Google ใช้เทคโนโลยี AI เพื่อแปลเนื้อหาเป็นภาษาที่คุณต้องการ การแปลโดย AI อาจมีข้อผิดพลาด

การสร้างเอเจนต์ AI ด้วย ADK: การเพิ่มศักยภาพด้วยเครื่องมือ

1. ก่อนเริ่มต้น

โปรดอ่าน:

บทแนะนำนี้ต้องใช้โปรเจ็กต์ Google Cloud ที่มีบัญชีสำหรับการเรียกเก็บเงินที่ใช้งานอยู่

สำหรับผู้เข้าร่วมเวิร์กช็อปแบบเข้าร่วมด้วยตนเอง

ทำตามวิธีการตั้งค่าและการเรียกเก็บเงินที่เฉพาะเจาะจงซึ่งผู้สอนระบุไว้

สำหรับผู้ใช้ที่ศึกษาด้วยตนเอง

ทำตามขั้นตอนต่อไปนี้เพื่อแลกรับช่วงทดลองใช้

เปิดหน้าต่างที่ไม่ระบุตัวตนในเบราว์เซอร์
ไปที่พอร์ทัลแลกรับข้อเสนอนี้
เข้าสู่ระบบโดยใช้บัญชี Gmail ส่วนตัว
ทำตามวิธีการแบบทีละขั้นตอนจากพอร์ทัล

ยินดีต้อนรับสู่ตอนที่ 2 ของซีรีส์ "การสร้าง AI Agent ด้วย ADK" ใน Codelab เชิงปฏิบัตินี้ คุณจะได้เพิ่มขีดความสามารถให้กับ AI Agent พื้นฐานด้วยเครื่องมือต่างๆ

หากต้องการเริ่มต้นใช้งาน คู่มือนี้มี 2 เส้นทาง ได้แก่ เส้นทางสำหรับผู้ที่ทำตาม Codelab การสร้าง AI Agent ด้วย ADK: รากฐาน และเส้นทางสำหรับผู้ที่เริ่มต้นใหม่ ทั้ง 2 เส้นทางจะช่วยให้คุณมีโค้ดเอเจนต์พื้นฐานที่จำเป็นในการเริ่มต้น

เมื่อจบคอดแล็บนี้ คุณจะมอบเครื่องมือสำหรับวัตถุประสงค์ต่างๆ ให้กับเอเจนต์ผู้ช่วยส่วนตัว ซึ่งจะช่วยให้คุณเข้าใกล้การขยายความในส่วนต่อๆ ไปของชุดนี้มากขึ้น ขณะที่เราเปลี่ยนเอเจนต์ให้เป็นระบบแบบหลายเอเจนต์ (MAS) ที่ซับซ้อน

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

ข้อกำหนดเบื้องต้น

ความเข้าใจแนวคิดเกี่ยวกับ Generative AI
มีความเชี่ยวชาญพื้นฐานด้านการเขียนโปรแกรม Python
คุ้นเคยกับเครื่องมือ gcloud CLI และ Python uv
ทำ Codelab การสร้าง AI Agent ด้วย ADK: รากฐาน หรือ Codelab ที่คล้ายกันเสร็จแล้ว

สิ่งที่คุณจะได้เรียนรู้

มอบทักษะใหม่ๆ ให้เอเจนต์ด้วยการสร้างฟังก์ชัน Python ที่กำหนดเองเป็นเครื่องมือ
เชื่อมต่อเอเจนต์กับข้อมูลแบบเรียลไทม์โดยใช้เครื่องมือในตัว เช่น Google Search
จัดโครงสร้างเอเจนต์แบบหลายเครื่องมือโดยการสร้างเอเจนต์ย่อยเฉพาะทางสำหรับงานที่ซับซ้อน
ผสานรวมเครื่องมือจากเฟรมเวิร์ก AI ยอดนิยม เช่น LangChain เพื่อขยายขีดความสามารถอย่างรวดเร็ว

สิ่งที่คุณต้องมี

คอมพิวเตอร์ที่ใช้งานได้และ Wi-Fi ที่เสถียร
เบราว์เซอร์ เช่น Chrome เพื่อเข้าถึงคอนโซล Google Cloud
มีใจใฝ่รู้และกระตือรือร้นที่จะเรียนรู้

