在 Cloud Run 上建構及部署 ADK 代理程式

1. 簡介

本實驗室著重於實作及部署用戶端代理程式服務。您將使用 Agent Development Kit (ADK) 建構使用工具的 AI 代理。

在本實驗室中，我們將建構動物園代理，使用維基百科回答有關動物的問題。

最後，我們會將導覽代理程式部署至 Google Cloud Run，而不是只在本機執行。

必要條件

• 啟用計費功能的 Google Cloud 專案。

課程內容

• 如何建立 Python 專案結構，以部署 ADK。
• 如何使用 google-adk 實作使用工具的代理。
• 如何將 Python 應用程式以無伺服器容器的形式部署至 Cloud Run。
• 如何使用 IAM 角色設定安全的服務對服務驗證。
• 如何刪除 Cloud 資源，以免日後產生費用。

軟硬體需求

• Google Cloud 帳戶和 Google Cloud 專案
• 網路瀏覽器，例如 Chrome

2. 為什麼要部署至 Cloud Run？

Cloud Run 是託管 ADK 代理程式的絕佳選擇，因為這是無伺服器平台，您可專注於程式碼，不必管理基礎架構。我們為您處理營運工作。

這就像快閃店，只會在顧客 (要求) 上門時營業並使用資源。如果沒有顧客，商店就會完全關閉，你也不必為空店支付費用。

主要功能

在任何位置執行容器：

• 您會提供內含應用程式的容器 (Docker 映像檔)。
• Cloud Run 會在 Google 基礎架構上執行。
• 不必再為 OS 修補、VM 設定或擴充而煩惱。

自動調整資源配置：

• 如果沒有人使用您的應用程式 → 執行 0 個執行個體 (縮減為零個執行個體，可有效節省成本)。
• 如果達到 1,000 個要求 → 系統會視需要啟動多個副本。

預設為無狀態：

• 每個要求可能會傳送至不同的執行個體。
• 如要儲存狀態，請使用 Cloud SQL、Firestore 或 Memorystore 等外部服務。

支援任何語言或架構：

• 只要在 Linux 容器中執行，Cloud Run 就不會管是 Python、Go、Node.js、Java 還是 .Net。

用多少付多少：

• 以要求為準的計費方式：根據要求次數和運算時間 (精確至 100 毫秒) 計費。
• 以執行個體為依據的計費模式：針對整個執行個體生命週期計費 (不收取個別要求費用)。

3. 專案設定

Google 帳戶

如果沒有個人 Google 帳戶，請建立 Google 帳戶。

請使用個人帳戶，而非公司或學校帳戶。

公司和學校帳戶可能設有限制，導致您無法啟用本實驗室所需的 API。

登入 Google Cloud 控制台

使用個人 Google 帳戶登入 Google Cloud 控制台。

啟用計費功能

設定個人帳單帳戶

如果使用 Google Cloud 抵免額設定計費，可以略過這個步驟。

如要設定個人帳單帳戶，請前往這裡在 Cloud 控制台中啟用帳單。

注意事項：

• 完成本實驗室的 Cloud 資源費用應不到 $1 美元。
• 您可以按照本實驗室結尾的步驟刪除資源，避免產生額外費用。
• 新使用者可享有價值 $300 美元的免費試用期。

建立專案 (選用)

如果沒有要用於本實驗室的現有專案，請在這裡建立新專案。

4. 開啟 Cloud Shell 編輯器

1. 按一下這個連結，直接前往 Cloud Shell 編輯器
2. 如果系統在今天任何時間提示您授權，請點選「授權」繼續操作。
3. 如果畫面底部未顯示終端機，請開啟終端機：
   • 按一下「查看」
   • 按一下「終端機」

5. 啟用 API

如要使用 Cloud Run、Artifact Registry、Cloud Build、Vertex AI 和 Compute Engine，您需要在 Google Cloud 專案中啟用各自的 API。

