การสร้างเอเจนต์ AI ด้วย ADK: การเพิ่มศักยภาพด้วยเครื่องมือ

1. ก่อนเริ่มต้น

โปรดอ่าน

บทแนะนำนี้กำหนดให้ต้องมีโปรเจ็กต์ Google Cloud ที่มีบัญชีสำหรับการเรียกเก็บเงินที่ใช้งานอยู่

สำหรับผู้เข้าร่วมเวิร์กชอปแบบเข้าร่วมด้วยตนเอง

ทำตามวิธีการตั้งค่าและการเรียกเก็บเงินที่เฉพาะเจาะจงซึ่งผู้สอนให้ไว้

สำหรับผู้ใช้ที่ศึกษาด้วยตนเอง

ทำตามขั้นตอนต่อไปนี้เพื่อแลกรับสิทธิ์ช่วงทดลองใช้

เปิดหน้าต่างในโหมดไม่ระบุตัวตนในเบราว์เซอร์
ไปที่ พอร์ทัลแลกรับสิทธิ์นี้
เข้าสู่ระบบโดยใช้บัญชี Gmail ส่วนตัว
ทำตามวิธีการทีละขั้นตอนจากพอร์ทัล

ยินดีต้อนรับสู่ส่วนที่ 2 ของซีรีส์ "การสร้าง AI Agent ด้วย ADK" ใน Codelab เชิงปฏิบัตินี้ คุณจะได้เพิ่มศักยภาพให้กับ AI Agent พื้นฐานด้วยเครื่องมือที่หลากหลาย

คู่มือนี้มี 2 เส้นทางให้คุณเลือกเพื่อเริ่มต้นใช้งาน เส้นทางหนึ่งสำหรับผู้ที่ทำ Codelab "การสร้าง AI Agent ด้วย ADK: รากฐาน" เสร็จแล้ว และอีกเส้นทางหนึ่งสำหรับผู้ที่เพิ่งเริ่มต้น ทั้ง 2 เส้นทางจะช่วยให้คุณมีโค้ด Agent พื้นฐานที่จำเป็นในการเริ่มต้น

เมื่อสิ้นสุด Codelab นี้ คุณจะเพิ่มศักยภาพให้กับ Agent ผู้ช่วยส่วนตัวด้วยเครื่องมือต่างๆ เพื่อวัตถุประสงค์ที่หลากหลาย ซึ่งจะช่วยให้คุณเข้าใกล้การขยายความสามารถของ Agent ในส่วนต่อๆ ไปของซีรีส์นี้มากขึ้น ขณะที่เราเปลี่ยน Agent ให้เป็นระบบ Multi-Agent System (MAS) ที่ซับซ้อน

นอกจากนี้ คุณยังเข้าถึง Codelab นี้ได้ผ่าน URL แบบย่อ goo.gle/adk-using-tools

ข้อกำหนดเบื้องต้น

มีความเข้าใจเกี่ยวกับแนวคิดของ Generative AI
มีความสามารถพื้นฐานในการเขียนโปรแกรม Python
ทำ Codelab "การสร้าง AI Agent ด้วย ADK: รากฐาน" หรือ Codelab ที่คล้ายกันเสร็จแล้ว

สิ่งที่คุณจะได้เรียนรู้

เพิ่มทักษะใหม่ๆ ให้กับ Agent โดยการสร้างฟังก์ชัน Python ที่กำหนดเองเป็นเครื่องมือ
เชื่อมต่อ Agent กับข้อมูลแบบเรียลไทม์โดยใช้เครื่องมือในตัว เช่น Google Search
จัดโครงสร้าง Agent ที่มีเครื่องมือหลายรายการโดยการสร้าง Agent ย่อยเฉพาะทางสำหรับงานที่ซับซ้อน
ผสานรวมเครื่องมือจากเฟรมเวิร์ก AI ยอดนิยม เช่น LangChain เพื่อขยายขีดความสามารถอย่างรวดเร็ว