2. บทนำ

เอเจนต์พื้นฐานที่สร้างด้วย ADK มีสมอง LLM ที่ทรงพลัง แต่ก็มีข้อจำกัดเช่นกัน นั่นคือไม่สามารถเข้าถึงข้อมูลที่สร้างขึ้นหลังจากวันที่ฝึก และไม่สามารถโต้ตอบกับบริการภายนอกได้ ซึ่งก็เหมือนกับผู้ช่วยที่ฉลาดและรอบรู้แต่ถูกขังอยู่ในห้องสมุดโดยไม่มีโทรศัพท์หรืออินเทอร์เน็ต เราต้องมอบเครื่องมือให้ Agent เพื่อให้ Agent มีประโยชน์อย่างแท้จริง

ให้คิดว่าเครื่องมือเป็นการให้สิทธิ์เข้าถึงโลกภายนอกแก่ผู้ช่วย AI เช่น เครื่องคิดเลข เว็บเบราว์เซอร์ หรือสิทธิ์เข้าถึงฐานข้อมูลของบริษัทที่เฉพาะเจาะจง ใน ADK เครื่องมือคือโค้ดแบบแยกส่วนที่ช่วยให้เอเจนต์ดำเนินการบางอย่างได้ เช่น ค้นหาข้อมูลแบบเรียลไทม์หรือเรียกใช้ API ภายนอก การใช้เครื่องมือจะช่วยขยายความสามารถของ AI ให้เหนือกว่าการสนทนาแบบง่ายๆ

ADK มีเครื่องมือ 3 หมวดหมู่ ได้แก่

เครื่องมือฟังก์ชัน: เครื่องมือที่กำหนดเองซึ่งคุณพัฒนาขึ้นเพื่อตอบสนองข้อกำหนดเฉพาะของแอปพลิเคชัน เช่น ฟังก์ชันและเอเจนต์ที่กำหนดไว้ล่วงหน้า
เครื่องมือในตัว: เครื่องมือที่พร้อมใช้งานซึ่งเฟรมเวิร์กมีให้สำหรับการดำเนินการทั่วไป เช่น Google Search และการดำเนินการโค้ด
เครื่องมือของบุคคลที่สาม: ไลบรารีภายนอกยอดนิยม เช่น Serper และเครื่องมือจาก LangChain และ CrewAI

ดูข้อมูลเพิ่มเติมเกี่ยวกับการใช้เครื่องมือกับ ADK Agent ได้ที่เอกสารประกอบอย่างเป็นทางการ ใน Codelab นี้ เราจะเพิ่มเครื่องมือเพื่อเปลี่ยนเอเจนต์แบบง่ายๆ ให้เป็นผู้ช่วยด้านการเดินทางส่วนตัวที่มีความสามารถ มาเริ่มกันเลย

3. เริ่มต้นใช้งาน: Agent ฐาน

ก่อนที่จะมอบเครื่องมือให้ตัวแทน คุณต้องมีตัวแทนพื้นฐานเพื่อใช้งานก่อน เลือกเส้นทางที่เหมาะกับความคืบหน้าของคุณมากที่สุด

เส้นทาง A: ดำเนินการต่อจาก Codelab พื้นฐาน

หากเพิ่งทำ Codelab การสร้าง AI Agent ด้วย ADK: รากฐาน เสร็จสิ้น คุณก็พร้อมใช้งาน คุณสามารถทำงานในไดเรกทอรีโปรเจ็กต์ ai-agents-adk ที่มีอยู่ต่อไปได้

หากไม่เห็น (ai-agents-adk) ในพรอมต์ Cloud Shell ให้เรียกใช้คำสั่งต่อไปนี้เพื่อเปิดใช้งานสภาพแวดล้อมเสมือนของ Python

cd ~/ai-agents-adk
source .venv/bin/activate

เส้นทางที่ 2: เริ่มต้นใหม่

หากเพิ่งเริ่มใช้ Codelab นี้โดยตรง ให้ทำตาม 4 ขั้นตอนต่อไปนี้เพื่อตั้งค่าสภาพแวดล้อมและสร้าง Agent เริ่มต้นที่จำเป็น

เมื่อทำตามขั้นตอนเสร็จแล้ว คุณก็พร้อมที่จะเริ่มต้นเส้นทางการเรียนรู้

4. สร้างเครื่องมือที่กำหนดเองสำหรับการแลกเปลี่ยนสกุลเงิน

ในขั้นตอนนี้ คุณควรทราบวิธีสร้าง AI Agent อย่างง่ายโดยใช้ ADK และเรียกใช้ใน UI การพัฒนาแล้ว

