как удалить облачные ресурсы, чтобы избежать будущих затрат.

Что вам понадобится

• Аккаунт Google Cloud и проект Google Cloud
• Веб-браузер, например Chrome.

2. Почему стоит развертывать приложения в Cloud Run?

Cloud Run — отличный выбор для размещения агентов ADK , поскольку это бессерверная платформа, а это значит, что вы можете сосредоточиться на своем коде, а не на управлении базовой инфраструктурой. Мы берем на себя операционную работу.

Представьте это как временный магазин: он открывается и использует ресурсы только тогда, когда поступают заказы. Когда заказов нет, он полностью закрывается, и вы не платите за пустой магазин.

Основные характеристики

Запускает контейнеры где угодно:

• Вы предоставляете контейнер (образ Docker), внутри которого находится ваше приложение.
• Cloud Run запускает его на инфраструктуре Google.
• Никаких проблем с обновлением ОС, настройкой виртуальных машин или масштабированием.

Автоматическое масштабирование:

• Если приложением пользуются 0 человек, то запускается 0 экземпляров (масштабирование до нуля экземпляров экономически выгодно).
• Если поступает 1000 запросов, то запускается столько копий, сколько необходимо.

По умолчанию не сохраняющее состояние:

• Каждый запрос может быть направлен в отдельный экземпляр.
• Если вам необходимо хранить состояние, используйте внешний сервис, такой как Cloud SQL, Firestore или Memorystore.

Поддерживает любой язык программирования или фреймворк:

• Пока приложение работает в контейнере Linux, Cloud Run неважно, используется ли Python, Go, Node.js, Java или .Net.

Платите только за то, что используете:

• Оплата по запросам : оплата производится за каждый запрос + время вычислений (до 100 мс).
• Оплата на основе экземпляра : оплата производится за весь срок службы экземпляра (без платы за каждый запрос).

3. Настройка проекта

Аккаунт Google

Если у вас еще нет личного аккаунта Google, вам необходимо его создать .

Используйте личный аккаунт вместо рабочего или учебного.

В рабочих и учебных учетных записях могут быть ограничения, которые не позволят вам включить API, необходимые для этой лабораторной работы.

Войдите в консоль Google Cloud.

Войдите в консоль Google Cloud, используя личную учетную запись Google.

Включить выставление счетов

Создайте личный платежный аккаунт.

Если вы настроили оплату с использованием кредитов Google Cloud, этот шаг можно пропустить.

Чтобы настроить личный платежный аккаунт, перейдите сюда, чтобы включить оплату в облачной консоли.

Несколько замечаний:

• Выполнение этой лабораторной работы должно обойтись менее чем в 1 доллар США в виде облачных ресурсов.
• В конце этой лабораторной работы вы можете выполнить действия по удалению ресурсов, чтобы избежать дальнейших списаний средств.
• Новые пользователи могут воспользоваться бесплатной пробной версией стоимостью 300 долларов США .

Создать проект (необязательно)

Если у вас нет текущего проекта, который вы хотели бы использовать для этой лабораторной работы, создайте новый проект здесь .

4. Откройте редактор Cloud Shell.

1. Нажмите на эту ссылку, чтобы перейти непосредственно в редактор Cloud Shell.
2. Если сегодня вам будет предложено авторизоваться, нажмите «Авторизовать» , чтобы продолжить.
3. Если терминал не отображается внизу экрана, откройте его:
   • Нажмите «Просмотреть».
   • Нажмите «Терминал»

5. Включите API.

Для использования Cloud Run , Artifact Registry , Cloud Build , Vertex AI и Compute Engine необходимо включить соответствующие API в вашем проекте Google Cloud.

• В терминале включите API:

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

  После завершения выполнения программы вы должны увидеть примерно следующий результат:

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

Представляем API.

