在 Cloud Run 上部署、管理和监控 ADK Agent

1. 简介

重要提示：

本教程需要具有有效结算账号的 Google Cloud 项目。如果您还没有结算账号，请按照以下步骤获取可用于本教程的试用结算账号：

1. 打开无痕式窗口
2. 如果您要加入研讨会，通常会在研讨会中提供兑换门户网站网址；否则，您可以前往此试用结算账号兑换门户网站
3. 使用您的个人 Gmail 账号登录（Google Workspace / 其他电子邮件地址无法使用！）
4. 按照分步兑换说明成功为本教程创建一个新的 Google Cloud 项目

本教程将指导您在 Google Cloud Run 上部署、管理和监控使用智能体开发套件 (ADK) 构建的强大智能体。借助 ADK，您可以创建能够处理复杂的多智能体工作流的智能体。借助 Cloud Run（全托管式无服务器平台），您可以将代理部署为可扩缩的容器化应用，而无需担心底层基础架构。借助这一强大组合，您可以专注于智能体的核心逻辑，同时受益于 Google Cloud 强大且可扩缩的环境。

在本教程中，我们将探讨 ADK 与 Cloud Run 的无缝集成。您将学习如何部署代理，然后深入了解在类似生产环境的设置中管理应用的实际操作。我们将介绍如何通过管理流量安全地推出代理的新版本，以便您在全面发布之前先让一部分用户测试新功能。

此外，您还将获得监控代理性能的实践经验。我们将通过进行负载测试来模拟真实场景，以观察 Cloud Run 的自动扩缩功能在实际应用中的表现。为了更深入地了解代理的行为和性能，我们将使用 Cloud Trace 启用跟踪。这样一来，您就可以详细了解请求在代理中的整个流程，从而发现并解决任何性能瓶颈。完成本教程后，您将全面了解如何在 Cloud Run 上有效部署、管理和监控由 ADK 提供支持的代理。

在此 Codelab 中，您将采用以下分步方法：

1. 在 CloudSQL 上创建 PostgreSQL 数据库，以用于 ADK Agent 数据库会话服务
2. 设置基本的 ADK 智能体
3. 设置供 ADK 运行程序使用的数据库会话服务
4. 首次将代理部署到 Cloud Run
5. 进行负载测试并检查 Cloud Run 自动扩缩
6. 部署新的代理修订版本，并逐步增加新修订版本的流量
7. 设置云跟踪并检查代理运行跟踪

架构概览

前提条件

• 能够熟练使用 Python
• 了解使用 HTTP 服务的全栈基本架构

学习内容

• ADK 结构和本地实用程序
• 使用数据库会话服务设置 ADK 代理
• 在 CloudSQL 中设置 PostgreSQL 以供数据库会话服务使用
• 使用 Dockerfile 将应用部署到 Cloud Run 并设置初始环境变量
• 通过负载测试配置和测试 Cloud Run 自动扩缩
• 使用 Cloud Run 逐步发布策略
• 设置 ADK 代理跟踪到 Cloud Trace

所需条件

• Chrome 网络浏览器
• Gmail 账号
• 启用了结算功能的 Cloud 项目

此 Codelab 专为各种水平的开发者（包括新手）而设计，并在示例应用中使用 Python。不过，您无需具备 Python 知识即可理解所介绍的概念。

2. 🚀 准备工作坊开发设置

目标：确保项目已关联结算账号，熟悉 Cloud Shell 终端和编辑器，并设置工作目录和基本代理

第 1 步：在 Cloud 控制台中选择有效项目

在 Google Cloud 控制台的项目选择器页面上，选择或创建一个 Google Cloud 项目（请参阅控制台的左上角部分）

点击该链接后，您会看到所有项目的列表，如以下示例所示：

红框中显示的值是项目 ID，本教程中会一直使用此值。

确保您的 Cloud 项目已启用结算功能。如需查看此信息，请点击左上角栏中的汉堡图标 ☰，该图标会显示导航菜单，然后找到“结算”菜单

如果您在结算 / 概览标题（云控制台的左上角部分）下看到“Google Cloud Platform 试用结算账号”，则表示您的项目已准备就绪，可以用于本教程。如果不是，请返回本教程的开头，兑换试用结算账号

