1. Ringkasan
Memilih durian yang bagus di warung pinggir jalan adalah teka-teki sensorik. Pembeli harus membedakan Musang King (D197) asli dari yang mirip, menilai apakah buahnya jatuh pagi ini atau beberapa hari yang lalu, dan menebak apakah mereka akan menikmati rasanya.
Dalam codelab ini, Anda akan membangun dan menguji sistem multi-agen Durian Sommelier multimodal dengan Agent Development Kit (ADK) dan Agents CLI, serta secara opsional men-deploy-nya ke Cloud Run dengan Antigravity CLI (langkah-langkah inti memerlukan waktu sekitar 45 menit; dua langkah Antigravity opsional memerlukan waktu sekitar 20 menit). Memilih durian menunjukkan batas persepsi AI dan awal indra manusia:
- Yang dapat dilihat AI: Gemini dapat memeriksa foto kulit durian dan menemukan penanda kultivar, seperti bintang lima titik di pangkal Musang King, ujung gelap yang cekung pada Black Thorn (D200), cincin seukuran koin pada D24, atau batang yang kering dan layu.
- Hal yang hanya dapat dirasakan oleh manusia: Model tidak dapat mengendus bagian sambungan untuk mendeteksi aroma alkohol, mengetuk kulit untuk mendengar bunyi berongga, atau menekan dua duri untuk merasakan apakah duri tersebut akan memantul kembali.
- Yang harus diingat agen: Dua durian yang matang sempurna masih membagi pembeli. Satu orang menyukai rasa pahit dan beralkohol dari XO D24 dari pohon tua, sementara yang lain menginginkan rasa manis dan tidak pahit dari Red Prawn (D175).

Yang akan Anda build
- Tahap 1 - Agen visi tunggal: Agen ADK, yang di-scaffold dengan Agents CLI, yang mengidentifikasi kultivar dan kesegaran durian dari foto.
- Tahap 2 - Indra manusia dan memori indra pengecap: Alat yang menilai apa yang dicium, didengar, dan dirasakan pembeli, serta alat yang menyimpan profil rasa mereka di berbagai sesi.
- Tahap 3 - Koordinator dan spesialis: Koordinator
durian_advisoryang memanggil inspektur visual dan sommelier sensorik, lalu memberikan satu keputusan yang jelas. - Tahap 4 - Layanan agen Cloud Run: Pada langkah opsional, Antigravity CLI men-deploy agen Anda dengan kemampuan Agents CLI.
- Tahap 5 - Chatbot web Cloud Run: Pada langkah opsional lainnya, Antigravity CLI membangun dan men-deploy aplikasi chat yang mobile-friendly yang berkomunikasi dengan agen Anda.
Arsitektur

Dua layanan Cloud Run berasal dari langkah Antigravity opsional. Tanpa akun tersebut, Anda dapat menjalankan agen yang sama di playground ADK di Cloud Shell.
Prasyarat
- Kemahiran dasar dalam pemrograman Python
- Pemahaman tentang alat command line dan konsep AI generatif
- Tidak diperlukan pengalaman sebelumnya dengan ADK, Agents CLI, atau Antigravity CLI
Yang akan Anda pelajari
- Cara membuat scaffold project ADK dengan
agents-cli createdan membangun agen multimodal yang membaca foto - Batasan persepsi AI (bau, suara, sentuhan, dan selera pribadi) dan cara mendesain alat human-in-the-loop untuk indra tersebut
- Cara mengingat preferensi setiap pengguna di seluruh sesi dengan status ADK yang tercakup dalam
user: - Cara membagi satu agen menjadi satu koordinator dan agen spesialis satu giliran yang dipanggilnya seperti alat
- Secara opsional, cara memberikan kemampuan Agents CLI kepada Antigravity CLI agar dapat men-deploy agen dan chatbot web Anda ke Cloud Run
Yang Anda butuhkan
- Akun Google (gunakan akun
@gmail.compribadi jika mengklaim poin workshop) - Link kredit workshop dari instruktur Anda (ditambah kamera ponsel untuk memindai kode QR) atau akun Penagihan Cloud yang aktif
- Google Chrome (jendela Samaran direkomendasikan untuk menghindari pencampuran akun pribadi dan kantor)
2. Mengklaim kredit Google Cloud (Opsional)
Jika Anda menyelesaikan codelab ini sendiri dan memenuhi syarat, gunakan banner kredit Google Developer Program di halaman ini untuk mengklaim kredit tanpa kartu kredit. Jika Anda menghadiri workshop dengan link kredit acara dari instruktur, ikuti langkah-langkah kredit acara di bagian ini.
Klaim kredit acara Anda
Anda mengklaim kredit acara workshop melalui Google Builders Hub (bagian dari Google Developer Program).
Untuk mengklaim kredit acara, ikuti langkah-langkah berikut:
- Buka link kredit workshop di jendela Samaran dan login dengan akun
@gmail.compribadi Anda. - Di kartu Claim Your Benefit, klik Claim Credit.

