Men-deploy Agen yang Mendukung Tata Kelola Perusahaan dengan MCP dan Cloud Run

1. Pengantar

Codelab ini adalah bagian dari seri dua bagian yang menjelaskan cara membangun agen AI yang memahami tata kelola.

(Anda dapat membaca bagian pertama dari seri ini, yang membahas cara membuat fondasi data dengan mendaftarkan jenis aspek Knowledge Catalog, menerapkan aspek ke tabel BigQuery, dan menguji aturan secara lokal melalui AGY CLI. 👉 Baca Bagian 1)

Namun, pengujian di CLI lokal baru permulaannya saja. Untuk meluncurkan fitur ini ke seluruh perusahaan, Anda memerlukan keamanan terpusat, koneksi alat AI standar, dan framework aplikasi yang tepat untuk mengorkestrasi logika agen dan menyediakan antarmuka chat yang familiar.

Di bagian kedua ini, Anda akan menyelesaikan tantangan ini dan melakukan penskalaan ke produksi. Alih-alih men-deploy server MCP kustom, Anda akan menghubungkan agen secara langsung ke Server MCP Knowledge Catalog yang dikelola Google. Kemudian, Anda akan menggunakan Agent Development Kit (ADK) Google untuk membangun aplikasi agen yang sebenarnya, memuat aturan tata kelola dari kemampuan agen lokal, dan men-deploy-nya ke Cloud Run, lengkap dengan UI web profesional

.

Saat pengguna berinteraksi dengan UI ADK, urutan berikut akan terjadi:

8912d1983c34ee8e.png

Yang akan Anda pelajari

  • Cara menggunakan Model Context Protocol (MCP) untuk menstandardisasi cara agen AI berinteraksi dengan data Google Cloud.
  • Cara agen ADK terhubung ke Server MCP Knowledge Catalog yang dikelola Google.
  • Cara memuat aturan tata kelola Anda secara dinamis dari keterampilan agen bersama.
  • Cara men-deploy agen ke Cloud Run dan menjalankan playground web bawaan ADK.

Yang Anda butuhkan

  • Project Google Cloud yang mengaktifkan penagihan.
  • Akses ke Google Cloud Shell.
  • Pemahaman dasar tentang Cloud Run, Akun Layanan IAM, dan Python.
  • Set data BigQuery dan aspek Knowledge Catalog yang dibuat di Bagian 1. (Jangan khawatir jika Anda menghapusnya; kami menyediakan skrip jalur cepat di bawah untuk membuatnya kembali.)

Konsep utama

  • Model Context Protocol (MCP): Anggap MCP sebagai "kabel USB-C universal" untuk agen AI. Alih-alih menulis kode integrasi API kustom untuk setiap model AI, MCP menyediakan cara standar bagi AI untuk terhubung secara aman ke alat data perusahaan Anda (seperti Knowledge Catalog dan BigQuery).
  • Agent Development Kit (ADK): Framework open source yang fleksibel dari Google yang dirancang untuk menyederhanakan pengembangan agen AI secara menyeluruh. Framework ini menerapkan prinsip rekayasa software pada pembuatan agen, sehingga Anda dapat mengatur alat yang kompleks, mengelola status, dan meluncurkan UI developer bawaan dengan mudah untuk pengujian dan deployment.
  • Gemini Enterprise Agent Platform(GEAP): Lingkungan hosting dan orkestrasi tingkat perusahaan untuk men-deploy agen AI di Google Cloud.

2. Penyiapan dan persyaratan

Mulai Cloud Shell

Meskipun Google Cloud dapat dioperasikan dari jarak jauh menggunakan laptop Anda, dalam codelab ini, Anda akan menggunakan Google Cloud Shell, lingkungan command line yang berjalan di Cloud.

Dari Google Cloud Console, klik ikon Cloud Shell di toolbar kanan atas:

Mengaktifkan Cloud Shell

Hanya perlu waktu beberapa saat untuk penyediaan dan terhubung ke lingkungan. Jika sudah selesai, Anda akan melihat tampilan seperti ini:

Screenshot terminal Google Cloud Shell yang menunjukkan bahwa lingkungan telah terhubung

Mesin virtual ini berisi semua alat pengembangan yang Anda perlukan. Layanan ini menawarkan direktori beranda tetap sebesar 5 GB dan beroperasi di Google Cloud, sehingga sangat meningkatkan performa dan autentikasi jaringan. Semua pekerjaan Anda dalam codelab ini dapat dilakukan di browser. Anda tidak perlu menginstal apa pun.

