在 Cloud Run 上构建和部署 ADK 代理

1. 简介

本实验重点介绍客户端代理服务的实现和部署。您将使用智能体开发套件 (ADK) 构建一个使用工具的 AI 智能体。

在本实验中，我们将构建一个动物园智能体，该智能体使用维基百科来回答有关动物的问题。

最后，我们将导游代理部署到 Google Cloud Run，而不仅仅是在本地运行。

前提条件

• 启用了结算功能的 Google Cloud 项目。

学习内容

• 如何为 ADK 部署构建 Python 项目。
• 如何使用 google-adk 实现使用工具的代理。
• 如何将 Python 应用作为无服务器容器部署到 Cloud Run。
• 如何使用 IAM 角色配置安全的服务到服务身份验证。
• 如何删除 Cloud 资源，以避免日后产生费用。

所需条件

• Google Cloud 账号和 Google Cloud 项目
• 网络浏览器，例如 Chrome

2. 为什么要部署到 Cloud Run？

Cloud Run 是托管 ADK 代理的绝佳选择，因为它是一个无服务器平台，这意味着您可以专注于代码，而无需管理底层基础设施。我们会为您处理运营工作。

您可以将其想象成一家快闪店：只在客户（请求）上门时开门营业并使用资源。没有顾客时，它会完全关闭，您无需为空店支付费用。

主要功能

在任何位置运行容器：

• 您需要提供一个包含应用的容器（Docker 映像）。
• Cloud Run 会在 Google 的基础设施上运行该容器。
• 不用负责为操作系统打补丁、设置虚拟机或扩缩。

自动扩缩：

• 如果无人使用您的应用 → 运行 0 个实例（缩减到零个实例，可节省费用）。
• 如果有 1,000 个请求命中该函数 → 它会根据需要启动尽可能多的副本。

默认无状态：

• 每个请求都可能发送到不同的实例。
• 如果您需要存储状态，请使用 Cloud SQL、Firestore 或 Memorystore 等外部服务。

支持任何语言或框架：

• 只要能在 Linux 容器中运行，Cloud Run 就不在乎它是 Python、Go、Node.js、Java 还是 .Net。

用多少，付多少：

• 基于请求的结算方式：按请求数和计算时间（精确到 100 毫秒）结算。
• 基于实例的结算方式：按整个实例生命周期结算（不收取按请求付费的费用）。

3. 项目设置

Google 账号

如果您还没有个人 Google 账号，则必须先创建一个 Google 账号。

请使用个人账号，而不是工作账号或学校账号。

工作账号和学校账号可能存在限制，导致您无法启用本实验所需的 API。

登录 Google Cloud 控制台

使用个人 Google 账号登录 Google Cloud 控制台。

启用结算功能

设置个人结算账号

如果您使用 Google Cloud 抵用金设置了结算，则可以跳过此步骤。

如需设置个人结算账号，请点击此处在 Cloud 控制台中启用结算功能。

注意事项：

• 完成本实验的 Cloud 资源费用应不到 1 美元。
• 您可以按照本实验结束时的步骤删除资源，以避免产生更多费用。
• 新用户符合参与 $300 USD 免费试用计划的条件。

创建项目（可选）

如果您没有要用于此实验的当前项目，请在此处创建一个新项目。

4. 打开 Cloud Shell Editor

1. 点击此链接可直接前往 Cloud Shell 编辑器
2. 如果系统在今天任何时间提示您进行授权，请点击授权继续。
3. 如果终端未显示在屏幕底部，请打开它：
   • 点击查看
   • 点击终端

5. 启用 API

如需使用 Cloud Run、Artifact Registry、Cloud Build、Vertex AI 和 Compute Engine，您需要在 Google Cloud 项目中启用它们各自的 API。