• 在終端機中啟用 API：

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

  執行完成後，您應該會看到類似以下的輸出：

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

API 簡介

• Cloud Run Admin API (run.googleapis.com) 可讓您在全代管環境中執行前端和後端服務、批次作業或網站。這項服務會處理部署及擴展容器化應用程式的基礎架構。
• Artifact Registry API (artifactregistry.googleapis.com) 提供安全無虞的私人存放區，可儲存容器映像檔。這是 Container Registry 的進化版，可與 Cloud Run 和 Cloud Build 完美整合。
• Cloud Build API (cloudbuild.googleapis.com) 是無伺服器 CI/CD 平台，可在 Google Cloud 基礎架構上執行建構作業。這項服務會根據 Dockerfile，在雲端建構容器映像檔。
• Vertex AI API (aiplatform.googleapis.com) 可讓已部署的應用程式與 Gemini 模型通訊，執行核心 AI 工作。這個 API 可用於所有 Google Cloud AI 服務。
• Compute Engine API (compute.googleapis.com) 提供安全可靠且可自訂的虛擬機器，可在 Google 基礎架構上執行。雖然 Cloud Run 是代管服務，但通常需要 Compute Engine API 做為各種網路和運算資源的基本依附元件。

6. 準備開發環境

建立目錄

1. 在終端機中，建立專案目錄和必要的子目錄：

   cd && mkdir zoo_guide_agent && cd zoo_guide_agent
   

2. 在終端機中執行下列指令，在 Cloud Shell 編輯器檔案總管中開啟 zoo_guide_agent 目錄：

   cloudshell open-workspace ~/zoo_guide_agent
   

3. 左側的「探索」面板會重新整理。現在應該會看到您建立的目錄。
   
   

   如果終端機因此消失，請依序點選頂端選單中的「View」(檢視) 和「Terminal」(終端機)，重新開啟終端機。

設定專案

1. 在終端機中，使用下列指令設定專案：

   gcloud config set project [PROJECT_ID]
   

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

   如果忘記專案 ID，可以使用 gcloud projects list 列出所有專案 ID。

   
2. 您應該會看到下列訊息：

   Updated property [core/project].
   

   如果看到 WARNING 並收到 Do you want to continue (Y/n)? 提示，表示您可能輸入了錯誤的專案 ID。按下 n 鍵和 Enter 鍵，然後再次嘗試執行 gcloud config set project 指令。

安裝需求

1. 在終端機中執行下列指令，建立 requirements.txt 檔案。

   cloudshell edit requirements.txt
   

2. 將下列內容新增至新建立的 requirements.txt 檔案

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

3. 在終端機中，使用 uv 建立並啟動虛擬環境。確保專案依附元件不會與系統 Python 發生衝突。

   uv venv
   source .venv/bin/activate
   

   注意：如果 Cloud Shell 工作階段重新整理，或是您開啟新的終端機分頁，可能需要執行 source .venv/bin/activate 來重新啟用虛擬環境。

4. 在終端機中，將必要套件安裝到虛擬環境。

   uv pip install -r requirements.txt
   

設定環境變數

• 在終端機中使用下列指令建立 .env 檔案。

  # 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
  

  檢查 .env 檔案，確認 PROJECT_ID、PROJECT_NUMBER 和 SERVICE_ACCOUNT 都已指派值。如果缺少專案詳細資料，請執行 gcloud projects list 找出。如果缺少服務帳戶，您可以執行 gcloud iam service-accounts list，列出專案中的帳戶，找出電子郵件地址 (應以 .iam.gserviceaccount.com 結尾)。

7. 建立代理程式工作流程

建立 __init__.py 檔案

1. 在終端機中執行下列指令，建立 init.py 檔案：

   cloudshell edit __init__.py
   

   這個檔案會告知 Python，zoo_guide_agent 目錄是套件。
2. 將下列程式碼新增至新的 __init__.py 檔案：

   from . import agent
   

建立 agent.py 檔案

1. 將下列指令貼到終端機，建立主要 agent.py 檔案。

   cloudshell edit agent.py
   

2. 匯入項目和初始設定：在目前空白的 agent.py 檔案中新增下列程式碼：

   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")
   

   第一個 agent.py 檔案區塊會從 ADK 和 Google Cloud 匯入所有必要程式庫。此外，這個檔案也會設定記錄功能，並從 .env 檔案載入環境變數，這對存取模型和伺服器網址至關重要。
3. 定義工具：代理程式的效能取決於可使用的工具。在 agent.py 底部新增下列程式碼，定義工具：

   # 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())
   )
   

   工具說明
   • add_prompt_to_state 📝：這項工具會記住動物園遊客提出的問題。如果訪客問「獅子在哪裡？」，這項工具會將這個問題儲存到服務專員的記憶體，讓工作流程中的其他服務專員知道要研究什麼。
     做法：這是 Python 函式，可將訪客的提示寫入共用的 tool_context.state 字典。這項工具情境代表代理在單一對話中的短期記憶。工作流程中的下一個代理程式可以讀取某個代理程式儲存至狀態的資料。
   • LangchainTool 🌍：為導遊代理程式提供一般世界知識。如果訪客提出的問題不在動物園的資料庫中 (例如「獅子在野外吃什麼？」)，這項工具可讓服務專員在維基百科上查詢答案。
     做法：這項工具可做為轉接器，讓代理程式使用 LangChain 程式庫中預先建構的 WikipediaQueryRun 工具。
     