สิ่งที่คุณต้องมี

คอมพิวเตอร์ที่ใช้งานได้ปกติและ Wi-Fi ที่เสถียร
เบราว์เซอร์ เช่น Chrome เพื่อเข้าถึง คอนโซล Google Cloud
ใจที่ใฝ่รู้และกระตือรือร้นที่จะเรียนรู้

2. บทนำ

Agent พื้นฐานที่สร้างด้วย ADK มี LLM ที่ทรงประสิทธิภาพ แต่ก็มีข้อจำกัดด้วยเช่นกัน นั่นคือ Agent ไม่สามารถเข้าถึงข้อมูลที่สร้างขึ้นหลังจากวันที่ฝึก และไม่สามารถโต้ตอบกับบริการภายนอกได้ Agent จึงเปรียบเสมือนผู้ช่วยที่ฉลาดและมีความรู้รอบตัว แต่ถูกขังอยู่ในห้องสมุดโดยไม่มีโทรศัพท์หรืออินเทอร์เน็ต เราจึงต้องมอบเครื่องมือให้กับ Agent เพื่อให้ Agent มีประโยชน์อย่างแท้จริง

ลองนึกภาพว่าเครื่องมือต่างๆ เป็นการให้สิทธิ์เข้าถึงโลกภายนอกแก่ผู้ช่วย AI เช่น เครื่องคิดเลข เว็บเบราว์เซอร์ หรือสิทธิ์เข้าถึงฐานข้อมูลของบริษัทที่เฉพาะเจาะจง ใน ADK เครื่องมือคือโค้ดแบบโมดูลาร์ที่ช่วยให้ Agent ทำการดำเนินการที่เฉพาะเจาะจงได้ เช่น การค้นหาข้อมูลแบบเรียลไทม์หรือการเรียก API ภายนอก การใช้เครื่องมือจะขยายขีดความสามารถของ Agent ให้ไกลกว่าการสนทนาแบบง่ายๆ

ADK มีเครื่องมือ 3 หมวดหมู่ ดังนี้

เครื่องมือฟังก์ชัน: เครื่องมือที่กำหนดเองซึ่งคุณพัฒนาขึ้นเพื่อตอบสนองความต้องการเฉพาะของแอปพลิเคชัน เช่น ฟังก์ชันและ Agent ที่กำหนดไว้ล่วงหน้า
เครื่องมือในตัว: เครื่องมือที่พร้อมใช้งานซึ่งเฟรมเวิร์กมีไว้ให้สำหรับการดำเนินการทั่วไป เช่น Google Search และการดำเนินการโค้ด
เครื่องมือของบุคคลที่สาม: ไลบรารีภายนอกยอดนิยม เช่น Serper รวมถึงเครื่องมือจาก LangChain และ CrewAI

ดูข้อมูลเพิ่มเติมเกี่ยวกับการใช้เครื่องมือกับ Agent ของ ADK ได้ที่ เอกสารประกอบอย่างเป็นทางการ ใน Codelab นี้ เราจะเพิ่มเครื่องมือเพื่อเปลี่ยน Agent แบบง่ายๆ ให้เป็นผู้ช่วยด้านการเดินทางส่วนตัวที่มีความสามารถ มาเริ่มกันเลย

3. เริ่มต้นใช้งาน: Agent พื้นฐาน

คุณต้องมี Agent พื้นฐานก่อนจึงจะเพิ่มศักยภาพให้กับ Agent ด้วยเครื่องมือได้ เลือกเส้นทางที่เหมาะกับความคืบหน้าของคุณมากที่สุด

เส้นทาง ก.: ทำต่อจาก Codelab รากฐาน

หากคุณเพิ่งทำ Codelab "การสร้าง AI Agent ด้วย ADK: รากฐาน" เสร็จแล้ว ก็พร้อมแล้ว คุณสามารถทำงานต่อในไดเรกทอรีโปรเจ็กต์ ai-agents-adk ที่มีอยู่ได้

