Gemini Interactions Java SDK ব্যবহার করে মাল্টিমোডাল অ্যাপ ও কাস্টম ম্যানেজড এজেন্ট তৈরি করা

১. স্বাগতম, Gemini ডেভেলপার!

ডেভেলপার লার্নিং স্কেচনোট

এই কোডল্যাবে, আপনি কাস্টম Gemini Interactions SDK ব্যবহার করে Java-তে নেক্সট-জেনারেশন AI অ্যাপ্লিকেশন কীভাবে তৈরি করতে হয় তা শিখবেন।

Gemini Interactions API কী?

প্রথাগত LLM API স্টেটলেস এবং অনুরোধ-উত্তরের ভিত্তিতে কাজ করে। মাল্টি-টার্ন চ্যাট অ্যাসিস্ট্যান্ট বা জটিল এজেন্টিক লুপ তৈরি করতে, ডেভেলপারদের ঐতিহাসিকভাবে কথোপকথনের অবস্থা, ইতিহাস ট্রাঙ্কেশন, টুল কল অর্কেস্ট্রেশন এবং এক্সিকিউশন লুপ সম্পূর্ণভাবে ক্লায়েন্ট-সাইড অ্যাপ্লিকেশন কোডে ম্যানেজ করতে হয়েছে।

Gemini Interactions API এই জটিলতা সার্ভারে শিফ্ট করে দেয়। এটি একটি স্টেটফুল, সেশন-ভিত্তিক API যেখানে Google-এর পরিকাঠামো কথোপকথনের গ্রাফ হোস্ট ও ম্যানেজ করে। একটি ইন্টার‍্যাকশন একটি স্টেটফুল সেশনকে দেখায়। আপনি এটির সাথে ইন্টার‍্যাক্ট করলে, API পলিমরফিক ধাপ দিয়ে তৈরি একটি সমৃদ্ধ, স্ট্রাকচার্ড টাইমলাইন দেখায়—যেমন:

  • ThoughtStep: মডেলের ইন্টার্নাল রিজনিং প্রসেস।
  • ModelOutputStep: মডেলের মাধ্যমে জেনারেট করা টেক্সট, অডিও বা ছবি কন্টেন্ট।
  • ToolCallStep ও ToolResultStep: সিস্টেম বা মডেল-চালিত টুল ইনভোকেশন।
  • UserInteractionStep: সিস্টেম যেখানে হিউম্যান ইনপুট বা অনুমোদনের জন্য অনুরোধ করতে পজ করে।

Managed Agents কী?

অটোনোমাস এজেন্ট অর্কেস্ট্রেট করা—লুপ, রিট্রাই লজিক, টুল এক্সিকিউশন এনভায়রনমেন্ট ও স্টেট ম্যানেজমেন্ট—খুবই কঠিন কাজ।

ম্যানেজ করা এজেন্ট হল Gemini Interactions API-এর মাধ্যমে প্রদান করা প্ল্যাটফর্ম-লেভেল সমাধান। লোকালি এজেন্ট লুপ চালানোর পরিবর্তে, আপনি সরাসরি Google-এর ইনফ্রাস্ট্রাকচারে বিশেষ এজেন্ট প্রোভিশন করতে পারেন:

  • বিল্ট-ইন এজেন্ট: ব্যবহার করার জন্য প্রস্তুত বিশেষ এজেন্ট, যেমন Deep Research এজেন্ট, যা একাধিক ধাপের ওয়েব রিসার্চ করে, ফলাফল একত্রিত করে এবং বিস্তারিত রিপোর্ট তৈরি করে।
  • কাস্টম Managed Agents: আপনার দ্বারা নির্ধারিত স্বয়ংক্রিয় এন্টিটি। আপনি সিস্টেম নির্দেশাবলী প্রদান করেন, টুল অ্যাটাচ করেন (যেমন Google Search বা Bash এক্সিকিউশন এনভায়রনমেন্ট) এবং একটি Cloud Sandbox কনফিগার করেন—এটি হল কাস্টমাইজ করা যায় এমন নেটওয়ার্ক ইগ্রেস রুল (যেমন, GitHub-এর মতো নির্দিষ্ট ডোমেনে শুধুমাত্র অ্যাক্সেসের অনুমতি দেওয়া) সহ একটি সুরক্ষিত, আইসোলেট করা এবং কন্টেনারাইজ করা রানটাইম এনভায়রনমেন্ট।