第 2 步：准备 Cloud SQL 数据库

我们需要一个数据库，供 ADK 代理稍后使用。我们来在 Cloud SQL 上创建一个 PostgreSQL 数据库。首先，前往云控制台顶部部分的搜索栏，然后输入“Cloud SQL”。然后点击 Cloud SQL 产品

之后，我们需要创建一个新的数据库实例，点击创建实例，然后选择 PostgreSQL

如果您从新项目开始，可能还需要启用 Compute Engine API，只需在出现此提示时点击启用 API 即可

接下来，我们将选择数据库的规格，选择企业版，并选择沙盒版预设

之后，在此处为用户 postgres 设置实例名称和默认密码。您可以使用任何所需的凭据进行设置，不过在本教程中，我们将使用“adk-deployment”作为实例名称，并使用“ADK-deployment123”作为密码

重要提示！用户名和密码是敏感数据，请务必对他人保密！

在本教程中，我们使用单地区 us-central1，然后点击创建实例按钮，完成数据库创建并让其完成所有必需的设置

请耐心等待，数据库创建大约需要 5-10 分钟才能完成

在等待此操作完成期间，我们可以继续执行下一部分

第 3 步：熟悉 Cloud Shell

在教程的大部分内容中，您将使用 Cloud Shell。点击 Google Cloud 控制台顶部的“激活 Cloud Shell”。如果系统提示您授权，请点击授权

连接到 Cloud Shell 后，我们需要检查 shell（或终端）是否已通过我们的账号进行身份验证

gcloud auth list

如果您看到个人 Gmail 地址，如以下示例输出所示，则一切正常

Credentialed Accounts

ACTIVE: *
ACCOUNT: [e-mail]

To set the active account, run:
    $ gcloud config set account `ACCOUNT`

如果不是，请尝试刷新浏览器，并确保在系统提示时点击授权（连接问题可能会导致授权中断）

接下来，我们还需要检查 shell 是否已配置为正确的 PROJECT ID。如果您看到终端中 $符号前的括号内有值（在下面的屏幕截图中，该值为 “adk-cloudrun-deployment-476504”），则表示您的活跃 shell 会话已配置项目。

如果显示的值已正确，您可以跳过下一个命令。不过，如果该值不正确或缺失，请运行以下命令

gcloud config set project <YOUR_PROJECT_ID>

然后，从 GitHub 克隆此 Codelab 的模板工作目录，运行以下命令。它将在 deploy_and_manage_adk 目录中创建工作目录

git clone https://github.com/alphinside/deploy-and-manage-adk-service.git deploy_and_manage_adk

第 4 步：熟悉 Cloud Shell 编辑器并设置应用工作目录

现在，我们可以设置代码编辑器来执行一些编码操作。我们将使用 Cloud Shell 编辑器来完成此

点击打开编辑器按钮，系统会打开 Cloud Shell 编辑器

之后，前往 Cloud Shell 编辑器的顶部部分，依次点击文件->打开文件夹，找到您的用户名目录，然后找到 deploy_and_manage_adk 目录，再点击“确定”按钮。这样一来，所选目录就会成为主工作目录。在此示例中，用户名为 alvinprayuda，因此目录路径如下所示

现在，您的 Cloud Shell 编辑器工作目录应如下所示（位于 deploy_and_manage_adk 内）

现在，打开编辑器的终端。您可以在菜单栏中点击 Terminal -> New Terminal 来打开终端，也可以使用 Ctrl + Shift + C 快捷键，这会在浏览器的底部打开一个终端窗口

当前活跃的终端应位于 deploy_and_manage_adk 工作目录中。在此 Codelab 中，我们将使用 Python 3.12，并使用 uv Python 项目管理器来简化创建和管理 Python 版本和虚拟环境的需求。此 uv 软件包已预安装在 Cloud Shell 上。

注意：使用 uv 作为 Python 项目管理器时，可以简化创建和激活虚拟环境的过程。不过，每个 python 脚本命令都会替换为 uv run 命令。例如，使用 uv run main.py 而不是 python main.py