เส้นทาง ข.: เริ่มต้นใหม่

หากคุณเริ่ม Codelab นี้โดยตรง ให้ทำตาม 4 ขั้นตอนต่อไปนี้เพื่อตั้งค่าสภาพแวดล้อมและสร้าง Agent เริ่มต้นที่จำเป็น

เมื่อทำตามขั้นตอนต่างๆ เสร็จแล้ว คุณก็พร้อมที่จะเริ่มต้นการเดินทางเพื่อการเรียนรู้แล้ว

4. สร้างเครื่องมือที่กำหนดเองสำหรับการแลกเปลี่ยนสกุลเงิน

ในขั้นตอนนี้ คุณควรทราบวิธีสร้าง AI Agent แบบง่ายๆ โดยใช้ ADK และเรียกใช้ Agent ใน UI การพัฒนาแล้ว

ลองนึกภาพว่าคุณกำลังเตรียมตัวเดินทางไปญี่ปุ่นในเดือนหน้าและต้องตรวจสอบอัตราแลกเปลี่ยนสกุลเงินปัจจุบัน ถาม Agent ว่า "อัตราแลกเปลี่ยนจากดอลลาร์สิงคโปร์เป็นเยนญี่ปุ่นเป็นเท่าไร"

คุณจะเห็นว่า Agent ไม่สามารถดึงอัตราแลกเปลี่ยนแบบเรียลไทม์ได้ เนื่องจากปัจจุบัน Agent ไม่มีการเข้าถึงอินเทอร์เน็ตและการเชื่อมต่อระบบภายนอก แม้ว่า Agent จะตอบกลับด้วยค่าใดค่าหนึ่ง แต่ก็ยากที่จะเชื่อถือค่าดังกล่าวเนื่องจากค่าดังกล่าวอาจเป็นข้อมูลที่ Agent สร้างขึ้นเอง

เราจะแก้ปัญหานี้โดยการใช้ฟังก์ชัน Python เพื่อดึงอัตราแลกเปลี่ยนผ่าน REST API และผสานรวมฟังก์ชันดังกล่าวเป็นเครื่องมือฟังก์ชัน สำหรับ Agent

ยุติกระบวนการ Agent ที่กำลังทำงานอยู่โดยใช้แป้นพิมพ์ลัด Ctrl + C ในหน้าต่างเทอร์มินัล

สร้างไฟล์ `custom_functions.py`

เรียกใช้คำสั่งนี้ในเทอร์มินัลเพื่อสร้างไฟล์ Python ชื่อ custom_functions.py ในโฟลเดอร์ personal_assistant และเปิดไฟล์ในโปรแกรมแก้ไขโค้ด ด้วย

cloudshell edit personal_assistant/custom_functions.py

โครงสร้างโฟลเดอร์ควรมีลักษณะดังนี้

ai-agents-adk/
└── personal_assistant/
    ├── .env
    ├── __init__.py
    ├── agent.py
    └── custom_functions.py

ไฟล์ custom_functions.py นี้จะมีฟังก์ชัน Python ที่รับผิดชอบในการดึงข้อมูลอัตราแลกเปลี่ยนจาก API ภายนอก คัดลอกและวางโค้ดต่อไปนี้ลงในไฟล์

import requests

# define a function to get exchange rate
def get_fx_rate(base: str, target: str):
        """
        Fetches the current exchange rate between two currencies.

        Args:
                base: The base currency (e.g., "SGD").
                target: The target currency (e.g., "JPY").