สมมติว่าคุณกำลังเตรียมตัวไปเที่ยวญี่ปุ่นในเดือนหน้าและต้องการตรวจสอบอัตราแลกเปลี่ยนสกุลเงินปัจจุบัน ถามตัวแทนว่า "อัตราแลกเปลี่ยนจากดอลลาร์สิงคโปร์เป็นเยนญี่ปุ่นคือเท่าไหร่"

คุณจะเห็นว่าเอเจนต์ไม่สามารถดึงอัตราแลกเปลี่ยนแบบเรียลไทม์ได้ เนื่องจากปัจจุบันเอเจนต์ไม่มีสิทธิ์เข้าถึงอินเทอร์เน็ตและเชื่อมต่อกับระบบภายนอก แม้ว่าเอเจนต์จะตอบกลับด้วยค่าใดค่าหนึ่ง แต่ก็ยากที่จะเชื่อถือค่าดังกล่าวเนื่องจากมีแนวโน้มที่จะเป็นอาการหลอนของ AI

เราจึงจะใช้ฟังก์ชัน Python เพื่อดึงข้อมูลอัตราแลกเปลี่ยนผ่าน REST API และผสานรวมเป็นเครื่องมือฟังก์ชันสำหรับเอเจนต์

สิ้นสุดกระบวนการของเอเจนต์ที่กำลังทำงานโดยใช้แป้นพิมพ์ลัด Ctrl + C ในหน้าต่างเทอร์มินัล

สร้างไฟล์ `custom_functions.py`

เรียกใช้คำสั่งนี้ในเทอร์มินัลเพื่อสร้างไฟล์ Python ชื่อ custom_functions.py ในโฟลเดอร์ personal_assistant และเปิดในโปรแกรมแก้ไขโค้ดด้วย

cloudshell edit personal_assistant/custom_functions.py

ตอนนี้โครงสร้างโฟลเดอร์ควรมีลักษณะดังนี้

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: โปรดอ่านข้อความอธิบายภายในเครื่องหมายคำพูด 3 ตัว ("""...""") อย่างละเอียด ซึ่งเรียกว่า Docstring แม้ว่าจะเป็นแนวทางปฏิบัติที่ดีสำหรับนักพัฒนาซอฟต์แวร์ที่เป็นมนุษย์ แต่ก็มีความสำคัญอย่างยิ่งสำหรับเอเจนต์ AI

LLM พื้นฐานของ Agent จะอ่านชื่อฟังก์ชันและสตริงเอกสารนี้เพื่อทำความเข้าใจว่าเครื่องมือทำอะไร อาร์กิวเมนต์ของเครื่องมือ (base และ target ในกรณีนี้) หมายถึงอะไร และควรใช้เมื่อใด

Docstring ที่ชัดเจนและสื่อความหมายเป็นปัจจัยที่สำคัญที่สุดที่ Agent จะใช้เครื่องมือของคุณได้อย่างถูกต้อง

ตอนนี้ ให้แก้ไขไฟล์ agent.py โดยนำเข้าฟังก์ชัน get_fx_rate และกำหนดให้เป็น FunctionTool

อัปเดตไฟล์ `agent.py`

คัดลอกบล็อกโค้ดนี้และแทนที่เนื้อหาที่มีอยู่ของไฟล์ 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-3.5-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 ให้เริ่มเอเจนต์อีกครั้งโดยพิมพ์คำสั่งต่อไปนี้

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

เมื่อ Agent พร้อมให้บริการ ให้ถามคำถามเดิมอีกครั้งว่า "อัตราแลกเปลี่ยนจากดอลลาร์สิงคโปร์เป็นเยนญี่ปุ่นคือเท่าไร"

คราวนี้คุณควรเห็นอัตราแลกเปลี่ยนจริงที่get_fx_rateเครื่องมือระบุ

คุณสามารถถามคำถามเกี่ยวกับการแลกเปลี่ยนสกุลเงินได้ตามต้องการ

5. ผสานรวมกับเครื่องมือ Google Search ในตัว

เมื่อเอเจนต์สามารถให้ข้อมูลอัตราแลกเปลี่ยนได้แล้ว งานต่อไปคือการขอพยากรณ์อากาศของเดือนหน้า ถามเอเจนต์ว่า "พยากรณ์อากาศของโตเกียว ประเทศญี่ปุ่น ในเดือนหน้าเป็นอย่างไร"