运行此命令以将所需依赖项安装到 .venv 目录中的虚拟环境

uv sync --frozen

注意：Python 依赖项在 pyproject.toml 中声明，并在 uv.lock 文件中锁定版本

现在，我们需要通过以下命令启用必需的 API。这可能需要一段时间。

gcloud services enable aiplatform.googleapis.com \
                       run.googleapis.com \
                       cloudbuild.googleapis.com \
                       cloudresourcemanager.googleapis.com \
                       sqladmin.googleapis.com

成功执行该命令后，您应该会看到类似于以下内容的消息：

Operation "operations/..." finished successfully.

接下来，我们需要为此项目设置配置文件。

将 .env.example 文件重命名为 .env

cp .env.example .env

打开 .env 文件，并将 GOOGLE_CLOUD_PROJECT 值更新为您的项目 ID

注意：如果您在编辑器中找不到显示的 .env 文件，则是因为该文件被归类为隐藏文件。点击查看 -> 显示/不显示隐藏文件即可显示该文件

# .env

# Google Cloud and Vertex AI configuration
GOOGLE_CLOUD_PROJECT=your-project-id
GOOGLE_CLOUD_LOCATION=global
GOOGLE_GENAI_USE_VERTEXAI=True

# Database connection for session service
# DB_CONNECTION_NAME=your-db-connection-name

重要提示：请将 GOOGLE_CLOUD_PROJECT 的值更新为您的项目 ID

在此 Codelab 中，我们将使用 GOOGLE_CLOUD_LOCATION 和 GOOGLE_GENAI_USE_VERTEXAI. 的预配置值。目前，我们将 DB_CONNECTION_NAME 注释掉。

现在，我们可以进入下一步，检查代理逻辑并部署它

3. 🚀 使用 ADK 和 Gemini 2.5 构建天气智能体

ADK 目录结构简介

我们先来了解一下 ADK 的功能以及如何构建代理。您可以通过此网址访问 ADK 的完整文档。ADK 在其 CLI 命令执行中提供了许多实用程序。其中一些如下所示：

• 设置代理目录结构
• 通过 CLI 输入/输出快速尝试互动
• 快速设置本地开发界面网页界面

现在，我们来检查 weather_agent 目录中的代理结构

weather_agent/
├── __init__.py
├── agent.py
└── tool.py

如果您检查 init.py 和 agent.py，您会看到以下代码

# __init__.py

from weather_agent.agent import root_agent

__all__ = ["root_agent"]

# agent.py


import os
from pathlib import Path

import google.auth
from dotenv import load_dotenv
from google.adk.agents import Agent
from weather_agent.tool import get_weather

# Load environment variables from .env file in root directory
root_dir = Path(__file__).parent.parent
dotenv_path = root_dir / ".env"
load_dotenv(dotenv_path=dotenv_path)


# Use default project from credentials if not in .env
_, project_id = google.auth.default()
os.environ.setdefault("GOOGLE_CLOUD_PROJECT", project_id)
os.environ.setdefault("GOOGLE_CLOUD_LOCATION", "global")
os.environ.setdefault("GOOGLE_GENAI_USE_VERTEXAI", "True")

root_agent = Agent(
    name="weather_agent",
    model="gemini-2.5-flash",
    instruction="""
You are a helpful AI assistant designed to provide accurate and useful information.
""",
    tools=[get_weather],
)

注意：目录结构、init.py 内的代理导入和 agent.py 中的 root_agent 声明是 ADK CLI 识别的强制性结构。

ADK 代码说明

此脚本包含我们的代理启动，我们在其中初始化了以下内容：

• 将要使用的模型设置为 gemini-2.5-flash
• 提供工具 get_weather 以支持作为天气智能体的代理功能

运行网页界面

现在，我们可以在本地与代理互动并检查其行为。借助 ADK，我们可以使用开发 Web 界面来互动和检查互动期间发生的情况。运行以下命令以启动本地开发界面服务器

uv run adk web --port 8080

它将生成类似于以下示例的输出，这意味着我们已经可以访问 Web 界面了

INFO:     Started server process [xxxx]
INFO:     Waiting for application startup.