        Returns:
                The exchange rate information as a json response,
                or None if the rate could not be fetched.
        """
        base_url = "https://hexarate.paikama.co/api/rates/latest"
        api_url = f"{base_url}/{base}?target={target}"

        response = requests.get(api_url)
        if response.status_code == 200:
                return response.json()

หมายเหตุ: โปรดสังเกตข้อความอธิบายภายในเครื่องหมายคำพูด 3 ตัว ("""...""") อย่างละเอียด ข้อความนี้เรียกว่า docstring แม้ว่าจะเป็นแนวทางปฏิบัติที่ดีสำหรับนักพัฒนาซอฟต์แวร์ที่เป็นมนุษย์ แต่ก็จำเป็นอย่างยิ่งสำหรับ AI Agent

LLM พื้นฐานของ Agent จะอ่านชื่อฟังก์ชันและ docstring นี้เพื่อทำความเข้าใจว่าเครื่องมือทำอะไร อาร์กิวเมนต์ของเครื่องมือ (base และ target ในกรณีนี้) หมายความว่าอย่างไร และควรใช้เครื่องมือเมื่อใด

docstring ที่ชัดเจนและอธิบายได้ดีเป็นปัจจัยที่สำคัญที่สุดเพียงอย่างเดียวที่จะช่วยให้ Agent ใช้เครื่องมือของคุณได้อย่างถูกต้อง

ตอนนี้ ให้แก้ไขไฟล์ agent.py โดยนำเข้าฟังก์ชัน get_fx_rate และกำหนดฟังก์ชันดังกล่าวเป็น FunctionTool

อัปเดตไฟล์ `agent.py`

คัดลอกบล็อกโค้ดนี้และแทนที่เนื้อหาที่มีอยู่ในไฟล์ agent.py

from google.adk.agents import Agent
from google.adk.tools import FunctionTool

from .custom_functions import get_fx_rate

root_agent = Agent(
    model='gemini-2.5-flash',
    name='root_agent',
    description='A helpful assistant for user questions.',
    instruction='Answer user questions to the best of your knowledge',
    tools=[FunctionTool(get_fx_rate)]
)

หลังจากทำการเปลี่ยนแปลงแล้ว ให้เริ่ม Agent อีกครั้งโดยพิมพ์คำสั่งต่อไปนี้

adk web --allow_origins "regex:https://.*\.cloudshell\.dev"

เมื่อ Agent พร้อมทำงานแล้ว ให้ถามคำถามเดิมอีกครั้งว่า "อัตราแลกเปลี่ยนจากดอลลาร์สิงคโปร์เป็นเยนญี่ปุ่นเป็นเท่าไร"

คราวนี้คุณควรเห็นอัตราแลกเปลี่ยนจริงที่เครื่องมือ get_fx_rate ให้ไว้

คุณสามารถถามคำถามที่เกี่ยวข้องกับการแลกเปลี่ยนสกุลเงินได้ตามต้องการ

5. ผสานรวมกับเครื่องมือ Google Search ในตัว

เมื่อ Agent สามารถให้อัตราแลกเปลี่ยนได้แล้ว งานต่อไปคือการรับพยากรณ์อากาศของเดือนหน้า ถามคำถามนี้กับ Agent ว่า "พยากรณ์อากาศของโตเกียว ประเทศญี่ปุ่นในเดือนหน้าเป็นอย่างไร"

อย่างที่คุณอาจคาดไว้ การพยากรณ์อากาศต้องใช้ข้อมูลแบบเรียลไทม์ซึ่ง Agent ของเราไม่มี แม้ว่าเราจะเขียนโค้ดฟังก์ชัน Python ใหม่สำหรับกรณีการใช้งานแต่ละกรณีที่ต้องใช้ข้อมูลแบบเรียลไทม์ได้ แต่การเพิ่มเครื่องมือที่กำหนดเองมากขึ้นเรื่อยๆ จะทำให้ Agent ซับซ้อนและจัดการได้ยากอย่างรวดเร็ว

โชคดีที่ Agent Development Kit (ADK) มีเครื่องมือในตัว มากมาย รวมถึง Google Search ที่พร้อมใช้งาน ซึ่งช่วยลดความซับซ้อนในการโต้ตอบของ Agent กับโลกภายนอก