• Cloud Run Admin API ( run.googleapis.com ) позволяет запускать фронтенд и бэкенд сервисы, пакетные задания или веб-сайты в полностью управляемой среде. Он обеспечивает инфраструктуру для развертывания и масштабирования ваших контейнеризированных приложений.
• API реестра артефактов ( artifactregistry.googleapis.com ) предоставляет безопасное, приватное хранилище для ваших образов контейнеров. Это эволюция Container Registry, которая легко интегрируется с Cloud Run и Cloud Build.
• Cloud Build API ( cloudbuild.googleapis.com ) — это бессерверная платформа CI/CD, которая выполняет сборки на инфраструктуре Google Cloud. Она используется для сборки образа контейнера в облаке из вашего Dockerfile.
• API Vertex AI ( aiplatform.googleapis.com ) позволяет вашему развернутому приложению взаимодействовать с моделями Gemini для выполнения основных задач искусственного интеллекта. Он предоставляет единый API для всех сервисов Google Cloud в области ИИ.
• API Compute Engine ( compute.googleapis.com ) предоставляет безопасные и настраиваемые виртуальные машины, работающие на инфраструктуре Google. В то время как Cloud Run является управляемым сервисом, API Compute Engine часто требуется в качестве базовой зависимости для различных сетевых и вычислительных ресурсов.

6. Подготовьте среду разработки.

Создайте каталог

1. В терминале создайте каталог проекта и необходимые подкаталоги:

   cd && mkdir zoo_guide_agent && cd zoo_guide_agent
   

2. В терминале выполните следующую команду, чтобы открыть каталог zoo_guide_agent в обозревателе Cloud Shell Editor:

   cloudshell open-workspace ~/zoo_guide_agent
   

3. Панель проводника слева обновится. Теперь вы должны увидеть созданную вами директорию.
   
   

   Если после этого терминал исчезнет , ​​вы можете снова открыть его, нажав «Вид» , а затем «Терминал» в верхнем меню.

Настройте свой проект

1. В терминале настройте свой проект с помощью этой команды:

   gcloud config set project [PROJECT_ID]
   

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

   Если вы не помните идентификатор своего проекта, вы можете вывести список всех идентификаторов своих проектов с помощью команды: gcloud projects list

   
2. Вы должны увидеть следующее сообщение:

   Updated property [core/project].
   

   Если вы видите WARNING и вас спрашивают Do you want to continue (Y/n)? , то, скорее всего, вы неправильно ввели идентификатор проекта. Нажмите n , затем Enter и попробуйте снова выполнить команду gcloud config set project .

Требования к установке

1. Выполните следующую команду в терминале , чтобы создать файл requirements.txt .

   cloudshell edit requirements.txt
   

2. Добавьте следующее в только что созданный файл requirements.txt

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

3. В терминале создайте и активируйте виртуальное окружение с помощью команды `uv`. Это гарантирует, что зависимости вашего проекта не будут конфликтовать с системным Python.

   uv venv
   source .venv/bin/activate
   

   Примечание : Если ваша сессия Cloud Shell обновится или вы откроете новую вкладку терминала, вам может потребоваться повторно активировать виртуальное окружение, выполнив source .venv/bin/activate .`.

4. Установите необходимые пакеты в виртуальную среду в терминале .

   uv pip install -r requirements.txt
   

Настройте переменные среды

• Для создания файла .env используйте следующую команду в терминале .

  # 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
  

  Проверьте файл .env и убедитесь, что полям PROJECT_ID , PROJECT_NUMBER и SERVICE_ACCOUNT присвоены значения. Если сведения о проекте отсутствуют, найдите их, выполнив команду gcloud projects list . Если отсутствует учетная запись службы, вы можете вывести список учетных записей в вашем проекте, чтобы найти адрес электронной почты (он должен заканчиваться на .iam.gserviceaccount.com ), выполнив команду: gcloud iam service-accounts list .