Lakukan inisialisasi lingkungan

Buka Cloud Shell dan tetapkan variabel project Anda untuk memastikan semua perintah menargetkan infrastruktur yang benar.

export PROJECT_ID=$(gcloud config get-value project)
gcloud config set project $PROJECT_ID
export REGION="us-central1"

Aktifkan API yang diperlukan

Aktifkan set minimum Google Cloud API yang diperlukan untuk mengelola fondasi data, menjalankan model Vertex AI, dan menghosting Agen ADK di Cloud Run.

gcloud services enable \
    dataplex.googleapis.com \
    bigquery.googleapis.com \
    aiplatform.googleapis.com \
    run.googleapis.com \
    artifactregistry.googleapis.com \
    cloudbuild.googleapis.com

Checkpoint: Lanjutkan atau bangun ulang?

Karena ini adalah Bagian 2, agen Anda memerlukan data yang diatur dari Bagian 1 agar dapat berfungsi. Pilih jalur Anda:

Jalur A: Saya baru saja menyelesaikan Bagian 1 dan resource saya masih berjalan

Bagus! Buka direktori kerja dan Anda siap melanjutkan.

cd ~/devrel-demos/data-analytics/governance-context

Jalur B: Saya melewati Bagian 1 ATAU Saya menghapus resource saya (Pembersihan)

Bukan masalah. Kami telah menyediakan blok perintah "Fast-Track" di bawah. Tindakan ini akan otomatis membangun kembali data lake BigQuery, mendaftarkan jenis aspek, dan menerapkan metadata tata kelola persis seperti yang kita lakukan di Bagian 1.

# 1. Clone the repo and navigate to the working directory
git clone --depth 1 --filter=blob:none --sparse https://github.com/GoogleCloudPlatform/devrel-demos.git
cd devrel-demos
git sparse-checkout set data-analytics/governance-context
cd data-analytics/governance-context

# 2. Rebuild the BigQuery datasets and tables
chmod +x ./setup_bq_tables.sh
./setup_bq_tables.sh

# 3. Register the Knowledge Catalog aspect type
gcloud dataplex aspect-types create official-data-product-spec \
    --location="${REGION}" \
    --project="${PROJECT_ID}" \
    --metadata-template-file-name="aspect_template.json"

# 4. Generate and apply aspects (governance rules)
chmod +x ./generate_payloads.sh ./apply_governance.sh
./generate_payloads.sh
./apply_governance.sh

3. Bidang kontrol data terpusat (MCP terkelola)

Di lingkungan perusahaan yang sebenarnya, Anda memerlukan bidang kontrol data terpusat yang aman. Daripada membuat dan men-deploy penampung server MCP kustom ke Cloud Run, kita akan menghubungkan agen secara langsung ke Server MCP Knowledge Catalog yang dikelola Google.

Dengan memanfaatkan endpoint terkelola ini, kita akan mendapatkan:

  1. Tanpa pemeliharaan: Anda tidak perlu mengelola container, penskalaan, atau patching untuk server MCP.
  2. Standardisasi: Agen terhubung ke endpoint API Google yang aman dan standar menggunakan Model Context Protocol (transportasi SSE).
  3. Cakupan yang dikontrol: Server MCP hanya mengekspos alat metadata yang diperlukan (search_entries, lookup_context, lookup_entry), yang menerapkan reasoning loop hanya baca yang mengutamakan tata kelola.

Server MCP Knowledge Catalog yang dikelola Google dapat diakses melalui URL aman berikut:

https://dataplex.googleapis.com/mcp

Karena ini adalah Google API pihak pertama, agen harus melakukan autentikasi menggunakan Token Akses OAuth2 Google Cloud standar, bukan Token ID. Kita akan menangani autentikasi ini secara otomatis dalam kode aplikasi kita.