Gemini Interactions Java SDK ব্যবহার করে, আপনি স্ট্যান্ডার্ড Java অ্যাপ্লিকেশনে এইসব ম্যানেজ করা এজেন্টের সাথে সহজেই বুটস্ট্র্যাপ, কোঅর্ডিনেট ও কোলাবরেট করতে পারবেন।

আপনি কী শিখবেন

  • নতুন পলিমরফিক Step-ভিত্তিক আর্কিটেকচার কীভাবে নেভিগেট করতে হয়।
  • কীভাবে সরাসরি স্পিকারে এক্সপ্রেসিভ TTS অডিও স্ট্রিম করতে হয়।
  • Lyria-র সাহায্যে কীভাবে মিউজিক (MP3 + লিরিক) তৈরি করতে হয়।
  • Gemini 3 Pro Image-এর সাহায্যে কীভাবে ভিজ্যুয়াল স্কেচনোট তৈরি করবেন।
  • কোলাবোরেটিভ প্ল্যানিং ব্যবহার করে কীভাবে Deep Research এজেন্টকে পরিচালনা করতে হয়।
  • নেটওয়ার্ক ইগ্রেস সংক্রান্ত নিয়ম ও টুল সহ কাস্টম এজেন্ট কীভাবে প্রোভিশন করতে হয়।

আপনার কী প্রয়োজন হবে

  • Java 21 বা তার পরবর্তী ভার্সন।
  • Apache Maven.
  • একটি টেক্সট এডিটর বা IDE (IntelliJ IDEA, VS Code, ইত্যাদি)।
  • একটি Gemini API Key (Google AI Studio থেকে)।

২. সেট-আপ: প্রোজেক্ট ও API Key

Maven প্রোজেক্ট তৈরি করুন

নিম্নলিখিত কমান্ড ব্যবহার করে আপনার টার্মিনাল থেকে একটি নতুন Maven প্রোজেক্ট বুটস্ট্র্যাপ করুন:

mvn archetype:generate \
    -DgroupId=com.example \
    -DartifactId=gemini-interactions-demo \
    -DarchetypeGroupId=org.apache.maven.archetypes \
    -DarchetypeArtifactId=maven-archetype-quickstart \
    -DarchetypeVersion=1.5 \
    -DinteractiveMode=false

আপনার নতুন তৈরি করা প্রোজেক্ট ডিরেক্টরিতে নেভিগেট করুন:

cd gemini-interactions-demo

আপনার pom.xml ফাইল খুলুন এবং এটি কনফিগার করুন:

  1. Java 21 টার্গেট করতে Java ভার্সন প্রপার্টি আপডেট করুন:
    <properties>
        <maven.compiler.source>21</maven.compiler.source>
        <maven.compiler.target>21</maven.compiler.target>
    </properties>
    
  2. ব্লকের মধ্যে SDK ডিপেন্ডেন্সি যোগ করুন:
    <dependency>
        <groupId>io.github.glaforge</groupId>
        <artifactId>gemini-interactions-api-sdk</artifactId>
        <version>0.10.1</version>
    </dependency>
    

API Key কনফিগার করুন

Google AI Studio থেকে Gemini API key পান।

আপনার টার্মিনালে এনভায়রনমেন্ট ভেরিয়েবল হিসেবে কী সেট করুন:

macOS / Linux:

export GEMINI_API_KEY="your_actual_api_key"

Windows (কমান্ড প্রম্পট):

set GEMINI_API_KEY="your_actual_api_key"

৩. হ্যালো ওয়ার্ল্ড: স্টেপ আর্কিটেকচার নেভিগেট করা

Interactions API একটি পলিমরফিক, ধাপ-ভিত্তিক টাইমলাইন আর্কিটেকচার চালু করেছে। আউটপুটের ফ্ল্যাট তালিকা দেখানোর পরিবর্তে, API টাইপ করা Step অবজেক্টের (যেমন, ModelOutputStep, ThoughtStep, FunctionCallStep) একটি ক্রম দেখায়।