- Opsional: Jika Anda melihat perintah untuk membuat profil Google Developer Program, lengkapi formulir.
- Saat dialog Pindai untuk Memverifikasi Bahwa Anda adalah Manusia muncul, pindai kode QR dengan ponsel Anda dan selesaikan verifikasi. Jika kode QR tidak muncul, muat ulang halaman dan klik Claim Credit lagi.
- Pastikan pesan Successfully claimed your event credit! muncul, lalu klik Open Billing Account.

🔍 Periksa hasil kerja Anda
Penyediaan akun penagihan dapat memerlukan waktu hingga lima menit. Untuk mengonfirmasi bahwa kredit Anda aktif, selesaikan langkah-langkah berikut:
- Jika halaman Billing account management belum terbuka, buka Google Cloud Billing (atau salin URL ke jendela Samaran):
https://console.cloud.google.com/billing
- Klik tab Your billing accounts dan muat ulang halaman hingga akun penagihan yang berisi GDP Credit menampilkan Active di kolom Status.

3. Membuat project Google Cloud (Opsional)
Buat project Google Cloud khusus untuk mengisolasi semua resource dari codelab ini, sehingga Anda dapat menghapusnya dengan bersih setelah selesai.
Untuk membuat project Google Cloud, ikuti langkah-langkah berikut:
- Buka Create a project (atau salin URL ke jendela Samaran):
https://console.cloud.google.com/projectcreate
- Masukkan detail project Anda:
- Project name: Masukkan nama deskriptif, seperti
google-cloud-workshop. - Billing account (jika ditampilkan): Pilih akun GDP Credit (atau akun penagihan aktif Anda).
- Parent resource: Biarkan No organization dipilih (atau pilih organisasi Anda jika diperlukan).
- Project name: Masukkan nama deskriptif, seperti
- Catat Project ID yang dihasilkan, lalu klik Create.

🔍 Periksa hasil kerja Anda
Setelah pembuatan project selesai, buka Notifications di toolbar Konsol Google Cloud, lalu klik Select Project.

4. Menyiapkan lingkungan Anda
Di bagian ini, Anda akan menyiapkan Google Cloud Shell, mengaktifkan Agent Platform API, dan menginstal Agents CLI dengan uv.
Mengonfigurasi Cloud Shell
Meluncurkan Cloud Shell
Buka Google Cloud Shell dengan tampilan editor kode dan terminal diaktifkan (atau salin URL ke jendela Samaran Anda), lalu klik Authorize jika diminta:
https://shell.cloud.google.com/?show=ide,terminal

Menetapkan Project ID Google Cloud Anda
Salin dan tempel cuplikan berikut ke terminal Cloud Shell Anda. Menu ini menampilkan menu bernomor dari project Google Cloud yang tersedia. Ketik nomor di samping project Anda (misalnya, 1) dan tekan Enter:
unset CLOUDSDK_CORE_PROJECT
PS3="Select your project (e.g. 1): "
select PROJECT_ID in $(gcloud projects list --format="value(projectId)"); do
[ -n "$PROJECT_ID" ] && gcloud config set project "$PROJECT_ID" && break
done
Perintah yang diharapkan:
1) durian-sommelier-workshop-4210 2) my-cloud-project-8812 Select your project (e.g. 1): 1 Updated property [core/project]. [environment: untagged] Read more to tag: g.co/cloud/project-env-tag.
Sekarang Anda akan melihat Project ID yang dipilih ditandai dengan warna kuning di prompt terminal Cloud Shell:

Mengaktifkan Agent Platform API
Aktifkan Agent Platform API, yang digunakan agen Anda untuk memanggil Gemini:
gcloud services enable aiplatform.googleapis.com
🔍 Periksa hasil kerja Anda
Anda akan melihat output yang mirip dengan:
Operation "operations/acat.p2-..." finished successfully.
Menginstal Agents CLI
Pastikan uv tersedia dan folder alatnya ada di PATH:
which uv || curl -LsSf https://astral.sh/uv/install.sh | sh
export PATH="$HOME/.local/bin:$PATH"
Instal Agents CLI sebagai alat uv:
uv tool install google-agents-cli==1.7.0
uv menginstal setiap alat di lingkungan terisolasinya sendiri dan hanya menambahkan perintah agents-cli ke PATH, sehingga Python sistem Anda tidak tersentuh. Anda juga tidak perlu menginstal ADK sendiri. Setiap project yang dibuat Agents CLI mendapatkan lingkungan virtualnya sendiri dengan versi ADK yang digunakan untuk menguji template.
🔍 Periksa hasil kerja Anda
Pastikan Agents CLI sudah siap:
agents-cli --version
Anda akan melihat output yang mirip dengan:
agents-cli, version 1.7.0
5. Membuat scaffold agen visi multimodal
Mulai dari hal kecil: gunakan Agents CLI untuk membuat project ADK, lalu ubah agen contohnya menjadi pengklasifikasi visual durian.