7. Создание рабочего процесса для агента

Создайте файл __init__.py

1. Создайте файл init.py , выполнив в терминале следующую команду:

   cloudshell edit __init__.py
   

   Этот файл сообщает Python, что каталог zoo_guide_agent является пакетом.
2. Добавьте следующий код в новый файл __init__.py :

   from . import agent
   

Создайте файл agent.py

1. Создайте основной файл agent.py , вставив следующую команду в терминал .

   cloudshell edit agent.py
   

2. Импорт и начальная настройка : добавьте следующий код в ваш пустой файл agent.py :

   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")
   

   Первый блок файла agent.py подключает все необходимые библиотеки из ADK и Google Cloud. Он также настраивает логирование и загружает переменные окружения из вашего файла .env , что крайне важно для доступа к вашей модели и URL-адресу сервера.
3. Определите инструменты : Эффективность агента напрямую зависит от имеющихся у него инструментов. Добавьте следующий код в конец файла agent.py , чтобы определить инструменты:

   # 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())
   )
   

   Инструменты объяснены.
   • add_prompt_to_state 📝: Этот инструмент запоминает вопросы посетителей зоопарка. Когда посетитель спрашивает: «Где львы?», этот инструмент сохраняет конкретный вопрос в памяти агента, чтобы другие агенты в рабочем процессе знали, что искать.
     Как это работает: это функция на Python, которая записывает подсказку посетителя в общий словарь tool_context.state . Этот контекст инструмента представляет собой кратковременную память агента для одного разговора. Данные, сохраненные в состоянии одним агентом, могут быть прочитаны следующим агентом в рабочем процессе.
   • LangchainTool 🌍: Этот инструмент предоставляет гиду общие знания о мире. Когда посетитель задает вопрос, которого нет в базе данных зоопарка, например: «Чем питаются львы в дикой природе?», этот инструмент позволяет гиду найти ответ в Википедии.
     Как это работает: Он выступает в качестве адаптера, позволяя нашему агенту использовать встроенный инструмент WikipediaQueryRun из библиотеки LangChain.
     
     
4. Определите агентов-специалистов : добавьте следующий код в конец файла agent.py , чтобы определить агентов comprehensive_researcher и 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 }
       """
   )
   

   • Агент comprehensive_researcher — это «мозг» нашей работы. Он берет запрос пользователя из общего State , анализирует его с помощью инструмента Википедии и решает, какие из них использовать для поиска ответа.
   • Роль агента response_formatter заключается в представлении информации. Он берет необработанные данные, собранные агентом Researcher (переданные через State), и использует языковые навыки LLM для преобразования их в дружелюбный, разговорный ответ.
     
5. Определите агента рабочего процесса : добавьте этот блок кода в конец файла agent.py , чтобы определить агента последовательного 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
       ]
   )
   

   Агент рабочего процесса выступает в роли «бэк-офиса» для экскурсии по зоопарку. Он принимает запрос на поиск информации и обеспечивает выполнение двумя описанными выше агентами своих задач в правильном порядке: сначала поиск, затем форматирование. Это создает предсказуемый и надежный процесс ответа на вопрос посетителя.
   Как это работает: это SequentialAgent , особый тип агента, который не мыслит самостоятельно. Его единственная задача — запускать список sub_agents (исследователя и форматировщика) в фиксированной последовательности, автоматически передавая общую память от одного к другому.
6. Создайте основной рабочий процесс : добавьте этот заключительный блок кода в конец файла agent.py , чтобы определить 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]
   )
   

   В фреймворке ADK в качестве отправной точки для всех новых диалогов используется root_agent . Его основная роль заключается в организации всего процесса. Он выступает в качестве начального контроллера, управляя первым этапом диалога.
   

Полный файл agent.py

Ваш файл agent.py готов! Собрав его таким образом, вы сможете увидеть, как каждый компонент — инструменты, рабочие агенты и агенты-менеджеры — играет определенную роль в создании конечной интеллектуальной системы.

Полный файл должен выглядеть следующим образом:

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]
)

Следующий этап — развертывание!

8. Подготовьте приложение к развертыванию.

Проверьте окончательную структуру.

Перед развертыванием убедитесь, что в каталоге вашего проекта находятся правильные файлы.