+-----------------------------------------------------------------------------+
| ADK Web Server started                                                      |
|                                                                             |
| For local testing, access at http://localhost:8080.                         |
+-----------------------------------------------------------------------------+

INFO:     Application startup complete.
INFO:     Uvicorn running on http://0.0.0.0:8080 (Press CTRL+C to quit)

现在，如需检查，请点击 Cloud Shell 编辑器顶部区域的网页预览按钮，然后选择在端口 8080 上预览

您将看到以下网页，您可以在左上角的下拉按钮中选择可用的代理（在本例中应为 weather_agent），然后与机器人互动。您将在左侧窗口中看到有关代理运行时日志详情的许多信息

现在，尝试与之互动。在左侧栏中，我们可以检查每个输入的轨迹，从而了解智能体在形成最终答案之前采取的每项操作所花费的时间。

这是 ADK 中内置的可观测性功能之一，目前我们在本地检查它。稍后，我们将了解如何将其集成到 Cloud Trace 中，以便集中跟踪所有请求

温馨提示！我们暂时终止 adk web 进程，您可以按 CTRL + C 来终止该进程

4. 🚀 部署到 Cloud Run

现在，我们将此代理服务部署到 Cloud Run。为了便于演示，此服务将作为可供他人访问的公共服务公开。不过，请注意，这不是最佳实践，因为这种做法不安全

在此 Codelab 中，我们将使用 Dockerfile 将代理部署到 Cloud Run。至此，我们已经拥有将应用部署到 Cloud Run 所需的所有文件（Dockerfile 和 server.py）。我们稍后会详细讨论这一点。

现在，我们先部署服务，然后前往 Cloud Shell 终端，确保当前项目已配置为您的有效项目。如果不是，您可以使用 gcloud configure 命令设置项目 ID：

gcloud config set project [PROJECT_ID]

现在，我们需要再次访问 .env 文件，打开该文件，您会看到我们需要取消注释 DB_CONNECTION_NAME 变量并填写正确的值

# Google Cloud and Vertex AI configuration
GOOGLE_CLOUD_PROJECT=your-project-id
GOOGLE_CLOUD_LOCATION=global
GOOGLE_GENAI_USE_VERTEXAI=True

# Database connection for session service
DB_CONNECTION_NAME=your-db-connection-name

如需获取 DB_CONNECTION_NAME 值，您可以再次前往 Cloud SQL，然后点击您创建的实例。前往云控制台顶部部分的搜索栏，然后输入“Cloud SQL”。然后点击 Cloud SQL 产品

之后，您会看到之前创建的实例，点击该实例

在实例页面中，向下滚动到“连接到此实例”部分，然后复制连接名称以替换 DB_CONNECTION_NAME 值。

之后，打开 .env 文件并修改 DB_CONNECTION_NAME 变量。您的 .env 文件应如下例所示

# Google Cloud and Vertex AI configuration
GOOGLE_CLOUD_PROJECT=your-project-id
GOOGLE_CLOUD_LOCATION=global
GOOGLE_GENAI_USE_VERTEXAI=True

# Database connection for session service
DB_CONNECTION_NAME=your-project-id:your-location:your-instance-name

之后，运行部署脚本

bash deploy_to_cloudrun.sh

如果系统提示您确认要为 Docker 代码库创建制品注册表，只需回答 Y 即可。

在等待部署过程完成期间，我们来看看 deploy_to_cloudrun.sh

#!/bin/bash

# Load environment variables from .env file
if [ -f .env ]; then
    export $(cat .env | grep -v '^#' | xargs)
else
    echo "Error: .env file not found"
    exit 1
fi

# Validate required variables
required_vars=("GOOGLE_CLOUD_PROJECT" "DB_CONNECTION_NAME")
for var in "${required_vars[@]}"; do
    if [ -z "${!var}" ]; then
        echo "Error: $var is not set in .env file"
        exit 1
    fi
done

gcloud run deploy weather-agent \
    --source . \
    --port 8080 \
    --project ${GOOGLE_CLOUD_PROJECT} \
    --allow-unauthenticated \
    --add-cloudsql-instances ${DB_CONNECTION_NAME} \
    --update-env-vars SESSION_SERVICE_URI="postgresql+pg8000://postgres:ADK-deployment123@postgres/?unix_sock=/cloudsql/${DB_CONNECTION_NAME}/.s.PGSQL.5432",GOOGLE_CLOUD_PROJECT=${GOOGLE_CLOUD_PROJECT} \
    --region us-central1 \
    --min 1 \
    --memory 1G \
    --concurrency 10