หากต้องการติดตั้งเครื่องมือ Google Search ให้กับ Agent คุณต้องใช้รูปแบบ Multi-Agent ขั้นแรก ให้สร้าง Agent เฉพาะทางที่มีหน้าที่เดียวคือการทำการค้นหาใน Google จากนั้นกำหนดAgent Google Search ใหม่นี้ให้กับ personal_assistant หลักของเราเป็นเครื่องมือ โดยทำตามขั้นตอนต่อไปนี้

สร้างไฟล์ `custom_agents.py`

เรียกใช้คำสั่งนี้ในเทอร์มินัลเพื่อ สร้างไฟล์ Python ชื่อ custom_agents.py ในโฟลเดอร์ personal_assistant และ เปิดไฟล์ในโปรแกรมแก้ไขโค้ด:

cloudshell edit personal_assistant/custom_agents.py

โครงสร้างโฟลเดอร์ควรมีลักษณะดังนี้

ai-agents-adk/
└── personal_assistant/
    ├── .env
    ├── __init__.py
    ├── agent.py
    ├── custom_functions.py
    └── custom_agents.py

ไฟล์ custom_agents.py นี้จะมีโค้ดสำหรับ google_search_agent เฉพาะทาง คัดลอกโค้ดต่อไปนี้ลงในไฟล์ custom_agents.py

from google.adk.agents import Agent
from google.adk.tools import google_search


# Create an agent with google search tool as a search specialist
google_search_agent = Agent(
    model='gemini-2.5-flash',
    name='google_search_agent',
    description='A search agent that uses google search to get latest information about current events, weather, or business hours.',
    instruction='Use google search to answer user questions about real-time, logistical information.',
    tools=[google_search],
)

เมื่อสร้างไฟล์แล้ว ให้อัปเดตไฟล์ agent.py ตามที่แสดงด้านล่าง

อัปเดตไฟล์ `agent.py`

คัดลอกบล็อกโค้ดนี้และแทนที่เนื้อหาที่มีอยู่ในไฟล์ agent.py

from google.adk.agents import Agent
from google.adk.tools import FunctionTool
from google.adk.tools.agent_tool import AgentTool

from .custom_functions import get_fx_rate
from .custom_agents import google_search_agent


root_agent = Agent(
    model='gemini-2.5-flash',
    name='root_agent',
    description='A helpful assistant for user questions.',
    tools=[
        FunctionTool(get_fx_rate), 
        AgentTool(agent=google_search_agent),
    ]
)

มาดูรูปแบบใหม่ที่มีประสิทธิภาพในโค้ดกัน

Agent ผู้เชี่ยวชาญใหม่: เราได้กำหนด Agent ใหม่ทั้งหมดชื่อ google_search_agent โปรดสังเกตคำอธิบายที่เฉพาะเจาะจงและเครื่องมือเดียวของ Agent คือ google_search Agent นี้เป็นผู้เชี่ยวชาญด้านการค้นหา
agent_tool.AgentTool: นี่คือ Wrapper พิเศษจาก ADK โดยจะนำ Agent ทั้งหมด (google_search_agent ของเรา) มาแพ็กเกจเพื่อให้มีลักษณะและทำงานเหมือนเครื่องมือมาตรฐาน
**`root_agent` ที่ฉลาดขึ้น** : ตอนนี้ root_agent ของเรามีเครื่องมือใหม่คือ AgentTool(agent=google_search_agent)root_agent Agent นี้ไม่ทราบวิธีค้นหาในเว็บ แต่ทราบว่ามีเครื่องมือที่สามารถมอบหมายงานการค้นหาให้ได้