4. Membangun backend agen dengan ADK

Anda memiliki bidang kontrol data terkelola yang aman. Sekarang, agen AI Anda memerlukan framework untuk mengorkestrasi logikanya, seperti memproses input pengguna, memutuskan kapan harus memanggil server MCP, dan memformat output.

Kita akan menggunakan Agent Development Kit (ADK) Google. ADK adalah framework berbasis kode yang secara otomatis membungkus logika agen Anda ke dalam backend FastAPI dan menyediakan antarmuka web bawaan untuk pengujian instan.

Buka kode agen di Cloud Shell Editor

Daripada menampilkan seluruh file di terminal, mari kita buka di Cloud Shell Editor agar Anda dapat memeriksa, mengedit, dan memahami kode dengan mudah.

Jalankan perintah di bawah ini di terminal dan lihat struktur kode di editor. Aplikasi ini dibangun menggunakan Agent Development Kit (ADK) Google:

cd ~/devrel-demos/data-analytics/governance-context/mcp_server

# Copy the governance skill directory inside the application bundle so it packages during Cloud Run deployment
mkdir -p skills
cp -r ../.agents/skills/knowledge-catalog-governance skills/

cloudshell edit agent.py

(Catatan: agent.py berisi kode boilerplate di bagian atas untuk menangani autentikasi OAuth2 Google Cloud dan refresh token, sehingga memastikan agen dapat berkomunikasi dengan aman dengan Knowledge Catalog API yang dikelola Google).

1. Pemuatan Keahlian Native

Untuk membangun agen yang sangat dioptimalkan, kita memuat petunjuk tata kelola dari direktori skill agen eksternal menggunakan load_skill_from_dir ADK. Pendekatan ini memungkinkan pengungkapan progresif:

  • Metadata L1: Agen hanya memuat nama dan deskripsi keahlian saat startup. Konteks minimal ini memungkinkan LLM mengidentifikasi kapan harus menggunakan skill tanpa menggunakan banyak token di awal.
  • Petunjuk L2: Kumpulan petunjuk lengkap di dalam SKILL.md diambil secara dinamis saat runtime hanya jika model menentukan bahwa petunjuk tersebut relevan.
base_dir = Path(__file__).parent
governance_skill = load_skill_from_dir(
    base_dir / "skills" / "knowledge-catalog-governance"
)

# Bundle the skill and MCP tools together into a SkillToolset
governance_skill_toolset = skill_toolset.SkillToolset(
    skills=[governance_skill],
    additional_tools=[tools]
)

2. Orkestrasi agen

ADK memungkinkan Anda mengorkestrasikan perilaku agen yang kompleks dengan merangkai beberapa agen. Kita menentukan alur kerja SequentialAgent yang terdiri dari dua agen khusus:

  • governance_researcher: Dilengkapi dengan governance_skill_toolset dan MCP Knowledge Catalog tools. Alat ini memeriksa apakah kueri berada dalam cakupan kepatuhan dan katalog data, lalu membuat kueri Knowledge Catalog menggunakan variabel lingkungan yang dimasukkan ke dalam petunjuk sistemnya.
  • compliance_formatter: Bertanggung jawab untuk menerjemahkan hasil penelusuran metadata JSON mentah menjadi respons yang bersih, atau menjelaskan batas cakupan dengan baik jika permintaan berada di luar cakupan.
# 1. Researcher Agent (has access to the encapsulated SkillToolset)
governance_researcher = LlmAgent(
    name="governance_researcher",
    model=model_name,
    description="Dynamically interprets metadata schema (Booleans/Enums) and searches for assets using strict syntax.",
    instruction=f"""
    You are a governance researcher. Your job is to verify Knowledge Catalog metadata rules and find compliant assets for the user's query.
    