এই ধাপে, আপনি একটি সহজ ইন্টার‍্যাকশন লিখবেন যাতে বুঝতে পারেন যে কীভাবে এই স্ট্রাকচার থেকে চূড়ান্ত মডেল আউটপুট এক্সট্র্যাক্ট করতে হয়।

HelloInteractions.java তৈরি করুন

নিম্নলিখিত কন্টেন্ট সহ src/main/java/com/example/HelloInteractions.java ফাইলটি তৈরি করুন:

package com.example;

import io.github.glaforge.gemini.interactions.GeminiInteractionsClient;
import io.github.glaforge.gemini.interactions.model.*;
import io.github.glaforge.gemini.interactions.model.InteractionParams.ModelInteractionParams;

public class HelloInteractions {
    public static void main(String[] args) {
        // 1. Initialize the client
        GeminiInteractionsClient client = GeminiInteractionsClient.builder()
            .apiKey(System.getenv("GEMINI_API_KEY"))
            .build();

        // 2. Build the request
        ModelInteractionParams request = ModelInteractionParams.builder()
            .model("gemini-3.5-flash")
            .input("Explain the difference between a library and a framework in one sentence.")
            .build();

        // 3. Send request
        Interaction response = client.create(request);
        
        // 4. Navigate the step-based architecture to get the output
        response.steps().stream()
            .filter(step -> step instanceof Step.ModelOutputStep)
            .map(step -> (Step.ModelOutputStep) step)
            .findFirst()
            .ifPresent(step -> System.out.println(step.content().get(0)));
    }
}

কোড রান করুন

ক্লাস কম্পাইল ও রান করুন:

mvn compile exec:java -Dexec.mainClass=com.example.HelloInteractions

৪. Steerable Audio: Streaming Expressive TTS

Gemini 3.1 Flash-এ স্টিয়ারেবল টেক্সট-টু-স্পিচ (TTS) ফিচার নিয়ে আসা হয়েছে। আপনি প্রম্পট ব্যবহার করে ভয়েসের গতি, টোন ও পরিবেশ নিয়ন্ত্রণ করতে পারবেন এবং বাক্যের মাঝে ইমোশনাল ট্যাগ (যেমন [excitedly] বা [whispers]) ব্যবহার করতে পারবেন।

এই ধাপে, আপনি এক্সপ্রেসিভ অডিও জেনারেট করবেন এবং সরাসরি আপনার স্পিকারে স্ট্রিম করবেন।

StreamingDJ.java তৈরি করুন

নিম্নলিখিত কন্টেন্ট সহ src/main/java/com/example/StreamingDJ.java ফাইলটি তৈরি করুন:

package com.example;

import io.github.glaforge.gemini.interactions.GeminiInteractionsClient;
import io.github.glaforge.gemini.interactions.model.*;
import io.github.glaforge.gemini.interactions.model.Config.SpeechConfig;
import io.github.glaforge.gemini.interactions.model.InteractionParams.ModelInteractionParams;
import javax.sound.sampled.*;
import java.util.Base64;
import java.util.stream.Stream;

public class StreamingDJ {
    public static void main(String[] args) throws Exception {
        GeminiInteractionsClient client = GeminiInteractionsClient.builder()
            .apiKey(System.getenv("GEMINI_API_KEY"))
            .build();

        // Prompt defining the voice profile and emotional tags
        String prompt = """
            # AUDIO PROFILE: Jaz R.
            ## THE SCENE: London Studio
            ### DIRECTOR'S NOTES
            Accent: Jaz is a DJ from Brixton, London.
            Style: Bouncy, energetic, high-speed delivery.
            