• Убедитесь, что папка zoo_guide_agent выглядит следующим образом:

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

Настройте разрешения IAM.

После подготовки локального кода следующим шагом будет настройка идентификатора, который ваш агент будет использовать в облаке.

1. В терминале загрузите переменные в свою сессию командной оболочки.

   source .env
   

   Примечание: Если ваша сессия Cloud Shell обновится или вы откроете новую вкладку терминала, вам может потребоваться снова запустить source .env , чтобы перезагрузить эти переменные.

2. Создайте отдельный сервисный аккаунт для вашей службы Cloud Run, чтобы у неё были свои специфические права доступа. Вставьте следующее в терминал :

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

   Создав отдельную учетную запись для этого конкретного приложения, вы гарантируете, что агент будет иметь только необходимые ему права доступа, вместо использования учетной записи по умолчанию со слишком широкими правами доступа.
3. Предоставьте учетной записи службы роль пользователя Vertex AI, которая даст ей разрешение на вызов моделей 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. Разверните агент с помощью интерфейса командной строки ADK.

После того, как ваш локальный код готов, а проект Google Cloud подготовлен, пришло время развернуть агент. Вы будете использовать команду adk deploy cloud_run — удобный инструмент, автоматизирующий весь процесс развертывания. Эта единственная команда упаковывает ваш код, создает образ контейнера, загружает его в реестр артефактов и запускает службу в Cloud Run , делая ее доступной в сети.

1. Для развертывания агента выполните следующую команду в терминале .

   # 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
   

   Команда uvx позволяет запускать инструменты командной строки, опубликованные в виде пакетов Python, без необходимости глобальной установки этих инструментов.

   Примечание: выполнение приведенной ниже команды развертывания займет несколько минут.

2. Если вам будет предложено следующее:

   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)?
   

   Если да, то введите Y и нажмите ENTER.
3. Если вам будет предложено следующее:

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

   Введите y и нажмите ENTER. Это позволит запускать данную лабораторную работу без аутентификации для удобства тестирования.

   Примечание: Любой, у кого есть URL-адрес, получит доступ к этому агенту, поэтому он лучше всего подходит для тестирования.

   В случае успешного выполнения команда предоставит URL-адрес развернутой службы Cloud Run. (Он будет выглядеть примерно так: https://zoo-tour-guide-123456789.europe-west1.run.app ).
4. Скопируйте URL-адрес развернутой службы Cloud Run для выполнения следующей задачи.

10. Протестируйте развернутого агента.

После запуска агента в Cloud Run вам потребуется провести тест, чтобы убедиться в успешности развертывания и корректной работе агента. Для доступа к веб-интерфейсу ADK и взаимодействия с агентом используйте общедоступный URL-адрес сервиса (например, https://zoo-tour-guide-123456789.europe-west1.run.app/ ).

1. Откройте общедоступный URL-адрес Cloud Run Service в веб-браузере. Поскольку вы использовали --with_ui flag , вы должны увидеть пользовательский интерфейс разработчика ADK.
2. Включите функцию Token Streaming в правом верхнем углу.
   Теперь вы можете взаимодействовать с агентом зоопарка.
3. Напишите hello и нажмите Enter, чтобы начать новый разговор.
4. Обратите внимание на результат. Агент должен быстро ответить своим приветствием, которое будет выглядеть примерно так:

   "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. Задавайте агенту такие вопросы:

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

   

Объяснение потока агентов

Ваша система работает как интеллектуальная многоагентная команда . Процесс управляется в соответствии с четкой последовательностью, обеспечивающей плавный и эффективный переход от вопроса пользователя к окончательному, подробному ответу.

1. Сотрудник зоопарка, встречающий посетителей (стойка регистрации)

Весь процесс начинается с сотрудника, встречающего гостей.

• Его задача: начать разговор. Его инструкция — поприветствовать пользователя и спросить, о каком животном он хотел бы узнать больше.
• Инструмент: Когда пользователь отвечает, приветствующая система использует инструмент add_prompt_to_state, чтобы зафиксировать его точные слова (например, "расскажите мне о львах") и сохранить их в памяти системы.
• Передача управления: После сохранения запроса управление немедленно передается его субагенту, рабочему процессу гида-экскурсовода.