     
4. 定義專家代理：在 agent.py 底部新增下列程式碼，定義 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 代理是我們作業的「大腦」。這項工具會從共用 State 取得使用者提示，檢查是否為維基百科工具，然後決定要使用哪些工具尋找答案。
   • response_formatter 代理程式的角色是呈現。這項代理程式會接收 Researcher 代理程式收集的原始資料 (透過 State 傳遞)，並運用 LLM 的語言能力，將資料轉換為友善的對話式回覆。
     
5. 定義工作流程代理程式：在 agent.py 底部新增這個程式碼區塊，定義序列代理程式 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
       ]
   )
   

   工作流程代理程式是動物園導覽的「後勤」經理，這項工具會接收研究要求，並確保上述兩個代理程式依正確順序執行工作：先研究，再格式化。這樣就能建立可預測且可靠的程序，回答訪客的問題。
   運作方式：這類代理程式是 SequentialAgent，不會自行思考，這個代理程式的唯一工作，就是以固定順序執行 sub_agents (研究人員和格式設定工具) 清單，並自動將共用記憶體從一個傳遞到下一個。
6. 組裝主要工作流程：將最後一個程式碼區塊新增至 agent.py 底部，定義 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 架構會以 root_agent 做為所有新對話的起點。主要功能是協調整個程序。做為初始控制器，管理對話的第一輪。
   

完整的 agent.py 檔案

您的 agent.py 檔案現已完成！以這種方式建構，您就能瞭解每個元件 (工具、工作人員代理程式和管理員代理程式) 在建立最終智慧型系統時，扮演的特定角色。

完整檔案應如下所示：

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]
)

接下來是部署！

8. 準備部署應用程式

檢查最終結構

部署前，請確認專案目錄包含正確的檔案。

• 確認 zoo_guide_agent 資料夾如下所示：

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

設定 IAM 權限

準備好本機程式碼後，下一步是設定代理程式在雲端中使用的身分。

1. 在終端機中，將變數載入殼層工作階段。

   source .env
   

   注意：如果 Cloud Shell 工作階段重新整理，或是您開啟新的終端機分頁，可能需要再次執行 source .env，重新載入這些變數。

2. 為 Cloud Run 服務建立專屬的服務帳戶，讓服務擁有自己的特定權限。將下列內容貼到終端機：

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

   為這個特定應用程式建立專屬身分，可確保代理程式只具備所需權限，而非使用存取權過於廣泛的預設帳戶。
3. 將 Vertex AI 使用者角色授予服務帳戶，讓帳戶有權呼叫 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 部署代理程式

準備好本機程式碼和 Google Cloud 專案後，就可以部署代理程式。您將使用 adk deploy cloud_run 指令，這個便利的工具可自動執行整個部署工作流程。這個單一指令會封裝程式碼、建構容器映像檔、將映像檔推送至 Artifact Registry，並在 Cloud Run 上啟動服務，讓您透過網路存取服務。

1. 在終端機中執行下列指令，即可部署代理程式。

   # 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
   

   uvx 指令可讓您執行以 Python 套件發布的指令列工具，而不需全域安裝這些工具。

   注意：執行下列部署指令需要幾分鐘的時間。

2. 如果系統提示您：

   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)?
   

   如果出現提示，請輸入 Y 並按下 Enter 鍵。
3. 如果系統提示您：

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

   輸入 y，然後按 ENTER 鍵。這樣一來，您就能在本實驗室中輕鬆測試未經驗證的叫用。

   注意：任何知道網址的人都能存取這個代理程式，因此最適合用於測試。

   執行成功後，指令會提供已部署 Cloud Run 服務的網址。(看起來會像 https://zoo-tour-guide-123456789.europe-west1.run.app)。
4. 複製已部署的 Cloud Run 服務網址，以供下一個工作使用。

10. 測試已部署的代理程式

現在，您的服務專員已在 Cloud Run 上線，請執行測試，確認部署成功，且服務專員運作正常。您可以使用公開服務網址 (類似 https://zoo-tour-guide-123456789.europe-west1.run.app/) 存取 ADK 的網頁介面，並與代理互動。