            #### TRANSCRIPT
            [excitedly] Yes, massive vibes in the studio! 
            [whispers] But keep it down, the boss is coming... 
            [shouting] Turn this up! Let's go!
            """;

        ModelInteractionParams request = ModelInteractionParams.builder()
            .model("gemini-3.1-flash-tts-preview")
            .input(prompt)
            .responseModalities(Interaction.Modality.AUDIO)
            .speechConfig(new SpeechConfig("Algenib", "en-GB"))
            .stream(true) // Enable streaming
            .build();

        System.out.println("Streaming audio from Gemini...");

        try (Stream<Events> eventStream = client.stream(request)) {
            // Configure the Java Audio System for 24kHz Mono 16-bit PCM
            AudioFormat format = new AudioFormat(24000, 16, 1, true, false);
            DataLine.Info info = new DataLine.Info(SourceDataLine.class, format);

            try (SourceDataLine line = (SourceDataLine) AudioSystem.getLine(info)) {
                line.open(format);
                line.start();

                // Process the stream and play audio chunks as they arrive
                eventStream.forEach(event -> {
                    if (event instanceof Events.StepDelta cd && cd.delta() instanceof Events.AudioDelta audioDelta) {
                        byte[] audioData = Base64.getDecoder().decode(audioDelta.data());
                        line.write(audioData, 0, audioData.length);
                    }
                });
                line.drain();
            }
        }
    }
}

কোড রান করুন

mvn compile exec:java -Dexec.mainClass=com.example.StreamingDJ

আউটপুট শুনুন

কোড রান করার সময় আপনি কী শুনতে পাবেন তার একটি অডিও উদাহরণ এখানে দেওয়া হল (ইমোশন ট্যাগ সহ Algenib ভয়েস ব্যবহার করে):

জেনারেট করা TTS আউটপুট (tts_output.wav) শুনুন

৫. Lyria 3-এর সাহায্যে মিউজিক জেনারেশন

DeepMind Lyria 3 মডেল ব্যবহার করে, আপনি মিউজিক ও জিঙ্গেল জেনারেট করতে পারবেন। ডুয়াল রেসপন্স মোডালিটি (AUDIO এবং TEXT) অনুরোধ করে, আপনি জেনারেট করা অডিও (MP3) এবং গানের লিরিক্স, দুটিই ফিরিয়ে আনতে পারবেন।

MusicGenerator.java তৈরি করুন

নিম্নলিখিত কন্টেন্ট সহ src/main/java/com/example/MusicGenerator.java ফাইলটি তৈরি করুন:

package com.example;

import io.github.glaforge.gemini.interactions.GeminiInteractionsClient;
import io.github.glaforge.gemini.interactions.model.*;
import io.github.glaforge.gemini.interactions.model.InteractionParams.ModelInteractionParams;
import io.github.glaforge.gemini.interactions.model.Content.AudioContent;
import java.nio.file.Files;
import java.nio.file.Paths;

public class MusicGenerator {
    public static void main(String[] args) throws Exception {
        GeminiInteractionsClient client = GeminiInteractionsClient.builder()
            .apiKey(System.getenv("GEMINI_API_KEY"))
            .build();

        ModelInteractionParams request = ModelInteractionParams.builder()
            .model("models/lyria-3-clip-preview") // 30-second clip
            .input("An uplifting rock song with acoustic guitars about coding in Java.")
            .responseModalities(
                Interaction.Modality.AUDIO,
                Interaction.Modality.TEXT) // Request both MP3 and Lyrics
            .build();

        System.out.println("Generating music (this might take a moment)...");
        Interaction response = client.create(request);

        // 1. Print the lyrics (TEXT output)
        System.out.println("\n--- Generated Lyrics ---");
        response.steps().stream()
            .filter(step -> step instanceof Step.ModelOutputStep)
            .flatMap(step -> ((Step.ModelOutputStep) step).content().stream())
            .filter(content -> content instanceof Content.TextContent)
            .forEach(content -> System.out.println(((Content.TextContent) content).text()));

        // 2. Save the MP3 (AUDIO output)
        response.steps().stream()
            .filter(step -> step instanceof Step.ModelOutputStep)
            .flatMap(step -> ((Step.ModelOutputStep) step).content().stream())
            .filter(content -> content instanceof AudioContent)
            .map(content -> (AudioContent) content)
            .findFirst()
            .ifPresent(audio -> {
                try {
                    Files.write(Paths.get("coding_song.mp3"), audio.data());
                    System.out.println("\nSuccess: Song saved to coding_song.mp3");
                } catch (Exception e) {
                    e.printStackTrace();
                }
            });
    }
}