2. Исследователь-всесторонне развитый (Супер-исследователь)

Это первый этап основного рабочего процесса и «мозг» операции. Вместо большой команды у вас теперь есть один высококвалифицированный агент, имеющий доступ ко всей доступной информации.

• Его задача: проанализировать вопрос пользователя и сформировать интеллектуальный план. Он использует возможности инструментария языковой модели, чтобы определить, нуждается ли он в следующем:
  • Общие сведения из интернета (через API Википедии).
  • Или, в случае сложных вопросов, и то, и другое.

3. Форматировщик ответов (докладчик)

После того как исследователь соберет все необходимые данные, это будет последний агент, который необходимо запустить.

• Его задача: выступать в роли дружелюбного голоса гида зоопарка. Он берет необработанные данные (которые могут поступать из одного или обоих источников) и обрабатывает их.
• Принцип действия: Он синтезирует всю информацию в единый, связный и увлекательный ответ. Следуя инструкциям, он сначала представляет конкретную информацию о зоопарке, а затем добавляет интересные общие факты.
• Итоговый результат: текст, сгенерированный этим агентом, представляет собой полный, подробный ответ, который пользователь видит в окне чата.

Если вас интересует более подробная информация о создании агентов , ознакомьтесь со следующими ресурсами:

1. Документация ADK
2. Создание пользовательских инструментов для агентов ADK

11. Очистка окружающей среды

Чтобы избежать списания средств с вашего аккаунта Google Cloud за ресурсы, используемые в этом руководстве, либо удалите проект, содержащий эти ресурсы, либо сохраните проект и удалите отдельные ресурсы.

Удалите службы и образы Cloud Run.

Если вы хотите сохранить проект Google Cloud, но удалить определенные ресурсы, созданные в этой лабораторной работе, вам необходимо удалить как работающую службу, так и образ контейнера, хранящиеся в реестре.

• Выполните следующие команды в терминале :

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

Удалить проект (необязательно)

Если вы создали новый проект специально для этой лабораторной работы и не планируете использовать его снова, самый простой способ очистки — удалить весь проект. Это гарантирует полное удаление всех ресурсов (включая учетную запись службы и любые скрытые артефакты сборки).

• В терминале выполните следующую команду (замените [YOUR_PROJECT_ID] на фактический идентификатор вашего проекта):

  gcloud projects delete $PROJECT_ID
  

  Удаление проекта необратимо. Пожалуйста, убедитесь, что этот проект не используется для какой-либо другой работы, прежде чем продолжить.

12. Поздравляем!

Вы успешно создали и развернули многоагентное приложение искусственного интеллекта в Google Cloud!

Краткий обзор

В этой лабораторной работе вы создали действующий, общедоступный сервис искусственного интеллекта, начав с пустого каталога. Вот что у вас получилось:

• Вы создали специализированную команду : вместо одного универсального ИИ вы создали «Исследователя» для поиска фактов и «Форматировщика» для уточнения ответа.
• Вы предоставили им инструменты : вы связали своих агентов с внешним миром, используя API Википедии.
• Вы его выпустили : вы взяли свой локальный код на Python и развернули его в виде бессерверного контейнера на Cloud Run , защитив его с помощью выделенной учетной записи службы.

Что мы рассмотрели

• Как структурировать проект на Python для развертывания с помощью ADK .
• Как реализовать многоагентный рабочий процесс с использованием [SequentialAgent](https://google.github.io/adk-docs/agents/workflow-agents/sequential-agents/) .
• Как интегрировать внешние инструменты, такие как API Википедии.
• Как развернуть агент в Cloud Run с помощью команды adk deploy .

13. Опрос

Выход:

Как вы будете использовать этот учебный материал?

Прочитайте только до конца. Прочитайте текст и выполните упражнения.