1. 在網路瀏覽器中開啟公開的 Cloud Run 服務網址。由於您使用了 --with_ui flag，因此應該會看到 ADK 開發人員 UI。
2. 開啟右上方的 Token Streaming。
   現在可以與 Zoo 服務專員互動。
3. 輸入 hello 並按下 Enter 鍵，即可開始新對話。
4. 查看結果。代理程式應會快速回覆問候訊息，內容類似如下：

   "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. 向虛擬服務專員提出以下問題：

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

   

代理流程說明

系統會以智慧型多代理團隊的形式運作，這項程序由明確的順序管理，確保從使用者提問到最終詳細答案的流程順暢有效率。

1. 動物園接待員 (迎賓櫃檯)

整個流程從迎賓代理程式開始。

• 工作：發起對話。這項指令會向使用者打招呼，並詢問想瞭解哪種動物。
• 它的工具：使用者回覆時，問候機器人會使用 add_prompt_to_state 工具擷取確切的字詞 (例如「「告訴我獅子的相關資訊」)，並儲存在系統記憶體中。
• 交接：儲存提示後，系統會立即將控制權交給子代理程式 tour_guide_workflow。

2. 全方位研究員 (超級研究員)

這是主要工作流程的第一步，也是作業的「大腦」。現在您不必再面對龐大的團隊，而是由一位具備高超技能的專員負責，且可存取所有可用資訊。

• 工作：分析使用者的問題並擬定智慧計畫。這項功能會運用語言模型的工具使用功能，判斷是否需要：
  • 來自網路的一般知識 (透過 Wikipedia API)。
  • 如果是複雜問題，則兩者皆可。

3. 回覆格式設定工具 (簡報者)

Comprehensive Researcher 收集所有事實後，這是要執行的最後一個代理程式。

• 工作：擔任動物園導覽員的友善聲音，這項程序會採用原始資料 (可能來自一或兩個來源)，並進行潤飾。
• 動作：將所有資訊整合為單一、連貫且引人入勝的答案。按照指示，先提供特定動物園的資訊，再加入有趣的普遍事實。
• 最終結果：這個代理程式產生的文字是完整詳細的答案，使用者會在對話視窗中看到。

如要進一步瞭解如何建構 Agent，請參閱下列資源：

1. ADK 說明文件
2. 為 ADK 代理建構自訂工具

11. 清除環境

如要避免系統向您的 Google Cloud 帳戶收取本教學課程所用資源的費用，請刪除含有相關資源的專案，或者保留專案但刪除個別資源。

刪除 Cloud Run 服務和映像檔

如要保留 Google Cloud 專案，但移除本實驗室中建立的特定資源，請務必刪除執行中的服務和儲存在登錄檔中的容器映像檔。

• 在終端機中執行下列指令：

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

刪除專案 (選用)

如果您是為了這個實驗室特地建立新專案，而且不打算再使用，最簡單的清理方式就是刪除整個專案。確保所有資源 (包括服務帳戶和任何隱藏的建構構件) 都完全移除。

• 在終端機中執行下列指令 (將 [YOUR_PROJECT_ID] 替換為實際專案 ID)

  gcloud projects delete $PROJECT_ID
  

  刪除專案後無法復原，請先確認這個專案未用於任何其他工作，再繼續操作。

12. 恭喜

您已成功建構多代理 AI 應用程式，並部署至 Google Cloud！

重點回顧

在本實驗室中，您從空白目錄開始，建立可公開存取的 AI 服務。以下是您建構的項目：

• 您建立了專責團隊：您不是使用一般 AI，而是建立「研究人員」來尋找事實，並建立「格式設定人員」來潤飾答案。
• 您提供工具給代理：您使用維基百科 API 將代理連結至外部世界。
• 您已發布：您已將本機 Python 程式碼部署為 Cloud Run 上的無伺服器容器，並使用專屬服務帳戶保護安全。

涵蓋內容

• 如何建立 Python 專案結構，以便使用 ADK 部署。
• 瞭解如何使用 [SequentialAgent](https://google.github.io/adk-docs/agents/workflow-agents/sequential-agents/) 導入多代理工作流程。
• 如何整合外部工具，例如 Wikipedia API。
• 如何使用 adk deploy 指令將代理程式部署至 Cloud Run。

13. 問卷調查

輸出：

您會如何使用本教學課程？

僅閱讀內容 閱讀內容並完成練習