此脚本将加载您的 .env 变量，然后运行部署命令。

仔细观察一下，您会发现，我们只需要一个 gcloud run deploy 命令即可完成部署服务所需的所有必要操作：构建映像、推送到注册表、部署服务、设置 IAM 政策、创建修订版本，甚至路由流量。在此示例中，我们已提供 Dockerfile，因此此命令将利用它来构建应用

注意：在部署脚本中，我们设置了 SESSION_SERVICE_URI 环境变量。如果设置了此变量，我们的 ADK 代理将使用该 URI 来存储会话信息和状态（在我们的 server.py 中定义）。在本教程中，我们将使用 pg8000 驱动程序建立 PostgreSQL Unix 套接字连接。

请注意，在示例中，我们使用了默认用户 postgres 和默认数据库 postgres（密码为 ADK-deployment123）。

重要提示！我们在此处允许未经身份验证的访问（标志 –allow_unauthenticated），因为这是一个演示应用。建议为企业和生产应用使用适当的身份验证。

部署完成后，您应该会获得类似于以下内容的链接：

https://weather-agent-*******.us-central1.run.app

获取此网址后，您可以在无痕式窗口或移动设备中使用应用，并访问代理开发者界面。在等待部署期间，我们将在下一部分中检查刚刚部署的详细服务

5. 💡 Dockerfile 和后端服务器脚本

为了使代理可以作为服务访问，我们将代理封装在 FastAPI 应用中，该应用将通过 Dockerfile 命令运行。以下是 Dockerfile 的内容

FROM python:3.12-slim

RUN pip install --no-cache-dir uv==0.7.13

WORKDIR /app

COPY . .

RUN uv sync --frozen

EXPOSE 8080

CMD ["uv", "run", "uvicorn", "server:app", "--host", "0.0.0.0", "--port", "8080"]

我们可以在此处配置必要的服务来支持代理，例如准备用于生产目的的会话、内存或制品服务。以下是将使用的 server.py 的代码

import os

from dotenv import load_dotenv
from fastapi import FastAPI
from google.adk.cli.fast_api import get_fast_api_app
from pydantic import BaseModel
from typing import Literal
from google.cloud import logging as google_cloud_logging


# Load environment variables from .env file
load_dotenv()

logging_client = google_cloud_logging.Client()
logger = logging_client.logger(__name__)

AGENT_DIR = os.path.dirname(os.path.abspath(__file__))

# Get session service URI from environment variables
session_uri = os.getenv("SESSION_SERVICE_URI", None)

# Prepare arguments for get_fast_api_app
app_args = {"agents_dir": AGENT_DIR, "web": True, "trace_to_cloud": True}

# Only include session_service_uri if it's provided
if session_uri:
    app_args["session_service_uri"] = session_uri
else:
    logger.log_text(
        "SESSION_SERVICE_URI not provided. Using in-memory session service instead. "
        "All sessions will be lost when the server restarts.",
        severity="WARNING",
    )

# Create FastAPI app with appropriate arguments
app: FastAPI = get_fast_api_app(**app_args)

app.title = "weather-agent"
app.description = "API for interacting with the Agent weather-agent"


class Feedback(BaseModel):
    """Represents feedback for a conversation."""

    score: int | float
    text: str | None = ""
    invocation_id: str
    log_type: Literal["feedback"] = "feedback"
    service_name: Literal["weather-agent"] = "weather-agent"
    user_id: str = ""


# Example if you want to add your custom endpoint
@app.post("/feedback")
def collect_feedback(feedback: Feedback) -> dict[str, str]:
    """Collect and log feedback.