কোড রান করুন

mvn compile exec:java -Dexec.mainClass=com.example.MusicGenerator

জেনারেট করা গান শুনুন

মিউজিক ও লিরিক সহ জেনারেট করা MP3 ফাইল (coding_song.mp3) এখানে দেওয়া হল:

জেনারেট করা মিউজিক গান (coding_song.mp3) শুনুন

৬. Sketchnotes (Nano Banana Pro)-এর সাহায্যে ভিজ্যুয়ালাইজ করা

Gemini 3 Pro Image (Nano Banana Pro নামেও পরিচিত) ছবি তৈরি করতে পারে। IMAGE মডালিটির জন্য অনুরোধ করে, আপনি টেক্সট ইনপুটের উপর ভিত্তি করে ইনফোগ্রাফিক, ডায়াগ্রাম বা স্কেচনোট তৈরি করতে পারবেন।

এই ধাপে, আপনি ম্যানেজ করা এজেন্ট সম্পর্কে একটি নিবন্ধের স্কেচনোট সারসংক্ষেপ তৈরি করবেন এবং এটি একটি PNG ফাইল হিসাবে সেভ করবেন।

ImageGenerator.java তৈরি করুন

নিম্নলিখিত কন্টেন্ট সহ src/main/java/com/example/ImageGenerator.java ফাইলটি তৈরি করুন:

package com.example;

import io.github.glaforge.gemini.interactions.GeminiInteractionsClient;
import io.github.glaforge.gemini.interactions.model.*;
import io.github.glaforge.gemini.interactions.model.InteractionParams.ModelInteractionParams;
import io.github.glaforge.gemini.interactions.model.Content.ImageContent;
import java.nio.file.Files;
import java.nio.file.Paths;

public class ImageGenerator {
    public static void main(String[] args) throws Exception {
        GeminiInteractionsClient client = GeminiInteractionsClient.builder()
            .apiKey(System.getenv("GEMINI_API_KEY"))
            .build();

        String articleSummary = """
            Managed Agents in the Gemini API allow developers to run autonomous agents
            that reason, plan, use tools, and execute code inside isolated cloud sandboxes.
            The Gemini API handles the infrastructure (containers, network, runtime).
            It is powered by the Antigravity agent running on Gemini 3.5 Flash.
            The Java Interactions SDK supports these capabilities, utilizing a Step-based
            architecture to model the execution timeline.
            """;

        ModelInteractionParams request = ModelInteractionParams.builder()
            .model("gemini-3-pro-image-preview")
            .input(String.format("""
                Create a hand-drawn and hand-written sketchnote
                style summary infographic, with a pure white background,
                about the following information:
                
                %s
                """, articleSummary))
            .responseModalities(Interaction.Modality.IMAGE) // Request IMAGE modality
            .build();

        System.out.println("Generating sketchnote (this might take a moment)...");
        Interaction response = client.create(request);

        // Save the generated image
        response.steps().stream()
            .filter(step -> step instanceof Step.ModelOutputStep)
            .flatMap(step -> ((Step.ModelOutputStep) step).content().stream())
            .filter(content -> content instanceof ImageContent)
            .map(content -> (ImageContent) content)
            .findFirst()
            .ifPresent(image -> {
                try {
                    Files.write(Paths.get("sketchnote.png"), image.data());
                    System.out.println("Success: Sketchnote saved to sketchnote.png");
                } catch (Exception e) {
                    e.printStackTrace();
                }
            });
    }
}

কোড রান করুন

mvn compile exec:java -Dexec.mainClass=com.example.ImageGenerator

জেনারেট করা স্কেচনোট

মডেলের তৈরি করা স্কেচনোট (sketchnote.png) এখানে দেওয়া হল:

জেনারেট করা স্কেচনোট

৭. স্টিয়ারিং এজেন্ট: কোলাবরেটিভ ডিপ রিসার্চ

Deep Research হল একটি শক্তিশালী এজেন্ট যা একাধিক ধাপের রিসার্চ টাস্ক সম্পূর্ণ করতে পারে। তবে, অবিলম্বে রান করার পরিবর্তে, এজেন্ট ডেটা সংগ্রহ করা শুরু করার আগে রিসার্চ প্ল্যান পর্যালোচনা, পরিবর্তন এবং পরিচালনা করতে আপনি কোলাবরেটিভ প্ল্যানিং ব্যবহার করতে পারেন।

আপনি একটি মাল্টি-টার্ন কথোপকথন বাস্তবায়ন করবেন যা একটি পরিকল্পনা পরিমার্জন করতে একই সার্ভার-সাইড স্টেট (previousInteractionId) ব্যবহার করে।

CollaborativeResearch.java তৈরি করুন

নিম্নলিখিত কন্টেন্ট সহ src/main/java/com/example/CollaborativeResearch.java ফাইলটি তৈরি করুন:

package com.example;

import io.github.glaforge.gemini.interactions.GeminiInteractionsClient;
import io.github.glaforge.gemini.interactions.model.*;
import io.github.glaforge.gemini.interactions.model.InteractionParams.AgentInteractionParams;
import io.github.glaforge.gemini.interactions.model.Config.DeepResearchAgentConfig;
import io.github.glaforge.gemini.interactions.model.Config.ThinkingSummaries;
import io.github.glaforge.gemini.interactions.model.Config.Visualization;

public class CollaborativeResearch {
    public static void main(String[] args) throws Exception {
        GeminiInteractionsClient client = GeminiInteractionsClient.builder()
            .apiKey(System.getenv("GEMINI_API_KEY"))
            .build();

        String agentModel = "deep-research-preview-04-2026";

        // --- Phase 1: Request a Plan ---
        System.out.println("Phase 1: Requesting research plan...");
        AgentInteractionParams planParams = AgentInteractionParams.builder()
            .agent(agentModel)
            .input("Research the latest generations of Google Cloud TPUs (TPU7x and the 8th generation TPU 8t and TPU 8i).")
            .agentConfig(new DeepResearchAgentConfig(
                "deep-research", 
                ThinkingSummaries.AUTO, 
                Visualization.AUTO, 
                true // TRUE enables collaborative planning
            ))
            .background(true)
            .store(true)
            .build();

        Interaction planInteraction = client.create(planParams);
        planInteraction = waitForCompletion(client, planInteraction.id());
        
        System.out.println("\n--- Proposed Plan ---");
        printOutputText(planInteraction);

        // --- Phase 2: Refine the Plan ---
        System.out.println("\nPhase 2: Refining research plan...");
        AgentInteractionParams refineParams = AgentInteractionParams.builder()
            .agent(agentModel)
            .input("Focus on comparing the architectural, performance, and scaling differences between the TPU7x generation and the two flavors of the eighth generation: TPU 8t (optimized for training at scale) and TPU 8i (optimized for low-latency reasoning and inference).")
            .agentConfig(new DeepResearchAgentConfig(
                "deep-research", 
                ThinkingSummaries.AUTO, 
                Visualization.AUTO, 
                true // Keep collaborative planning TRUE to iterate
            ))
            .previousInteractionId(planInteraction.id()) // Resume session
            .background(true)
            .store(true)
            .build();

        Interaction refinedInteraction = client.create(refineParams);
        refinedInteraction = waitForCompletion(client, refinedInteraction.id());

        System.out.println("\n--- Refined Plan ---");
        printOutputText(refinedInteraction);

        // --- Phase 3: Approve and Execute ---
        System.out.println("\nPhase 3: Approving plan and starting deep research (this will take a few minutes)...");
        AgentInteractionParams executeParams = AgentInteractionParams.builder()
            .agent(agentModel)
            .input("Plan looks good, execute!")
            .agentConfig(new DeepResearchAgentConfig(
                "deep-research", 
                ThinkingSummaries.AUTO, 
                Visualization.AUTO, 
                false // FALSE approves the plan and executes the research
            ))
            .previousInteractionId(refinedInteraction.id()) // Resume session
            .background(true)
            .store(true)
            .build();