อย่างที่คุณทราบ การพยากรณ์อากาศต้องใช้ข้อมูลแบบเรียลไทม์ ซึ่งตัวแทนของเราไม่มี แม้ว่าเราจะเขียนโค้ดฟังก์ชัน Python ใหม่สำหรับกรณีการใช้งานแต่ละกรณีที่ต้องใช้ข้อมูลแบบเรียลไทม์ได้ แต่การเพิ่มเครื่องมือที่กำหนดเองมากขึ้นเรื่อยๆ จะทำให้เอเจนต์ซับซ้อนเกินไปและจัดการได้ยาก

โชคดีที่ Agent Development Kit (ADK) มีชุดเครื่องมือในตัว ซึ่งรวมถึง Google Search ที่พร้อมใช้งาน ซึ่งช่วยลดความซับซ้อนของวิธีที่ Agent ของเราโต้ตอบกับโลกภายนอก

หากต้องการติดตั้งเครื่องมือค้นหาของ Google ให้กับ Agent คุณต้องใช้รูปแบบหลาย Agent ก่อนอื่น คุณต้องสร้างเอเจนต์เฉพาะที่มีหน้าที่เดียวคือการค้นหาใน Google จากนั้นกำหนด Google Search Agent ใหม่นี้ให้กับ personal_assistant หลักของเราเป็นเครื่องมือ มีขั้นตอนดังนี้

สร้างไฟล์ `custom_agents.py`

เรียกใช้คำสั่งนี้ในเทอร์มินัลเพื่อสร้างไฟล์ Python ชื่อ custom_agents.py ในโฟลเดอร์ personal_assistant และเปิดในตัวแก้ไขโค้ด

cloudshell edit personal_assistant/custom_agents.py

ตอนนี้โครงสร้างโฟลเดอร์ควรมีลักษณะดังนี้

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

ไฟล์ custom_agents.py นี้จะมีโค้ดสำหรับ google_search_agent เฉพาะ 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-3.5-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`

คัดลอกบล็อกโค้ดนี้และแทนที่เนื้อหาที่มีอยู่ของไฟล์ 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-3.5-flash',
    name='root_agent',
    description='A helpful assistant for user questions.',
    tools=[
        FunctionTool(get_fx_rate),
        AgentTool(agent=google_search_agent),
    ]
)

มาดูรูปแบบใหม่ที่ทรงพลังในโค้ดกัน

Agent ผู้เชี่ยวชาญคนใหม่: เราได้กำหนด Agent ใหม่ทั้งหมด google_search_agent โปรดทราบว่ามีคำอธิบายเฉพาะและมีเครื่องมือเดียวคือ google_search เป็นผู้เชี่ยวชาญด้านการค้นหา
agent_tool.AgentTool: นี่คือ Wrapper พิเศษจาก ADK โดยจะนำ Agent ทั้งหมด (google_search_agent) มาจัดแพ็กเกจให้ดูและทำงานเหมือนเครื่องมือมาตรฐาน
ที่ฉลาดขึ้น: root_agent ของเรามีเครื่องมือใหม่แล้ว นั่นคือ AgentTool(agent=google_search_agent)root_agent โดยโมเดลไม่รู้วิธีค้นหาบนเว็บ แต่รู้ว่ามีเครื่องมือที่สามารถมอบหมายงานค้นหาให้ได้

โปรดสังเกตว่าช่องคำสั่งหายไปจาก root_agent ตอนนี้คำสั่งของโมเดลจะกำหนดโดยนัยตามเครื่องมือที่โมเดลมีให้ใช้งาน

root_agent กลายเป็นตัวจัดระเบียบหรือเราเตอร์ที่มีหน้าที่หลักในการทำความเข้าใจคำขอของผู้ใช้และส่งคำขอนั้นไปยังเครื่องมือที่ถูกต้อง ไม่ว่าจะเป็นฟังก์ชัน get_fx_rate หรือ google_search_agent การออกแบบแบบกระจายอำนาจนี้เป็นกุญแจสำคัญในการสร้างระบบเอเจนต์ที่ซับซ้อนและดูแลรักษาได้

ตอนนี้ให้พิมพ์คำสั่งนี้ในเทอร์มินัลเพื่อเริ่มอินสแตนซ์

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

เมื่อ Agent ทำงานแล้ว ให้ถามคำถามนี้กับ Agent อีกครั้งว่า "พยากรณ์อากาศในโตเกียว ประเทศญี่ปุ่น สำหรับเดือนหน้าเป็นอย่างไร"