โปรดสังเกตว่าช่องคำแนะนำหายไปจาก root_agent ตอนนี้คำแนะนำของ Agent ถูกกำหนดโดยนัยตามเครื่องมือที่ Agent มี

root_agent กลายเป็นผู้ประสานงานหรือเราเตอร์ที่มีหน้าที่หลักคือทำความเข้าใจคำขอของผู้ใช้และส่งคำขอไปยังเครื่องมือที่ถูกต้อง ไม่ว่าจะเป็นฟังก์ชัน get_fx_rate หรือ google_search_agent การออกแบบแบบกระจายอำนาจนี้เป็นสิ่งสำคัญในการสร้างระบบ Agent ที่ซับซ้อนและดูแลรักษาได้

ตอนนี้ ให้พิมพ์คำสั่งนี้ในเทอร์มินัลเพื่อเริ่มอินสแตนซ์

adk web --allow_origins "regex:https://.*\.cloudshell\.dev"

เมื่อ Agent ทำงานแล้ว ให้ถามคำถามนี้กับ Agent อีกครั้งว่า "พยากรณ์อากาศของโตเกียว ประเทศญี่ปุ่นในเดือนหน้าเป็นอย่างไร"

ตอนนี้ Agent ใช้ google_search_agent เพื่อรับข้อมูลล่าสุดแล้ว

คุณยังลองถามคำถามเกี่ยวกับอัตราแลกเปลี่ยนปัจจุบันได้ด้วย ตอนนี้ Agent ควรใช้เครื่องมือที่เหมาะสมกับคำถามแต่ละข้อได้แล้ว

คุณสามารถถามคำถามอื่นๆ ที่ต้องใช้ข้อมูลแบบเรียลไทม์กับ Agent และสังเกตวิธีที่ Agent จัดการคำค้นหาโดยใช้เครื่องมือที่มีอยู่

6. ใช้ประโยชน์จากเครื่องมือ Wikipedia ของ LangChain

Agent ของเรากำลังพัฒนาให้เป็นผู้ช่วยด้านการเดินทางที่ยอดเยี่ยม Agent สามารถจัดการการแลกเปลี่ยนสกุลเงินด้วยเครื่องมือ get_fx_rate และจัดการโลจิสติกส์ด้วยเครื่องมือ google_search_agent แต่การเดินทางที่ยอดเยี่ยมไม่ได้มีแค่เรื่องโลจิสติกส์เท่านั้น แต่ยังรวมถึงการทำความเข้าใจวัฒนธรรมและประวัติศาสตร์ของจุดหมายปลายทางด้วย

แม้ว่า google_search_agent จะค้นหาข้อเท็จจริงทางวัฒนธรรมและประวัติศาสตร์ได้ แต่ข้อมูลจากแหล่งข้อมูลเฉพาะ เช่น Wikipedia มักจะมีโครงสร้างและเชื่อถือได้มากกว่า

โชคดีที่ ADK ได้รับการออกแบบมาให้ขยายได้สูง ซึ่งช่วยให้คุณผสานรวมเครื่องมือจากเฟรมเวิร์ก AI Agent อื่นๆ เช่น CrewAI และ LangChain ได้อย่างราบรื่น การทำงานร่วมกันนี้มีความสำคัญอย่างยิ่งเนื่องจากช่วยลดเวลาในการพัฒนาและช่วยให้คุณนำเครื่องมือที่มีอยู่กลับมาใช้ซ้ำได้ สำหรับกรณีการใช้งานนี้ เราจะใช้ประโยชน์จากเครื่องมือ Wikipedia จาก LangChain