        Interaction finalReport = client.create(executeParams);
        finalReport = waitForCompletion(client, finalReport.id());

        System.out.println("\n--- Final Research Report ---");
        printOutputText(finalReport);
    }

    private static Interaction waitForCompletion(GeminiInteractionsClient client, String id) throws Exception {
        Interaction interaction = client.get(id);
        while (interaction.status() != Interaction.Status.COMPLETED && interaction.status() != Interaction.Status.FAILED) {
            Thread.sleep(5000);
            interaction = client.get(id);
        }
        if (interaction.status() == Interaction.Status.FAILED) {
            throw new RuntimeException("Interaction failed. Status: " + interaction.status());
        }
        return interaction;
    }

    private static void printOutputText(Interaction interaction) {
        interaction.steps().stream()
            .filter(step -> step instanceof Step.ModelOutputStep)
            .flatMap(step -> ((Step.ModelOutputStep) step).content().stream())
            .filter(content -> content instanceof Content.TextContent)
            .forEach(content -> System.out.println(((Content.TextContent) content).text()));
    }
}

কোড রান করুন

mvn compile exec:java -Dexec.mainClass=com.example.CollaborativeResearch

জেনারেট করা রিপোর্ট আউটপুট

Deep Research এজেন্ট একটি বিস্তারিত, স্ট্রাকচার্ড রিপোর্ট তৈরি করবে। আপনি এখানে উদাহরণ রান দ্বারা তৈরি করা সম্পূর্ণ রিপোর্ট দেখতে পারেন:

জেনারেট করা Deep Research রিপোর্ট (tpu_history_report.md) দেখুন

৮. কাস্টম এজেন্ট ও ক্লাউড স্যান্ডবক্স

জটিল ডেভেলপার টাস্কের জন্য, আপনি কাস্টম এজেন্ট প্রভিশন করতে পারবেন। আপনি তাদের সিস্টেম নির্দেশাবলী নির্ধারণ করেন, তাদের টুল (যেমন কোড এক্সিকিউশন/ব্যাশ) দিয়ে সজ্জিত করেন এবং তাদের রিমোট এনভায়রনমেন্ট (যেমন নেটওয়ার্ক ইগ্রেস রুল) কনফিগার করেন।

এই ধাপে, আপনি এমন একটি এজেন্টকে প্রভিশন করবেন যার কাছে github.com-এ নিরাপদ ইন্টারনেট অ্যাক্সেস আছে এবং এটিকে একটি রিপোজিটরি ক্লোন করতে এবং এর ক্লাউড স্যান্ডবক্সের মধ্যে এর কনফিগারেশন ফাইলগুলি বিশ্লেষণ করার নির্দেশ দেবেন।

GitHubAnalyzer.java তৈরি করুন

নিম্নলিখিত কন্টেন্ট সহ src/main/java/com/example/GitHubAnalyzer.java ফাইলটি তৈরি করুন:

package com.example;

import io.github.glaforge.gemini.interactions.GeminiInteractionsClient;
import io.github.glaforge.gemini.interactions.model.*;
import io.github.glaforge.gemini.interactions.model.InteractionParams.AgentInteractionParams;
import java.util.List;

public class GitHubAnalyzer {
    public static void main(String[] args) throws Exception {
        GeminiInteractionsClient client = GeminiInteractionsClient.builder()
            .apiKey(System.getenv("GEMINI_API_KEY"))
            .build();

        String agentId = "github-analyzer-codelab";

        // 1. Define the Custom Agent with Network Egress and Tools
        Agent customAgent = Agent.builder()
            .id(agentId)
            .description("Clones and analyzes GitHub repos.")
            .baseAgent("antigravity-preview-09-2026")
            .baseEnvironment(new EnvironmentConfig(
                new EnvironmentNetworkEgressAllowlist(List.of(
                    new AllowlistEntry("github.com") // Allow git clone over HTTPS
                )),
                List.of()
            ))
            .systemInstruction("You are an architect. Clone the repo, inspect files, and write a summary.")
            .tools(List.of(
                new AgentTool.CodeExecution(), // Enables terminal bash execution in sandbox
                new AgentTool.GoogleSearch()
            ))
            .build();