• 在终端中，启用以下 API：

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

  此命令运行完毕后，您应该会看到类似以下内容的输出：

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

API 简介

• 借助 Cloud Run Admin API (run.googleapis.com)，您可以在全托管环境中运行前端和后端服务、批处理作业或网站。它负责处理用于部署和扩缩容器化应用的基础设施。
• Artifact Registry API (artifactregistry.googleapis.com) 提供了一个安全的私有代码库来存储您的容器映像。它是 Container Registry 的下一代产品，可与 Cloud Run 和 Cloud Build 无缝集成。
• Cloud Build API (cloudbuild.googleapis.com) 是一种无服务器 CI/CD 平台，可在 Google Cloud 基础架构上执行构建。它用于根据您的 Dockerfile 在云端构建容器映像。
• Vertex AI API (aiplatform.googleapis.com) 可让已部署的应用与 Gemini 模型通信，以执行核心 AI 任务。它为 Google Cloud 的所有 AI 服务提供统一的 API。
• Compute Engine API (compute.googleapis.com) 可提供在 Google 基础设施上运行的安全且可自定义的虚拟机。虽然 Cloud Run 是受管理的，但 Compute Engine API 通常是各种网络和计算资源的基础依赖项。

6. 准备开发环境

创建目录

1. 在终端中，创建项目目录和必要的子目录：

   cd && mkdir zoo_guide_agent && cd zoo_guide_agent
   

2. 在终端中，运行以下命令以在 Cloud Shell 编辑器资源管理器中打开 zoo_guide_agent 目录：

   cloudshell open-workspace ~/zoo_guide_agent
   

3. 左侧的“探索器”面板将刷新。您现在应该会看到您创建的目录。
   
   

   如果您执行此操作后终端消失，可以在顶部菜单中依次点击查看和终端，重新打开终端。

设置项目

1. 在终端中，使用以下命令设置项目：

   gcloud config set project [PROJECT_ID]
   

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

   如果您不记得项目 ID，可以使用以下命令列出所有项目 ID：gcloud projects list

   
2. 您应会看到以下消息：

   Updated property [core/project].
   

   如果您看到 WARNING 并被问到 Do you want to continue (Y/n)?，则很可能是您输入的项目 ID 有误。按 n，按 Enter，然后尝试再次运行 gcloud config set project 命令。

安装要求

1. 在终端中运行以下命令，以创建 requirements.txt 文件。

   cloudshell edit requirements.txt
   

2. 将以下内容添加到新创建的 requirements.txt 文件中

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

3. 在终端中，使用 uv 创建并激活虚拟环境。这样可确保项目依赖项不会与系统 Python 发生冲突。

   uv venv
   source .venv/bin/activate
   

   注意：如果 Cloud Shell 会话刷新或您打开新的终端标签页，您可能需要运行 source .venv/bin/activate 来重新激活虚拟环境。

4. 在终端中将必需的软件包安装到虚拟环境中。

   uv pip install -r requirements.txt
   

设置环境变量

• 在终端中使用以下命令创建 .env 文件。

  # 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
  

  检查 .env 文件，确保 PROJECT_ID、PROJECT_NUMBER 和 SERVICE_ACCOUNT 都已分配值。如果缺少项目详细信息，请运行 gcloud projects list 查找。如果服务账号缺失，您可以运行 gcloud iam service-accounts list 列出项目中的账号，以查找电子邮件地址（应以 .iam.gserviceaccount.com 结尾）。

7. 创建代理工作流

创建 __init__.py 文件

1. 在终端中运行以下命令，创建 init.py 文件：

   cloudshell edit __init__.py
   

   此文件告知 Python zoo_guide_agent 目录是一个软件包。
2. 将以下代码添加到新的 __init__.py 文件中：

   from . import agent
   

创建 agent.py 文件

1. 通过将以下命令粘贴到终端中来创建主 agent.py 文件。

   cloudshell edit agent.py
   

2. 导入和初始设置：将以下代码添加到当前为空的 agent.py 文件中：

   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")
   

   agent.py 文件的第一个代码块会从 ADK 和 Google Cloud 中引入所有必需的库。它还会设置日志记录并从 .env 文件中加载环境变量，这对于访问模型和服务器网址至关重要。
3. 定义工具：代理的性能取决于其可使用的工具。将以下代码添加到 agent.py 的底部以定义工具：

   # 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())
   )
   

   工具说明
   • add_prompt_to_state 📝：此工具会记住动物园游客提出的问题。当访客问“狮子在哪里？”时，此工具会将该具体问题保存到代理的记忆中，以便工作流程中的其他代理知道要研究什么。
     实现方式：这是一个 Python 函数，用于将访问者的提示写入共享的 tool_context.state 字典。此工具上下文表示智能体在单次对话中的短期记忆。一个智能体保存到状态的数据可以被工作流中的下一个智能体读取。
   • LangchainTool 🌍：这可让导游代理获得一般性的世界知识。当游客提出的问题不在动物园的数据库中时（例如“狮子在野外吃什么？”），此工具可让客服人员在维基百科上查找答案。
     工作原理：它充当适配器，使我们的代理能够使用 LangChain 库中预构建的 WikipediaQueryRun 工具。
     