Membuat scaffold project
Buat project durian-advisor. --agent adk_python memilih template ADK Python, --deployment-target cloud_run dan --region us-central1 menyiapkannya untuk Cloud Run, --prototype melewati penyiapan CI/CD, dan --yes menerima setelan default:
cd ~ && agents-cli create durian-advisor \
--agent adk_python \
--deployment-target cloud_run \
--region us-central1 \
--prototype \
--yes
Anda akan melihat output yang mirip dengan:
> Verifying GCP credentials... > ✓ Connected to project: your-project-id ✅ Success! Your agent project is ready.
Buka project di Cloud Shell Editor. Tindakan ini akan memuat ulang jendela dan memulai ulang terminal:
cloudshell workspace ~/durian-advisor
Instal dependensi project ke folder .venv-nya sendiri:
cd ~/durian-advisor && agents-cli install
Memeriksa file lingkungan
Agents CLI juga menulis file .env yang memberi tahu ADK untuk memanggil Gemini melalui project Google Cloud Anda:
grep GOOGLE_ ~/durian-advisor/.env
Anda akan melihat output yang mirip dengan:
GOOGLE_GENAI_USE_VERTEXAI=true GOOGLE_CLOUD_PROJECT=your-project-id GOOGLE_CLOUD_LOCATION=global
Pertahankan GOOGLE_CLOUD_LOCATION=global. Gemini 3.8 Flash disajikan dari endpoint global, bukan dari endpoint regional seperti us-central1, meskipun layanan Cloud Run Anda berjalan di us-central1.
Jika GOOGLE_CLOUD_PROJECT menampilkan your-gcp-project-id, Agents CLI tidak dapat mendeteksi project Anda. Tetapkan dengan:
sed -i "s/your-gcp-project-id/$(gcloud config get-value project)/" ~/durian-advisor/.env
Menulis pengklasifikasi visi
Setiap kultivar memiliki penanda cangkang yang dapat dikenali Gemini dalam foto:

Buka app/agent.py:
cloudshell edit ~/durian-advisor/app/agent.py
Ganti kontennya dengan kode berikut:
"""A single multimodal agent that inspects durian photos."""
from google.adk.agents import Agent
from google.adk.apps import App
from google.adk.models import Gemini
from google.genai import types
MODEL = "gemini-3.8-flash"
INSTRUCTION = """You are a durian visual classifier. Inspect the durian photo or shell description.
1. Base seam: a 5-point star means Musang King (D197). A dark sunken tip means Black Thorn (D200). A coin-sized brown ring means D24. An oval body with widely spaced, hooked thorns means Red Prawn (D175).
2. Stem: plump, moist, and greenish means it fell within about 12 hours. Dry and shriveled means it is days old.
3. Husk: closed seams mean natural ripening. Wide splits or mold mean it is past its best.
Give the likely cultivar and a visual freshness score from 1 to 10. Then list what a photo cannot tell you: the aroma, the tap sound, the thorn springiness, and whether the buyer will enjoy the taste."""
root_agent = Agent(
name="durian_advisor",
model=Gemini(model=MODEL, retry_options=types.HttpRetryOptions(attempts=3)),
description="Classifies durian cultivars and visual freshness from photos.",
instruction=INSTRUCTION,
)
app = App(root_agent=root_agent, name="app")
Beberapa detail penting di sini:
MODELadalah satu-satunya tempat ID model muncul. Setiap agen yang Anda tambahkan nanti akan mewarisinya, sehingga beralih model hanya memerlukan perubahan satu baris.retry_optionsmencoba ulang error sementara, seperti pembatasan kapasitas, hingga tiga kali.app = App(...)menggabungkan agen untuk playground dan server Cloud Run. Pertahankan nama aplikasiappdan nama agendurian_advisor, yang cocok dengan server yang dihasilkan danagents-cli-manifest.yaml.
Menguji agen di playground
Mulai playground ADK:
cd ~/durian-advisor && agents-cli playground
Anda akan melihat output yang mirip dengan:
INFO: Uvicorn running on http://127.0.0.1:8080 (Press CTRL+C to quit)
Klik Web Preview di toolbar Cloud Shell, lalu pilih Preview on port 8080. Jika UI Dev ADK meminta Anda memilih agen, pilih app. Kemudian, kirim perintah ini, atau lampirkan foto durian Anda sendiri dengan tombol upload:
I'm at a stall looking at a round durian with pyramid-shaped thorns and a 5-point star at the base. The stem is green and moist. What cultivar is this, and will it taste sweet?
🔍 Periksa hasil kerja Anda
Agen mengidentifikasi Musang King (D197) dan memberikan skor kesegaran yang tinggi untuk batang hijau yang lembap. Kemudian, model ini mengakui hal-hal yang tidak dapat diketahui dari foto: aroma, suara ketukan, kelenturan duri, dan apakah Anda akan menikmati rasanya.