    YOUR ACTIVE ENVIRONMENT CONTEXT:
    - Google Cloud Project ID: {project_id}
    - Location (Region): {location}

    YOUR WORKFLOW:
    1. First, check if the user query is related to data analytics assets, database tables, or data compliance.
       - If YES: Call `load_skill` with `name="knowledge-catalog-governance"` to load the rules, then use search/lookup tools to locate a certified compliant table.
       - If NO (e.g., general chit-chat, unrelated tasks): Skip skill loading and output a JSON object indicating it is out of scope:
         {"error": "out_of_scope", "message": "The query does not pertain to data catalog search or governance compliance."}
    2. Populate the required projectId and location parameters in tool calls with the active environment parameters.
    3. Return the verified table's metadata in JSON format as your final research output.
    """,
    tools=[governance_skill_toolset, tools],
    output_key="research_data"
)

# 2. Formatter Agent (formats the output or explains out-of-scope errors)
compliance_formatter = LlmAgent(
    name="compliance_formatter",
    model=model_name,
    description="Formats the JSON research data into a helpful response for the user.",
    instruction="""
    You are the **Intelligent Data Governance Specialist**.
    Your job is to explain the findings of the governance research clearly to the user.

    **YOUR GOAL:**
    1. If the researcher found a matching table (valid JSON with table metadata):
       - Explain the logical connection between the User's Request, the Governance Schema (translated criteria), and the Recommended Table.
       - Use the following RESPONSE TEMPLATE:
         - **Analysis:** "I analyzed the metadata schema and translated your request into the following technical criteria:..."
         - **Recommendation:** "Based on this, I recommend the following table:"
           - **Table:** [Insert Table Name]
           - **Description:** [Insert Table Description]
         - **Verification:** "This asset is a verified match because: [Explain the verification details]."
    2. If the researcher returned an 'out_of_scope' error or no matching tables were found:
       - Apologize politely and explain that no data asset currently matches the strict governance criteria defined in `official-data-product-spec`.
       - Clearly state what domain of questions this agent is certified to answer (e.g., Data Catalog Search and Data Governance compliance).
    """
)

# 3. Orchestrated Workflow (Exported as root_agent)
root_agent = SequentialAgent(
    name="governance_workflow",
    description="Workflow to learn metadata rules, search with strict syntax, and recommend assets.",
    sub_agents=[
        governance_researcher,
        compliance_formatter,
    ]
)

Mengonfigurasi variabel runtime

Untuk menjalankan agen, kita harus memberi tahu lokasi server MCP terkelola Anda dan mengonfigurasi project serta regionnya. Kita akan menyimpan variabel ini ke file .env yang akan dibaca ADK saat runtime.

Jalankan perintah berikut untuk membuat file .env. Perhatikan bahwa MCP_SERVER_URL mengarah langsung ke endpoint API Knowledge Catalog yang dikelola Google:

export MCP_SERVER_URL="https://dataplex.googleapis.com/mcp"

echo MCP_SERVER_URL=$MCP_SERVER_URL > .env
echo GOOGLE_GENAI_USE_VERTEXAI=1 >> .env
echo GOOGLE_CLOUD_PROJECT=$PROJECT_ID >> .env
echo GOOGLE_CLOUD_LOCATION=$REGION >> .env

5. Menjalankan dan menguji agen secara lokal

Sebelum men-deploy agen ke cloud, Anda harus menjalankannya secara lokal di Cloud Shell untuk memverifikasi perilakunya. Karena agen bergantung pada beberapa paket Python (termasuk library Google Cloud Logging dan ADK), kita akan menyiapkan lingkungan virtual lokal untuk menginstal dependensi ini.

Saat berjalan secara lokal di Cloud Shell, agen akan otomatis menggunakan kredensial pengguna Google Cloud aktif Anda, sehingga agen sudah memiliki izin yang diperlukan untuk mengakses Vertex AI dan Knowledge Catalog.

  1. Buka direktori mcp_server, buat lingkungan virtual, dan instal dependensi:
cd ~/devrel-demos/data-analytics/governance-context/mcp_server

# Create a virtual environment using uv
uv venv
source .venv/bin/activate

# Install the dependencies listed in requirements.txt
uv pip install -r requirements.txt
  1. Mulai sesi chat interaktif di terminal Anda:
adk run .
  1. Setelah sesi dimulai, Anda akan melihat perintah. Ketik kueri untuk menguji logika tata kelola agen:
I need the Q1 revenue summary for our internal board meeting.

Agen akan memproses permintaan Anda, membuat kueri Knowledge Catalog melalui server MCP terkelola, dan menampilkan rekomendasi serta alasannya langsung di terminal.