ขั้นแรก ให้หยุดกระบวนการ Agent ที่กำลังทำงานอยู่ (Ctrl + C) และติดตั้งไลบรารีเพิ่มเติมลงในสภาพแวดล้อมเสมือนของ Python ปัจจุบันโดยพิมพ์คำสั่งต่อไปนี้ในเทอร์มินัล

uv pip install langchain-community wikipedia

สร้างไฟล์ `third_party_tools.py`

คำสั่งต่อไปนี้จะสร้างไฟล์ Python ชื่อ third_party_tools.py ในโฟลเดอร์ personal_assistant และเปิดไฟล์ใน Cloud Editor:

cloudshell edit personal_assistant/third_party_tools.py

โครงสร้างโฟลเดอร์ควรมีลักษณะดังนี้

ai-agents-adk/
└── personal_assistant/
    ├── .env
    ├── __init__.py
    ├── agent.py
    ├── custom_functions.py
    ├── custom_agents.py
    └── third_party_tools.py

ไฟล์นี้จะมีการติดตั้งใช้งานเครื่องมือ Wikipedia ของ LangChain คัดลอกโค้ดต่อไปนี้ลงในไฟล์ third_party_tools.py****

from langchain_community.tools import WikipediaQueryRun
from langchain_community.utilities import WikipediaAPIWrapper

# Configure the Wikipedia LangChain tool to act as our cultural guide
langchain_wikipedia_tool = WikipediaQueryRun(
    api_wrapper=WikipediaAPIWrapper(top_k_results=1, doc_content_chars_max=3000)
)

# Give the tool a more specific description for our agent
langchain_wikipedia_tool.description = (
    "Provides deep historical and cultural information on landmarks, concepts, and places."
    "Use this for 'tell me about' or 'what is the history of' type questions."
)

อัปเดตไฟล์ `agent.py`

ตอนนี้ ให้อัปเดตไฟล์ agent.py ด้วยเนื้อหาด้านล่าง

from google.adk.agents import Agent
from google.adk.tools import FunctionTool
from google.adk.tools.agent_tool import AgentTool
from google.adk.tools.langchain_tool import LangchainTool

from .custom_functions import get_fx_rate
from .custom_agents import google_search_agent
from .third_party_tools import langchain_wikipedia_tool


root_agent = Agent(
    model='gemini-2.5-flash',
    name='root_agent',
    description='A helpful assistant for user questions.',
    tools=[
        FunctionTool(get_fx_rate), 
        AgentTool(agent=google_search_agent),
        LangchainTool(langchain_wikipedia_tool),
    ]
)

ตอนนี้ ให้พิมพ์คำสั่งนี้ในเทอร์มินัลเพื่อเริ่มอินสแตนซ์

adk web --allow_origins "regex:https://.*\.cloudshell\.dev"

เมื่อ Agent พร้อมแล้ว ให้ถามคำถามนี้กับ Agent ว่า "เล่าประวัติของเกียวโตให้ฉันฟังหน่อย"

Agent ระบุคำถามนี้ได้อย่างถูกต้องว่าเป็นคำถามเกี่ยวกับประวัติศาสตร์และใช้เครื่องมือ Wikipedia ใหม่ การผสานรวมเครื่องมือของบุคคลที่สามและกำหนดบทบาทที่เฉพาะเจาะจงให้กับเครื่องมือดังกล่าวจะทำให้ Agent ของคุณฉลาดขึ้นและมีประโยชน์มากขึ้นอย่างมากสำหรับวัตถุประสงค์ในการวางแผนการเดินทาง

หากต้องการดูวิธีที่ Agent เลือกตัวเลือกนี้อย่างละเอียด ให้ใช้เครื่องมือตรวจสอบเหตุการณ์ใน UI adk web คลิกแท็บเหตุการณ์ แล้วคลิกเหตุการณ์ functionCall ล่าสุด

เครื่องมือตรวจสอบจะแสดงรายการเครื่องมือทั้งหมดที่พร้อมใช้งานและไฮไลต์ tool_code ของเครื่องมือที่ Agent เรียกใช้

7. ล้างข้อมูล (ไม่บังคับ)

เนื่องจาก Codelab นี้ไม่ได้เกี่ยวข้องกับผลิตภัณฑ์ที่ทำงานเป็นเวลานาน การหยุดเซสชัน Agent ที่ใช้งานอยู่ (เช่น อินสแตนซ์ adk web ในเทอร์มินัล) โดยการกด Ctrl + C ในเทอร์มินัลก็เพียงพอแล้ว