Tekan Ctrl + C di terminal untuk menghentikan playground sebelum Anda melanjutkan.
6. Menambahkan indra manusia dan memori rasa
Kamera tidak dapat mencium, mendengar, atau merasakan, jadi Anda akan membuat alat yang meminta pembeli untuk melakukannya. Anda juga akan memberi agen memori jangka panjang tentang selera setiap pembeli. Pada langkah ini, Anda akan menulis alat; pada langkah berikutnya, Anda akan menghubungkannya ke agen.
Menambahkan katalog kultivar
Buat app/durian_data.py:
cloudshell edit ~/durian-advisor/app/durian_data.py
Tempel katalog referensi ini. Menyimpan data dalam modulnya sendiri akan membuat kode agen tetap singkat:
"""Reference catalog of durian cultivars."""
CULTIVAR_CATALOG = {
"musang_king": {
"code": "D197",
"name": "Musang King (Mao Shan Wang)",
"visual_markers": "5-point star seam at the base, pyramid-shaped thorns",
"flavor": "rich, bittersweet, buttery custard",
"bitterness": "medium",
},
"black_thorn": {
"code": "D200",
"name": "Black Thorn (Ochee)",
"visual_markers": "Dark sunken tip at the base, round pumpkin-like body",
"flavor": "sweet, creamy, slightly winey",
"bitterness": "low",
},
"red_prawn": {
"code": "D175",
"name": "Red Prawn (Udang Merah)",
"visual_markers": "Oval body, widely spaced and slightly hooked thorns",
"flavor": "sweet, floral, soft and sticky",
"bitterness": "none",
},
"xo_d24": {
"code": "D24",
"name": "XO D24 (Sultan, old tree)",
"visual_markers": "Coin-sized brown ring at the base, dense sharp thorns",
"flavor": "intense, bitter, with a boozy finish",
"bitterness": "high",
},
}
Menambahkan alat sensorik
Buat app/sensory_tools.py:
cloudshell edit ~/durian-advisor/app/sensory_tools.py
Tempelkan kode berikut:
"""Tools for cultivar lookup and human-in-the-loop sensory checks."""
from typing import Any, Literal
from .durian_data import CULTIVAR_CATALOG
AROMA_POINTS = {"sweet_fragrant": 4, "boozy_fermented": 3, "faint_grassy": 0, "sour_rotten": 0}
TAP_POINTS = {"hollow": 3, "solid": 0}
THORN_POINTS = {"springy": 3, "rigid": 0}
def get_cultivar_profile(cultivar_key: str) -> dict[str, Any]:
"""Looks up the visual markers, flavor, and bitterness of a durian cultivar.
Args:
cultivar_key: One of 'musang_king', 'black_thorn', 'red_prawn', or 'xo_d24'.
"""
key = cultivar_key.strip().lower().replace(" ", "_").replace("-", "_")
if key not in CULTIVAR_CATALOG:
return {"status": "NOT_FOUND", "supported": list(CULTIVAR_CATALOG)}
return {"status": "OK", "cultivar": CULTIVAR_CATALOG[key]}
def evaluate_human_sensory_clues(
aroma: Literal["sweet_fragrant", "boozy_fermented", "faint_grassy", "sour_rotten"],
tap_sound: Literal["hollow", "solid"],
thorn_feel: Literal["springy", "rigid"],
) -> dict[str, Any]:
"""Scores the ripeness clues that only a human buyer can smell, hear, and feel.
Args:
aroma: What the buyer smells at the seam of the husk.
tap_sound: What the buyer hears when tapping the husk.
thorn_feel: How two thorns feel when the buyer presses them together.
"""
score = AROMA_POINTS[aroma] + TAP_POINTS[tap_sound] + THORN_POINTS[thorn_feel]
if aroma == "sour_rotten":
verdict = "SPOILED"
elif score >= 7:
verdict = "RIPE"
elif score >= 4:
verdict = "NOT_QUITE_READY"
else:
verdict = "UNRIPE"
return {"status": "OK", "ripeness_score": score, "max_score": 10, "verdict": verdict}
Cara kerja alat ini:
- ADK mengubah setiap fungsi menjadi alat yang dapat dipanggil oleh model. Docstring menjadi deskripsi alat, dan bagian
Argsmenjelaskan setiap parameter. - Petunjuk jenis
Literal[...]menjadi pilihan tetap dalam skema alat, sehingga Gemini harus memetakan "smells a bit boozy" ke tepat satu nilai yang diizinkan, sepertiboozy_fermented. get_cultivar_profilemenampilkan statusNOT_FOUNDeksplisit dengan kunci yang didukung, bukan membuat kultivar.
Menambahkan alat memori palet
Buat app/memory_tools.py:
cloudshell edit ~/durian-advisor/app/memory_tools.py
Tempelkan kode berikut:
"""Tool that remembers each buyer's durian palate across sessions."""
from typing import Any, Literal
from google.adk.tools import ToolContext
def save_palate_preference(
favorite_flavors: str,
bitterness_tolerance: Literal["none", "low", "medium", "high"],
tool_context: ToolContext,
) -> dict[str, Any]:
"""Saves the buyer's durian taste preferences to their long-term profile.