    Args:
        feedback: The feedback data to log

    Returns:
        Success message
    """
    logger.log_struct(feedback.model_dump(), severity="INFO")
    return {"status": "success"}


# Main execution
if __name__ == "__main__":
    import uvicorn

    uvicorn.run(app, host="0.0.0.0", port=8080)

服务器代码说明

以下是 server.py 脚本中定义的内容：

1. 使用 get_fast_api_app 方法将我们的代理转换为 FastAPI 应用。这样，我们就可以沿用用于 Web 开发界面的相同路由定义。
2. 通过向 get_fast_api_app 方法添加关键字实参，配置必要的会话、内存或制品服务。在本教程中，如果我们配置 SESSION_SERVICE_URI 环境变量，会话服务将使用该变量，否则将使用内存中会话
3. 我们可以添加自定义路由来支持其他后端业务逻辑，在脚本中，我们添加了反馈功能路由示例
4. 在 get_fast_api_app 实参参数中启用 Cloud 跟踪，以将跟踪记录发送到 Google Cloud Trace
5. 使用 uvicorn 运行 FastAPI 服务

现在，如果您的部署已完成，请尝试通过访问 Cloud Run 网址与 Web 开发者界面中的代理互动

6. 🚀 通过负载测试检查 Cloud Run 自动扩缩

现在，我们将检查 Cloud Run 的自动扩缩功能。在此场景中，我们将在启用每个实例的最大并发数的同时部署新修订版本。在上一部分中，我们将最大并发数设置为 10（标志 --concurrency 10）。因此，我们可以预期，当我们进行超出此数量的负载测试时，Cloud Run 将尝试扩缩其实例。

我们来检查一下 load_test.py 文件。我们将使用此脚本通过 locust 框架执行负载测试。此脚本将执行以下操作：

1. 随机化的 user_id 和 session_id
2. 为 user_id 创建 session_id
3. 使用创建的 user_id 和 session_id 命中端点“/run_sse”

如果您错过了，我们需要知道已部署的服务网址。前往 Cloud Run 控制台，然后点击 weather-agent 服务

然后，找到 weather-agent 服务并点击它

服务网址将显示在区域信息旁边。例如，

然后运行以下命令以执行负载测试

uv run locust -f load_test.py \
              -H {YOUR_SERVICE_URL} \
              -u 60 \
              -r 5 \
              -t 120 \
              --headless

重要提示：请在此处更新 YOUR_SERVICE_网址 的值。

注意：此命令将在 120 秒的时间段内模拟 0 到 60 个并行用户请求的升速，速率为每秒 5 个用户

运行此命令后，您将看到如下所示的指标。（在此示例中，所有请求均成功）

Type     Name                                  # reqs      # fails |    Avg     Min     Max    Med |   req/s  failures/s
--------|------------------------------------|-------|-------------|-------|-------|-------|-------|--------|-----------
POST     /run_sse end                             813     0(0.00%) |   5817    2217   26421   5000 |    6.79        0.00
POST     /run_sse message                         813     0(0.00%) |   2678    1107   17195   2200 |    6.79        0.00
--------|------------------------------------|-------|-------------|-------|-------|-------|-------|--------|-----------
         Aggregated                              1626     0(0.00%) |   4247    1107   26421   3500 |   13.59        0.00  

接下来，我们来看看 Cloud Run 中发生了什么，再次前往已部署的服务，然后查看信息中心。这会显示 Cloud Run 如何自动扩缩实例以处理传入请求。由于我们将每个实例的最大并发数限制为 10，因此 Cloud Run 实例会尝试自动调整容器数量以满足此条件。

注意：您不仅可以控制最大并发数，还可以控制容器实例的最小数量和最大数量。如需了解详情，请参阅此 SDK 文档

7. 🚀 逐步发布新版本

现在，我们假设有以下场景。我们想更新代理的提示。打开 weather_agent/agent.py，然后将其覆盖为以下代码：

# weather_agent/agent.py

import os
from pathlib import Path

import google.auth
from dotenv import load_dotenv
from google.adk.agents import Agent
from weather_agent.tool import get_weather

# Load environment variables from .env file in root directory
root_dir = Path(__file__).parent.parent
dotenv_path = root_dir / ".env"
load_dotenv(dotenv_path=dotenv_path)