     
4. 定义专家代理：将以下代码添加到 agent.py 的底部，以定义 comprehensive_researcher 和 response_formatter 代理：

   # 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 代理是操作的“大脑”。它从共享的 State 中获取用户提示，检查维基百科工具，并决定使用哪些工具来查找答案。
   • response_formatter 代理的角色是演示。它会获取研究者代理收集的原始数据（通过状态传递），并使用 LLM 的语言技能将其转换为友好的对话式回答。
     
5. 定义工作流代理：将此代码块添加到 agent.py 的底部，以定义顺序代理 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
       ]
   )
   

   工作流代理充当动物园游览的“后台”管理员。它会接收研究请求，并确保我们上面定义的两个代理按正确的顺序执行其工作：先研究，然后格式化。这样一来，您就可以通过可预测且可靠的流程来回答访问者的问题。
   如何：它是一个 SequentialAgent，一种不会自行思考的特殊类型的代理。它的唯一任务是以固定顺序运行一系列 sub_agents（研究者和格式化程序），并自动将共享内存从一个传递到下一个。
6. 组装主工作流：将以下最终代码块添加到 agent.py 的底部，以定义 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]
   )
   

   ADK 框架使用 root_agent 作为所有新对话的起点。其主要作用是编排整个流程。它充当初始控制器，管理对话的第一个回合。
   

完整的 agent.py 文件

您的 agent.py 文件现已完成！通过这种构建方式，您可以了解每个组件（工具、工作代理和管理代理）在创建最终的智能系统中的具体作用。

完整的文件应如下所示：

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]
)

接下来是部署！

8. 准备应用以进行部署

检查最终结构

在部署之前，请验证您的项目目录是否包含正确的文件。

• 确保您的 zoo_guide_agent 文件夹如下所示：

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

设置 IAM 权限

准备好本地代码后，下一步是设置代理将在云端使用的身份。

1. 在终端中，将变量加载到 shell 会话中。

   source .env
   

   注意：如果 Cloud Shell 会话刷新或您打开新的终端标签页，可能需要再次运行 source .env 以重新加载这些变量。

2. 为 Cloud Run 服务创建专用服务账号，以便该服务账号拥有自己的特定权限。将以下内容粘贴到终端中：

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

   通过为此特定应用创建专用身份，您可以确保代理仅拥有所需的精确权限，而不是使用具有过于宽泛的访问权限的默认账号。
3. 向服务账号授予 Vertex AI User 角色，使其有权调用 Google 的模型。

   # 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. 使用 ADK CLI 部署代理

本地代码准备就绪，Google Cloud 项目也已准备好，现在可以部署代理了。您将使用 adk deploy cloud_run 命令，这是一个可自动执行整个部署工作流的便捷工具。此单个命令可将您的代码打包、构建容器映像、将其推送到 Artifact Registry，并在 Cloud Run 上启动服务，使其可在网络上访问。

1. 在终端中运行以下命令以部署代理。

   # 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
   

   借助 uvx 命令，您可以运行以 Python 软件包形式发布的命令行工具，而无需全局安装这些工具。

   注意：以下部署命令需要几分钟才能运行完毕。

2. 如果您收到以下提示：

   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)?
   

   如果需要，请输入 Y 并按 Enter 键。
3. 如果您收到以下提示：

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

   输入 y，然后按 Enter 键。这样一来，您就可以在本实验中进行未经身份验证的调用，以便轻松进行测试。

   注意：拥有相应网址的任何人都可以访问此代理，因此此设置最适合用于测试。

   成功执行后，该命令将提供已部署的 Cloud Run 服务的网址。（它看起来会像 https://zoo-tour-guide-123456789.europe-west1.run.app）。
4. 复制已部署的 Cloud Run 服务的网址，以供下一个任务使用。

10. 测试已部署的代理

现在，您的智能体已在 Cloud Run 上运行，您将执行测试以确认部署成功，并且智能体按预期工作。您将使用公共服务网址（例如 https://zoo-tour-guide-123456789.europe-west1.run.app/）访问 ADK 的网页界面并与智能体互动。