Args:
favorite_flavors: Flavors and textures the buyer enjoys, such as
'sweet, creamy custard'.
bitterness_tolerance: How much bitterness the buyer enjoys.
"""
profile = {
"favorite_flavors": favorite_flavors,
"bitterness_tolerance": bitterness_tolerance,
}
# The "user:" prefix scopes this key to the buyer, so it follows them
# into every future session of this app.
tool_context.state["user:palate_profile"] = profile
return {"status": "SAVED", "palate_profile": profile}
Cara kerja memori indra pengecap:
- ADK meneruskan
tool_contextsecara otomatis dan menyembunyikannya dari model, sehingga Gemini hanya melihat dua parameter rasa. - Awalan
user:mencakup kunci status ke pengguna, bukan sesi saat ini, sehingga profil mengikuti pembeli ke setiap percakapan baru. - Anda tidak memerlukan alat "get" terpisah. Agen membaca profil langsung ke dalam petunjuknya dengan placeholder
{user:palate_profile?}.?membuat placeholder kosong saat belum ada profil, bukan memunculkan error.
🔍 Periksa hasil kerja Anda
Pilih durian yang berbau alkohol, berbunyi kopong saat diketuk, dan memiliki duri yang lentur:
cd ~/durian-advisor && uv run python -c "from app.sensory_tools import evaluate_human_sensory_clues as score; print(score('boozy_fermented', 'hollow', 'springy'))"
Anda akan melihat output yang mirip dengan:
{'status': 'OK', 'ripeness_score': 9, 'max_score': 10, 'verdict': 'RIPE'}
7. Mengoordinasikan agen spesialis
Satu agen yang menangani aturan visual, penilaian sensorik, dan pencocokan rasa dalam satu perintah sering kali mengalami kebingungan. Sebagai gantinya, Anda akan memberikan setiap tugas kepada spesialis yang fokus dan membiarkan koordinator menggabungkan jawaban mereka:
vision_inspector_agentmembaca kultivar dan kesegaran dari foto dan menampilkan laporan terstruktur.sensory_sommelier_agentmenilai apa yang dicium, didengar, dan dirasakan pembeli, serta memeriksa kultivar berdasarkan seleranya.durian_advisorberbicara dengan pembeli, menyimpan selera mereka, menghubungi setiap spesialis, dan menulis keputusan akhir.
Membuat vision inspector
Buat app/vision_agent.py:
cloudshell edit ~/durian-advisor/app/vision_agent.py
Tempelkan kode berikut:
"""Vision inspector: reads the cultivar and freshness from a durian photo."""
from google.adk.agents import Agent
from pydantic import BaseModel, Field
class VisionReport(BaseModel):
cultivar_key: str = Field(
description="musang_king, black_thorn, red_prawn, xo_d24, or unknown"
)
visual_freshness: int = Field(description="1 (stale) to 10 (freshly fallen)")
evidence: str = Field(description="The visual markers behind your answer")
vision_inspector_agent = Agent(
name="vision_inspector_agent",
description="Identifies a durian's cultivar and visual freshness from the buyer's photo or shell description.",
mode="single_turn",
# Specialists only see their tool-call input by default. Opt in to the
# conversation history so this agent can see the uploaded photo.
include_contents="default",
# Report back to the coordinator instead of taking over the conversation.
disallow_transfer_to_parent=True,
disallow_transfer_to_peers=True,
output_schema=VisionReport,
instruction="""You are a durian vision inspector. Examine the durian photo or shell description in the conversation.
Cultivar markers:
- 5-point star seam at the base: musang_king
- Dark sunken tip at the base: black_thorn
- Oval body with widely spaced, slightly hooked thorns: red_prawn
- Coin-sized brown ring at the base and dense, sharp thorns: xo_d24
Freshness: a plump, moist, greenish stem and closed seams score high. A dry, shriveled stem or a split, moldy husk scores low.
If the markers are unclear, use 'unknown'.""",
)
output_schema=VisionReportmembuat spesialis menampilkan data terstruktur yang dapat diandalkan oleh koordinator.include_contents="default"memungkinkan pakar ini melihat percakapan, termasuk foto yang diupload. Tanpa itu, spesialis satu giliran hanya akan melihat permintaan yang diteruskan oleh koordinator.disallow_transfer_to_parentdandisallow_transfer_to_peersmenghapus alattransfer_to_agentyang seharusnya diberikan ADK kepada sub-agen ini. Pakar yang melihat seluruh percakapan akan tergoda untuk menyerahkan chat kembali kepada koordinator, bukan mengembalikan laporannya.