# Use default project from credentials if not in .env
_, project_id = google.auth.default()
os.environ.setdefault("GOOGLE_CLOUD_PROJECT", project_id)
os.environ.setdefault("GOOGLE_CLOUD_LOCATION", "global")
os.environ.setdefault("GOOGLE_GENAI_USE_VERTEXAI", "True")

root_agent = Agent(
    name="weather_agent",
    model="gemini-2.5-flash",
    instruction="""
You are a helpful AI assistant designed to provide accurate and useful information.
You only answer inquiries about the weather. Refuse all other user query
""",
    tools=[get_weather],
)

然后，您想要发布新修订版本，但不希望所有请求流量都直接转到新版本。我们可以使用 Cloud Run 进行逐步发布。首先，我们需要部署一个新修订版本，但要使用 –no-traffic 标志。保存之前的代理脚本，然后运行以下命令

gcloud run deploy weather-agent \
                  --source . \
                  --port 8080 \
                  --project {YOUR_PROJECT_ID} \
                  --allow-unauthenticated \
                  --region us-central1 \
                  --no-traffic

重要提示：请在此处更新 YOUR_PROJECT_ID 的值

完成后，您将收到与之前部署过程类似的日志，不同之处在于所服务的流量数量。系统将显示投放的流量为 0%。

Service [weather-agent] revision [weather-agent-xxxx-xxx] has been deployed and is serving 0 percent of traffic.

接下来，我们前往 Cloud Run 产品页面，找到已部署的实例。在搜索栏中输入“cloud run”，然后点击 Cloud Run 产品

然后，找到 weather-agent 服务并点击它

前往修订版本标签页，您将在其中看到已部署的修订版本列表

您会看到，新部署的修订版本正在提供 0% 的流量，您可以在此处点击 Kebab 按钮 (⋮)，然后选择管理流量

在新弹出的窗口中，您可以修改流向各个修订版本的流量百分比。

等待一段时间后，流量将根据百分比配置按比例定向。这样，如果新版本出现问题，我们就可以轻松回滚到之前的修订版本

8. 🚀 ADK 跟踪

使用 ADK 构建的代理已支持使用嵌入其中的开放遥测技术进行跟踪。我们有 Cloud Trace 来捕获这些跟踪记录并直观呈现。让我们检查一下 server.py，看看如何在之前部署的服务中启用它

# server.py

...

app_args = {"agents_dir": AGENT_DIR, "web": True, "trace_to_cloud": True}

...

app: FastAPI = get_fast_api_app(**app_args)

...

在此示例中，我们将 trace_to_cloud 实参传递给 True。如果您使用其他选项进行部署，可以查看此文档，详细了解如何通过各种部署选项启用从 Cloud Trace 到 Cloud Trace 的跟踪

尝试访问服务 Web 开发界面，并与代理进行对话。然后，前往云控制台搜索栏，输入“trace 探索器”，然后选择其中的 Trace 探索器产品

在 Trace 探索器页面上，您会看到与代理的对话跟踪记录已提交。您可以从 Span name 部分中看到，并过滤掉特定于我们代理的 span（命名为 agent_run [weather_agent]）

如果已过滤 span，您还可以直接检查每个轨迹。它会显示代理采取的每项操作的详细时长。例如，请参阅下图

在每个部分中，您都可以检查属性中的详细信息，如下所示

这样一来，我们就能够很好地观测到代理与用户的每次互动，并获取相关信息，从而帮助我们调试问题。欢迎尝试各种工具或工作流！

9. 🎯 挑战

尝试多智能体或智能体工作流，看看它们在负载下的表现如何，以及轨迹是什么样的

10. 🧹 清理

为避免系统因本 Codelab 中使用的资源向您的 Google Cloud 账号收取费用，请按照以下步骤操作：

1. 在 Google Cloud 控制台中，前往管理资源页面。
2. 在项目列表中，选择要删除的项目，然后点击删除。
3. 在对话框中输入项目 ID，然后点击关停以删除项目。
4. 或者，您也可以在控制台中前往 Cloud Run，选择刚刚部署的服务，然后将其删除。