1. 在网络浏览器中打开公开的 Cloud Run 服务网址。由于您使用了 --with_ui flag，因此您应该会看到 ADK 开发者界面。
2. 在右上角开启 Token Streaming。
   您现在可以与动物园导游智能体互动了。
3. 输入 hello 并按 Enter 键即可开始新对话。
4. 观察结果。代理应快速回复问候语，内容如下所示：

   "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. 您可以向智能体提出以下问题：

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

   

代理流程说明

该系统可作为智能多代理团队运行。整个过程由清晰的顺序管理，确保从用户提问到得到最终详细回答的整个流程顺畅高效。

1. 动物园迎宾员（迎宾台）

整个过程的第一步是接待员智能体。

• 任务：开始与游客对话。它要向游客问好，并询问游客想要了解哪种动物。
• 工具：当用户回复时，接待员智能体使用 add_prompt_to_state 工具来采集用户的确切措辞（例如 “tell me about the lions”（给我介绍一下狮子）并将其保存在系统内存中。
• 移交：保存提示后，它会立即将控制权移交给其子智能体 tour_guide_workflow。

2. 综合研究员（超级研究员）

这是主工作流中的第一步，也是整个操作的“大脑”。现在，您不再需要庞大的团队，只需一个能够访问所有相关信息的专业智能体。

• 任务：分析用户的问题并确定回答问题的方案。它会利用语言模型的工具使用功能来确定是否需要：
  • 来自网络（通过 Wikipedia API）的一般性知识。
  • 或者，对于复杂的问题，两者都使用。

3. 响应格式化程序（演示者）

在综合研究智能体收集完所有事实后，回答格式化智能体是要运行的最后一个智能体。

• 工作：充当动物园导游。它会获取原始数据（可能来自一个或两个来源）并进行优化。
• 行动：它将所有信息整合到一个连贯且有趣的回答中。按照提示，它首先介绍动物园的具体信息，然后添加一些有趣的事实。
• 最终结果：这个智能体生成的文本就是用户在聊天窗口中看到的完整且详细的答案。

如果您有兴趣详细了解如何构建代理，请查看以下资源：

1. ADK 文档
2. 为 ADK 智能体构建自定义工具

11. 清理环境

为避免因本教程中使用的资源导致您的 Google Cloud 账号产生费用，请删除包含这些资源的项目，或者保留项目但删除各个资源。

删除 Cloud Run 服务和映像

如果您希望保留 Google Cloud 项目，但移除本实验中创建的特定资源，则必须删除正在运行的服务和存储在注册表中的容器映像。

• 在终端中运行以下命令：

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

删除项目（可选）

如果您专门为此实验创建了一个新项目，并且不打算再次使用该项目，那么最简单的清理方法是删除整个项目。这样可确保完全移除所有资源（包括服务账号和任何隐藏的 build 制品）。

• 在终端中，运行以下命令（将 [YOUR_PROJECT_ID] 替换为您的实际项目 ID）

  gcloud projects delete $PROJECT_ID
  

  删除项目后，您将无法撤消此操作。请确保此项目未用于任何其他工作，然后再继续。

12. 恭喜

您已成功构建多智能体 AI 应用并将其部署到 Google Cloud！

回顾

在本实验中，您从一个空目录开始，最终创建了一个可公开访问的实时 AI 服务。以下是您构建的内容：

• 您创建了一个专业团队：您没有使用一个通用的 AI，而是构建了一个“研究员”来查找事实，以及一个“格式化工具”来润饰答案。
• 您为它们提供了工具：您使用 Wikipedia API 将代理连接到外部世界。
• 您已完成部署：您已将本地 Python 代码部署为 Cloud Run 上的无服务器容器，并使用专用服务账号对其进行保护。

所学内容

• 如何构建 Python 项目，以便使用 ADK 进行部署。
• 如何使用 [SequentialAgent](https://google.github.io/adk-docs/agents/workflow-agents/sequential-agents/) 实现多代理工作流。
• 如何集成 Wikipedia API 等外部工具。
• 如何使用 adk deploy 命令将代理部署到 Cloud Run。

13. 调查问卷

输出如下：

您打算如何使用本教程？

仅通读 阅读并完成练习