Membuat sommelier sensorik
Buat app/sensory_agent.py:
cloudshell edit ~/durian-advisor/app/sensory_agent.py
Tempelkan kode berikut:
"""Sensory sommelier: scores the buyer's senses and checks palate fit."""
from google.adk.agents import Agent
from pydantic import BaseModel, Field
from .sensory_tools import evaluate_human_sensory_clues, get_cultivar_profile
class SensoryClues(BaseModel):
cultivar_key: str = Field(description="Cultivar from the vision inspector")
aroma: str = Field(description="What the buyer smelled at the seam")
tap_sound: str = Field(description="What the buyer heard when tapping the husk")
thorn_feel: str = Field(description="How the thorns felt when pressed together")
sensory_sommelier_agent = Agent(
name="sensory_sommelier_agent",
description="Scores the smell, sound, and touch clues the buyer reports, and checks the cultivar against their palate.",
mode="single_turn",
# Report back to the coordinator instead of taking over the conversation.
disallow_transfer_to_parent=True,
disallow_transfer_to_peers=True,
input_schema=SensoryClues,
instruction="""You are a durian sensory sommelier.
Buyer palate profile: {user:palate_profile?}
1. Call evaluate_human_sensory_clues with the buyer's aroma, tap sound, and thorn feel.
2. Call get_cultivar_profile for the cultivar.
3. Compare the cultivar's bitterness with the buyer's bitterness tolerance.
Report the ripeness verdict, the palate fit, and one sentence of advice.""",
tools=[evaluate_human_sensory_clues, get_cultivar_profile],
)
input_schema=SensoryCluesmenentukan apa yang harus diteruskan oleh koordinator: kultivar dan tiga laporan sensorik pembeli, dengan kata-kata mereka sendiri. Pakar akan memetakan kata-kata tersebut ke nilai yang diizinkan alat.{user:palate_profile?}memasukkan selera pembeli yang tersimpan ke dalam petunjuk, sehingga spesialis dapat menilai kecocokan tanpa pencarian memori.- Tidak ada set spesialis
model. Keduanya mewarisiMODELkoordinator. - Kedua spesialis menggunakan dua tanda transfer yang sama, sehingga masing-masing selalu melapor kembali kepada koordinator.
Menghubungkan koordinator
Buka app/agent.py:
cloudshell edit ~/durian-advisor/app/agent.py
Ganti kontennya dengan koordinator:
"""Durian advisor: a concierge that coordinates vision and sensory specialists."""
from google.adk.agents import Agent
from google.adk.apps import App
from google.adk.models import Gemini
from google.genai import types
from .memory_tools import save_palate_preference
from .sensory_agent import sensory_sommelier_agent
from .vision_agent import vision_inspector_agent
MODEL = "gemini-3.8-flash"
root_agent = Agent(
name="durian_advisor",
model=Gemini(model=MODEL, retry_options=types.HttpRetryOptions(attempts=3)),
description="Durian concierge that combines what the camera sees with what the buyer senses.",
instruction="""You are a friendly durian concierge helping a buyer at a fruit stall.
Buyer palate profile: {user:palate_profile?}
1. When the buyer shares taste preferences, call save_palate_preference.
2. When the buyer shows or describes a durian, call vision_inspector_agent.
3. A camera cannot smell, hear, or feel. Unless the buyer already reported the seam aroma, tap sound, and thorn feel, ask them to check. Then call sensory_sommelier_agent.
4. Call one specialist at a time. Finish with ONE verdict covering the cultivar, ripeness, and palate fit. If the durian does not suit their palate, suggest a cultivar that does.""",
tools=[save_palate_preference],
sub_agents=[vision_inspector_agent, sensory_sommelier_agent],
)
app = App(root_agent=root_agent, name="app")
Karena kedua spesialis menggunakan mode="single_turn", ADK memberi koordinator dua alat tambahan bernama vision_inspector_agent dan sensory_sommelier_agent. Petunjuk merujuk ke alat tersebut menggunakan nama tersebut.
Menguji koordinator di playground
Mulai playground lagi:
cd ~/durian-advisor && agents-cli playground
Buka Web Preview di port 8080 dan lakukan percakapan singkat ini dengan agen.
Ajari Gemini selera Anda:
Hi! Please remember my taste: I love sweet, creamy custard durians and I can't stand bitterness.
Buka tab State. Anda akan melihat profil tersimpan, seperti:
{
"user:palate_profile": {
"favorite_flavors": "sweet, creamy custard",
"bitterness_tolerance": "none"
}
}
Tunjukkan durian (jelaskan atau lampirkan foto):
The vendor is showing me a round durian with a coin-sized brown ring at the base and dense, sharp thorns. The stem is green and moist. Should I buy it?
Koordinator memanggil vision_inspector_agent, yang mengidentifikasi XO D24. Kemudian, Anda akan diminta untuk mencium aromanya, mengetuk kulitnya, dan menekan dua durinya secara bersamaan.
Laporkan apa yang Anda rasakan:
It smells a bit boozy, the knock sounds hollow, and the thorns spring back when I press them.
Mulai dari awal: klik Sesi Baru dan tanyakan:
Which durian should I pick today?