ตอนนี้ Agent ใช้ google_search_agent เพื่อรับข้อมูลล่าสุดแล้ว

คุณอาจลองถามคำถามเกี่ยวกับการแลกเปลี่ยนปัจจุบันได้ด้วย ตอนนี้ Agent ควรใช้เครื่องมือที่เหมาะสมกับคำถามนั้นๆ ได้แล้ว

คุณสามารถถามคำถามอื่นๆ ที่ต้องใช้ข้อมูลแบบเรียลไทม์กับตัวแทน และสังเกตวิธีที่ตัวแทนจัดการคำค้นหาโดยใช้เครื่องมือที่มี

6. ใช้เครื่องมือ Wikipedia ของ LangChain

Agent ของเรากำลังจะกลายเป็นผู้ช่วยด้านการเดินทางที่ยอดเยี่ยม โดยสามารถจัดการการแลกเปลี่ยนสกุลเงินด้วยเครื่องมือ get_fx_rate และจัดการโลจิสติกส์ด้วยเครื่องมือ google_search_agent แต่การเดินทางที่ยอดเยี่ยมไม่ได้มีแค่เรื่องการจัดการด้านโลจิสติกส์เท่านั้น แต่ยังรวมถึงการทำความเข้าใจวัฒนธรรมและประวัติศาสตร์ของจุดหมายปลายทางด้วย

แม้ว่า google_search_agent จะค้นหาข้อเท็จจริงทางวัฒนธรรมและประวัติศาสตร์ได้ แต่ข้อมูลจากแหล่งข้อมูลเฉพาะ เช่น Wikipedia มักจะมีโครงสร้างและเชื่อถือได้มากกว่า

โชคดีที่ ADK ได้รับการออกแบบมาให้ขยายได้สูง ซึ่งช่วยให้คุณผสานรวมเครื่องมือจากเฟรมเวิร์กเอเจนต์ AI อื่นๆ เช่น CrewAI และ LangChain ได้อย่างราบรื่น การทำงานร่วมกันนี้มีความสำคัญอย่างยิ่งเนื่องจากช่วยให้พัฒนาได้เร็วขึ้นและช่วยให้คุณนำเครื่องมือที่มีอยู่มาใช้ซ้ำได้ สำหรับกรณีการใช้งานนี้ เราจะใช้ประโยชน์จากเครื่องมือ Wikipedia จาก LangChain

ก่อนอื่น ให้หยุดกระบวนการของเอเจนต์ที่กําลังทํางาน (Ctrl + C) แล้วติดตั้งไลบรารีเพิ่มเติมในสภาพแวดล้อมเสมือนของ Python ปัจจุบันโดยพิมพ์คําสั่งต่อไปนี้ในเทอร์มินัล

uv pip install langchain-community wikipedia

สร้างไฟล์ `third_party_tools.py`

คำสั่งต่อไปนี้จะสร้างไฟล์ Python ชื่อ third_party_tools.py ในโฟลเดอร์ personal_assistant และเปิดใน Cloud Editor

cloudshell edit personal_assistant/third_party_tools.py

ตอนนี้โครงสร้างโฟลเดอร์ควรมีลักษณะดังนี้

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

ไฟล์นี้จะมีการติดตั้งใช้งานเครื่องมือ LangChain Wikipedia 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-3.5-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),
    ]
)

ตอนนี้ให้พิมพ์คำสั่งนี้ในเทอร์มินัลเพื่อเริ่มอินสแตนซ์

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

เมื่อตัวแทนพร้อมแล้ว ให้ถามคำถามนี้กับตัวแทน "ช่วยเล่าให้ฉันฟังเกี่ยวกับประวัติศาสตร์ของเกียวโตหน่อย"

เอเจนต์ระบุว่านี่คือคำค้นหาในอดีตได้อย่างถูกต้อง และใช้เครื่องมือ Wikipedia ใหม่ การผสานรวมเครื่องมือของบุคคลที่สามและมอบบทบาทที่เฉพาะเจาะจงให้เครื่องมือดังกล่าวจะช่วยให้เอเจนต์ของคุณฉลาดขึ้นและมีประโยชน์มากขึ้นอย่างเห็นได้ชัดสำหรับวัตถุประสงค์ในการวางแผนการเดินทาง