        // 2. Provision the Agent
        System.out.println("Provisioning custom agent in the cloud...");
        client.createAgent(customAgent);

        try {
            // 3. Start the Interaction
            AgentInteractionParams params = AgentInteractionParams.builder()
                .agent(agentId)
                .input("Clone https://github.com/glaforge/gemini-interactions-api-sdk and explain its pom.xml structure.")
                .environment("remote") // Crucial: Run in cloud sandbox
                .build();

            System.out.println("Starting clone and analysis (polling status)...");
            Interaction interaction = client.create(params);

            // 4. Poll for completion
            while (interaction.status() != Interaction.Status.COMPLETED) {
                System.out.println("Agent working... Status: " + interaction.status());
                Thread.sleep(5000);
                interaction = client.get(interaction.id());
            }

            // 5. Output the results
            System.out.println("\n--- Architectural Analysis ---");
            interaction.steps().stream()
                .filter(step -> step instanceof Step.ModelOutputStep)
                .flatMap(step -> ((Step.ModelOutputStep) step).content().stream())
                .filter(content -> content instanceof Content.TextContent)
                .forEach(content -> System.out.println(((Content.TextContent) content).text()));

        } finally {
            // 6. Clean up resources
            client.deleteAgent(agentId);
            System.out.println("\nCustom agent resource deleted from cloud.");
        }
    }
}

কোড রান করুন

mvn compile exec:java -Dexec.mainClass=com.example.GitHubAnalyzer

জেনারেট করা বিশ্লেষণ আউটপুট

এখানে রিপোজিটরি ক্লোন করার পরে কাস্টম এজেন্টের তৈরি করা সম্পূর্ণ আর্কিটেকচারাল বিশ্লেষণ রিপোর্ট আপনি দেখতে পাবেন:

GitHub Analyzer আউটপুট (github_analysis_report.md) দেখুন

৯. অভিনন্দন!

আপনি কোডল্যাব সম্পূর্ণ করেছেন এবং Gemini Interactions SDK ব্যবহার করে Java-তে কীভাবে জটিল, মাল্টি-মোডাল এবং এজেন্টিক ওয়ার্কফ্লো তৈরি করতে হয় তা শিখেছেন।

আপনি যা অর্জন করেছেন:

  1. স্টেপ আর্কিটেকচার নেভিগেট করা: স্ট্যান্ডার্ড মডেল কোয়েরি করার জন্য নতুন পলিমরফিক স্টেপ আর্কিটেকচার ব্যবহার করা হয়েছে।
  2. স্ট্রিম করা এক্সপ্রেসিভ TTS: রিয়েল-টাইমে অডিও স্ট্রিম করার জন্য ডিরেক্টরের নোট এবং ইনলাইন ইমোশন ট্যাগ ব্যবহার করা হয়েছে।
  3. জেনারেট করা মিউজিক: Lyria 3-এর সাহায্যে জেনারেট করা MP3 ট্র্যাক ও লিরিক।
  4. জেনারেট করা স্কেচনোট: Gemini 3 Pro Image (Nano Banana Pro) ব্যবহার করে ভিজ্যুয়াল সারসংক্ষেপ তৈরি করা হয়েছে।
  5. Steered Deep Research: রিসার্চ প্ল্যান আরও উন্নত করতে কোলাবরেটিভ প্ল্যানিং ব্যবহার করা হয়েছে।
  6. প্রভিশন করা কাস্টম এজেন্ট: নিরাপদে কোড এক্সিকিউট করার জন্য কাস্টম নেটওয়ার্ক ইগ্রেস কন্ট্রোল সহ স্যান্ডবক্স করা এনভায়রনমেন্ট তৈরি করা হয়েছে।

আরো জানুন:

  • GitHub-এ SDK সোর্স কোড এবং আরও টেস্ট কেস এক্সপ্লোর করুন: glaforge/gemini-interactions-api-sdk
  • Guillaume-এর ব্লগে এজেন্টিক ডিজাইন প্যাটার্ন সম্পর্কে আরও পড়ুন: glaforge.dev