🔍 Periksa hasil kerja Anda
- Setelah Anda melaporkan hasil pengamatan Anda, koordinator akan menelepon
sensory_sommelier_agentdan memberikan satu penilaian: XO D24 sudah matang (9 dari 10), tetapi rasa pahitnya yang kuat tidak sesuai dengan selera Anda, jadi mintalah Red Prawn (D175) atau Black Thorn (D200) sebagai gantinya. - Di tab Events, Anda dapat melihat
durian_advisormemanggil setiap spesialis, dansensory_sommelier_agentmemanggilevaluate_human_sensory_cluesdanget_cultivar_profile. - Dalam sesi baru, agen sudah mengetahui selera Anda dan merekomendasikan kultivar yang manis dan tidak pahit tanpa bertanya lagi.
Tekan Ctrl + C di terminal untuk menghentikan playground.
8. Men-deploy dengan Antigravity (Opsional)
Anda membangun dan menguji agen secara manual. Sekarang, Anda akan mengizinkan Antigravity CLI (agy), agen coding AI Google untuk terminal, men-deploy-nya. Keahlian Agents CLI mengajarkan Antigravity cara men-deploy agen ADK dengan benar.
Mengaktifkan API deployment
Aktifkan Cloud Run, Cloud Build, dan Artifact Registry API, yang digunakan Agents CLI untuk membangun dan menghosting agen Anda:
gcloud services enable \
run.googleapis.com \
cloudbuild.googleapis.com \
artifactregistry.googleapis.com
Anda akan melihat output yang mirip dengan:
Operation "operations/acat.p2-..." finished successfully.
Menginstal keahlian Agents CLI
Instal tujuh keterampilan Agents CLI ke folder project Anda, tempat Antigravity akan menemukannya secara otomatis:
cd ~/durian-advisor && agents-cli setup --workspace
🔍 Periksa hasil kerja Anda
ls -1 ~/durian-advisor/.agents/skills
Anda akan melihat output yang mirip dengan:
google-agents-cli-adk-code google-agents-cli-deploy google-agents-cli-eval google-agents-cli-observability google-agents-cli-publish google-agents-cli-scaffold google-agents-cli-workflow
Memulai Antigravity CLI
Antigravity CLI sudah diinstal di Cloud Shell. Mulai dari folder project Anda:
cd ~/durian-advisor && agy --dangerously-skip-permissions
Saat pertama kali dijalankan, Antigravity akan meminta Anda login dengan Akun Google Anda, memilih tema warna, menyetujui persyaratan layanan, dan memercayai folder saat ini.
Minta Antigravity untuk men-deploy
Tempelkan perintah ini ke Antigravity:
Use the google-agents-cli-deploy skill to deploy this ADK agent to Cloud Run in us-central1 as a private service. Keep GOOGLE_CLOUD_LOCATION=global so Gemini keeps working, save the exact service URL to .env as AGENT_BASE_URL, and smoke-test the deployed agent with agents-cli run.
Antigravity membaca skill dan dapat menjalankan pengujian project terlebih dahulu. Kemudian, skrip ini menjalankan agents-cli deploy, yang membangun container dengan Cloud Build dan men-deploy layanan durian-advisor, serta mengirim pesan pengujian ke layanan aktif. Seluruh proses memerlukan waktu sekitar lima hingga delapan menit.
Setelah Antigravity selesai, keluar dengan menekan Ctrl + D dua kali.
🔍 Periksa hasil kerja Anda
Kirim pesan ke agen yang di-deploy, menggunakan URL yang disimpan Antigravity:
cd ~/durian-advisor && source .env && agents-cli run --url "$AGENT_BASE_URL" --mode adk "Which durian suits a beginner?"
Anda akan melihat output yang mirip dengan:
Querying remote agent: https://durian-advisor-123456789012.us-central1.run.app (mode: adk) [user]: Which durian suits a beginner? [durian_advisor]: For beginners, you want a durian that is sweet, creamy, and gentle on the palate, with little to no bitterness...
Sekarang, pastikan layanan menolak panggilan tanpa token:
curl -s -o /dev/null -w "%{http_code}\n" "$AGENT_BASE_URL"
Anda akan melihat output yang mirip dengan:
403
9. Membuat chatbot web dengan vibe coding (Opsional)
Agen Anda aktif, tetapi bersifat pribadi. Sekarang, Anda akan melanjutkan percakapan Antigravity, yang sudah mengetahui agen Anda, kunci statusnya, dan URL-nya, lalu memintanya untuk membangun dan men-deploy chatbot web untuk pembeli durian.
Lanjutkan Antigravity
cd ~/durian-advisor && agy --dangerously-skip-permissions
Di dalam Antigravity, jalankan perintah garis miring berikut dan pilih percakapan deployment Anda dari daftar:
/resume
Minta Antigravity untuk membangun chatbot
Tempel perintah ini:
Build a mobile-friendly "Durian Sommelier" web chatbot in a new web/ folder that talks to our deployed agent at AGENT_BASE_URL (ADK app name "app").