หากต้องการดูว่า Agent เลือกตัวเลือกนี้ได้อย่างไร คุณสามารถใช้เครื่องมือตรวจสอบเหตุการณ์ใน adk web UI คลิกแท็บเหตุการณ์ แล้วคลิกเหตุการณ์ functionCall ล่าสุด

เครื่องมือตรวจสอบจะแสดงรายการเครื่องมือทั้งหมดที่พร้อมใช้งานและไฮไลต์ tool_code สำหรับเครื่องมือที่ตัวแทนดำเนินการ

7. ทำความสะอาดสภาพแวดล้อม

เนื่องจากโค้ดแล็บนี้ไม่ได้เกี่ยวข้องกับผลิตภัณฑ์ที่ทำงานเป็นเวลานาน การหยุดเซสชันเอเจนต์ที่ใช้งานอยู่ (เช่น อินสแตนซ์ adk web ในเทอร์มินัล) โดยการกด Ctrl + C หรือ Cmd + C ในเทอร์มินัลก็เพียงพอแล้ว

ลบโฟลเดอร์และไฟล์โปรเจ็กต์ของ Agent

หากต้องการนำโค้ดออกจากสภาพแวดล้อมของ Shell ใน Cloud Shell เท่านั้น ให้ใช้คำสั่งต่อไปนี้

cd ~
rm -rf ai-agents-adk

ปิดใช้ Gemini Enterprise Agent Platform API

หากต้องการปิดใช้ API ที่เปิดใช้ก่อนหน้านี้ ให้เรียกใช้คำสั่งนี้

gcloud services disable aiplatform.googleapis.com

ปิดโปรเจ็กต์ Google Cloud ทั้งหมด

หากต้องการปิดโปรเจ็กต์ Google Cloud อย่างถาวร โปรดดูวิธีการโดยละเอียดในคู่มืออย่างเป็นทางการ

8. บทสรุป

ยินดีด้วย คุณได้มอบสิทธิ์ให้เอเจนต์ผู้ช่วยส่วนตัวด้วยฟังก์ชันที่กำหนดเองและการเข้าถึง Google Search แบบเรียลไทม์เรียบร้อยแล้ว อ่านเอกสารประกอบอย่างเป็นทางการนี้เกี่ยวกับการใช้เครื่องมือกับ Google ADK

ที่สำคัญกว่านั้นคือคุณได้เรียนรู้รูปแบบสถาปัตยกรรมพื้นฐานสำหรับการสร้างเอเจนต์ที่มีความสามารถ นั่นคือการใช้เอเจนต์เฉพาะทางเป็นเครื่องมือ การสร้าง google_search_agent เฉพาะและมอบให้ root_agent เป็นก้าวแรกในการเปลี่ยนจากการสร้าง Agent เดียวไปเป็นการประสานงานระบบแบบหลาย Agent ที่เรียบง่ายแต่ทรงพลัง

ตอนนี้คุณพร้อมอย่างยิ่งสำหรับ Codelab ถัดไป (เร็วๆ นี้) ในชุดนี้ ซึ่งเราจะเจาะลึกเรื่องการจัดระเบียบหลายเอเจนต์และเวิร์กโฟลว์ แล้วเจอกัน!

การสร้างเอเจนต์ AI ด้วย ADK: การเพิ่มศักยภาพด้วยเครื่องมือ

1. ก่อนเริ่มต้น

ข้อกำหนดเบื้องต้น

สิ่งที่คุณจะได้เรียนรู้

สิ่งที่คุณต้องมี

2. บทนำ

3. เริ่มต้นใช้งาน: Agent ฐาน

4. สร้างเครื่องมือที่กำหนดเองสำหรับการแลกเปลี่ยนสกุลเงิน

สร้างไฟล์ custom_functions.py

อัปเดตไฟล์ agent.py

5. ผสานรวมกับเครื่องมือ Google Search ในตัว

สร้างไฟล์ custom_agents.py

อัปเดตไฟล์ agent.py

6. ใช้เครื่องมือ Wikipedia ของ LangChain

สร้างไฟล์ third_party_tools.py

อัปเดตไฟล์ agent.py

7. ทำความสะอาดสภาพแวดล้อม

ลบโฟลเดอร์และไฟล์โปรเจ็กต์ของ Agent

ปิดใช้ Gemini Enterprise Agent Platform 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`