ลบโฟลเดอร์และไฟล์โปรเจ็กต์ Agent

หากต้องการนำโค้ดออกจากสภาพแวดล้อมของ Shell ใน Cloud Shell เท่านั้น ให้ใช้คำสั่งต่อไปนี้

cd ~
rm -rf ai-agents-adk

ปิดใช้ Vertex AI API

หากต้องการปิดใช้ Vertex AI API ที่เปิดใช้ไว้ก่อนหน้านี้ ให้เรียกใช้คำสั่งนี้

gcloud services disable aiplatform.googleapis.com

ปิดโปรเจ็กต์ Google Cloud ทั้งหมด

หากต้องการปิดโปรเจ็กต์ Google Cloud ทั้งหมด โปรดดูคำแนะนำโดยละเอียดในคู่มืออย่างเป็นทางการ

8. บทสรุป

ยินดีด้วย คุณได้เพิ่มศักยภาพให้กับ Agent ผู้ช่วยส่วนตัวด้วยฟังก์ชันที่กำหนดเองและการเข้าถึง Google Search แบบเรียลไทม์เรียบร้อยแล้ว อ่านเอกสารประกอบอย่างเป็นทางการนี้เกี่ยวกับการใช้เครื่องมือกับ Google ADK

สิ่งที่สำคัญกว่านั้นคือ คุณได้เรียนรู้รูปแบบสถาปัตยกรรมพื้นฐานสำหรับการสร้าง Agent ที่มีความสามารถ นั่นคือการใช้ Agent เฉพาะทางเป็นเครื่องมือ การสร้าง google_search_agent เฉพาะและมอบ Agent ดังกล่าวให้กับ root_agent เป็นก้าวแรกของคุณจากการสร้าง Agent เดียวไปสู่การประสานงานระบบ Multi-Agent System ที่เรียบง่ายแต่ทรงประสิทธิภาพ

ตอนนี้คุณพร้อมอย่างเต็มที่สำหรับ Codelab ถัดไป (เร็วๆ นี้) ในซีรีส์นี้ ซึ่งเราจะเจาะลึกถึงการประสานงาน Agent และเวิร์กโฟลว์หลายรายการ แล้วเจอกัน

การสร้างเอเจนต์ AI ด้วย ADK: การเพิ่มศักยภาพด้วยเครื่องมือ

1. ก่อนเริ่มต้น

ข้อกำหนดเบื้องต้น

สิ่งที่คุณจะได้เรียนรู้

สิ่งที่คุณต้องมี

2. บทนำ

3. เริ่มต้นใช้งาน: Agent พื้นฐาน

4. สร้างเครื่องมือที่กำหนดเองสำหรับการแลกเปลี่ยนสกุลเงิน

สร้างไฟล์ custom_functions.py

อัปเดตไฟล์ agent.py

5. ผสานรวมกับเครื่องมือ Google Search ในตัว

สร้างไฟล์ custom_agents.py

อัปเดตไฟล์ agent.py

6. ใช้ประโยชน์จากเครื่องมือ Wikipedia ของ LangChain

สร้างไฟล์ third_party_tools.py

อัปเดตไฟล์ agent.py

7. ล้างข้อมูล (ไม่บังคับ)

ลบโฟลเดอร์และไฟล์โปรเจ็กต์ Agent

ปิดใช้ Vertex AI API

ปิดโปรเจ็กต์ Google Cloud ทั้งหมด

8. บทสรุป

สร้างไฟล์ `custom_functions.py`

อัปเดตไฟล์ `agent.py`

สร้างไฟล์ `custom_agents.py`

อัปเดตไฟล์ `agent.py`

สร้างไฟล์ `third_party_tools.py`

อัปเดตไฟล์ `agent.py`