- Add palate quick-set buttons, a photo upload, and one-tap sensory chips: Smells sweet, Smells boozy, Hollow knock, Solid knock, Thorns spring back, Thorns feel stiff.
- Use a small FastAPI server that proxies chat requests to the agent with a Google ID token, because the agent service is private.
- Show only durian_advisor's replies in the chat, not the specialists' intermediate output.
- Keep a stable user ID per browser and reuse one ADK session, creating a new one if it is missing.
Deploy it to Cloud Run as durian-sommelier-web in us-central1 with public access. Run it as a new service account named durian-sommelier-web that can invoke durian-advisor, and print the URL.
Antigravity menulis aplikasi, membuat akun layanan, memberinya peran Cloud Run Invoker di durian-advisor, dan men-deploy aplikasi dengan Cloud Build. Biasanya, pengujian endpoint chat dilakukan sebelum selesai. Seluruh proses memerlukan waktu sekitar sepuluh menit. Saat URL dicetak, keluar dengan menekan Ctrl + D dua kali.
🔍 Periksa hasil kerja Anda
Buka URL https://durian-sommelier-web-....run.app yang dicetak Antigravity, lalu:
- Ketuk tombol palet, seperti tombol manis dan lembut. Agen mengonfirmasi bahwa agen telah menyimpan preferensi Anda.
- Upload foto durian, atau ketik deskripsi singkat tentang kulitnya. Agen mengidentifikasi kultivar dan meminta pemeriksaan sensorik Anda.
- Ketuk chip sensorik yang sesuai dengan durian Anda. Agen membalas dengan satu penilaian yang mencakup kematangan dan kesesuaian rasa.
10. Pembersihan
Hapus resource yang Anda buat agar tidak lagi dikenai biaya.
Menghapus layanan Cloud Run
Menghapus chatbot web:
gcloud run services delete durian-sommelier-web --region us-central1 --quiet
Hapus layanan agen:
gcloud run services delete durian-advisor --region us-central1 --quiet
Menghapus akun layanan
Hapus akun layanan yang digunakan untuk menjalankan chatbot web:
gcloud iam service-accounts delete "durian-sommelier-web@$(gcloud config get-value project).iam.gserviceaccount.com" --quiet
Menghapus image container
Deployment sumber Cloud Run mengirim image container setiap layanan ke repositori Artifact Registry bernama cloud-run-source-deploy, yang dapat dibagikan oleh deployment lain dalam project Anda. Hapus hanya dua image codelab ini dan pertahankan repositori.
Hapus image agen:
gcloud artifacts packages delete durian-advisor --repository cloud-run-source-deploy --location us-central1 --quiet
Hapus image chatbot web:
gcloud artifacts packages delete durian-sommelier-web --repository cloud-run-source-deploy --location us-central1 --quiet
🔍 Periksa hasil kerja Anda
gcloud run services list --region us-central1
Anda akan melihat output yang mirip dengan:
Listed 0 items.
Menghapus file lokal
Hapus folder project, termasuk skill dan lingkungan virtualnya:
rm -rf ~/durian-advisor
Secara opsional, uninstal Agents CLI:
uv tool uninstall google-agents-cli
Menghapus seluruh project Google Cloud (Opsional)
PROJECT_ID=$(gcloud config get-value project)
gcloud projects delete "$PROJECT_ID" --quiet
11. Selamat
Selamat! Anda telah membangun dan menguji sistem multi-agen Durian Sommelier multimodal dengan ADK dan Agents CLI. Jika Anda melakukan langkah-langkah opsional, Anda juga telah men-deploy-nya ke Cloud Run dengan Antigravity CLI.
Yang Anda capai
- Membuat scaffold project ADK dengan
agents-cli createdan membangun agen visi multimodal dengan satu setelanMODEL - Membangun alat yang memerlukan interaksi manusia untuk penciuman, pendengaran, dan sentuhan, serta memori indra pengecap yang disimpan dalam status ADK dengan cakupan
user: - Membagi agen menjadi satu koordinator
durian_advisordan dua spesialissingle_turnyang dipanggilnya seperti alat - (Opsional) Menggunakan Antigravity CLI dengan keterampilan Agents CLI untuk men-deploy agen dan chatbot web ke Cloud Run
Langkah berikutnya
- Jika Anda melewatkannya, kembali ke langkah opsional Antigravity untuk men-deploy agen dan chatbot web ke Cloud Run
- Membuat memori palet tahan lama dengan layanan sesi yang didukung database
- Mengukur kualitas jawaban dengan
agents-cli eval - Pelajari dokumentasi Agent Development Kit (ADK)
- Pelajari lebih lanjut Agents CLI
- Pelajari dokumentasi Cloud Run
- Bergabunglah dengan program GEAR (Gemini Enterprise Agent Ready) untuk mengikuti workshop dan jalur pembelajaran