  1. Untuk keluar dari sesi interaktif, ketik exit atau quit (atau tekan Ctrl+C). Setelah keluar, Anda dapat menonaktifkan lingkungan virtual:
deactivate

6. Men-deploy agen ke produksi

Setelah memverifikasi agen secara lokal, Anda siap men-deploy-nya ke Google Cloud untuk penggunaan produksi.

Membuat akun layanan

Untuk keamanan, agen yang di-deploy tidak boleh berjalan dengan kredensial pribadi Anda. Kita akan membuat identitas terpisah (knowledge-catalog-agent-sa) untuk agen, dengan mematuhi prinsip hak istimewa terendah.

Jalankan perintah berikut untuk membuat akun layanan:

export AGENT_SA=knowledge-catalog-agent-sa
export AGENT_SERVICE_ACCOUNT="${AGENT_SA}@${PROJECT_ID}.iam.gserviceaccount.com"

gcloud iam service-accounts create ${AGENT_SA} \
    --display-name="Service Account for Knowledge Catalog Agent"

Berikan izin

Meskipun agen mendelegasikan pemeriksaan tata kelola ke server MCP, agen tetap memerlukan izin dasar untuk beroperasi.

gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$AGENT_SERVICE_ACCOUNT" \
  --role="roles/aiplatform.user"

gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$AGENT_SERVICE_ACCOUNT" \
  --role="roles/dataplex.catalogAdmin"

gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$AGENT_SERVICE_ACCOUNT" \
  --role="roles/bigquery.dataViewer"

gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$AGENT_SERVICE_ACCOUNT" \
  --role="roles/mcp.toolUser"

gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$AGENT_SERVICE_ACCOUNT" \
  --role="roles/viewer"

Men-deploy ke Cloud Run

Terakhir, kita men-deploy agen ke Cloud Run. Perintah berikut akan mem-build image container menggunakan Dockerfile di direktori saat ini, menguploadnya ke Artifact Registry, dan men-deploy-nya ke Cloud Run. Proses ini mungkin memerlukan waktu 1-3 menit.

gcloud run deploy knowledge-catalog-agent \
  --source . \
  --project=$PROJECT_ID \
  --region=$REGION \
  --service-account=$AGENT_SERVICE_ACCOUNT \
  --allow-unauthenticated \
  --clear-base-image \
  --labels created-by=adk

Setelah perintah ini selesai, perintah akan menampilkan Service URL (misalnya, https://knowledge-catalog-agent-xyz.run.app). Klik link tersebut untuk membuka Antarmuka Chat AI Generatif yang sepenuhnya diatur.

12a5fa4c2aaf381f.png

7. Menguji agen langsung

Setelah agen Anda aktif, mari kita uji skenario tata kelola. Logikanya tetap sama, tetapi sekarang Anda berinteraksi dengan ADK Web Playground yang di-deploy, yang memvisualisasikan status internal dan eksekusi alat.

Buka URL layanan yang Anda buat pada langkah sebelumnya (misalnya, https://knowledge-catalog-agent-xyz.run.app) di browser Anda. Tempelkan perintah berikut:

"My dashboard needs to show what's happening right now with our ad spend. I can't wait for the overnight load. What do you recommend?"

Amati proses penalaran agen di UI developer:

  1. Pengenalan Maksud (Intent Recognition): Agen mengurai "sekarang" dan "tidak sabar menunggu semalaman".
  2. Pencarian Metadata: Model ini memanggil alat MCP search_entries dengan kueri: [PROJECT_ID].us-central1.official-data-product-spec.update_frequency=REALTIME_STREAMING
  3. Pemilihan: Mengidentifikasi bahwa tabel mkt_realtime_campaign_performance memenuhi kriteria ini.
  4. Respons: Agen merekomendasikan tabel real-time.

e0da615724199e.png

Mengapa hal ini penting:

Tanpa metadata tata kelola ini, LLM kemungkinan akan merekomendasikan tabel fin_monthly_closing_internal hanya karena memiliki kolom bernama "ad_spend", dan mengabaikan fakta bahwa data tersebut sudah berusia 24 jam. Konteks metadata Anda mencegah terjadinya error bisnis.

Anda juga dapat menguji perintah "Rapat Dewan" untuk melihat cara agen melakukan pivot ke tabel yang berbeda berdasarkan aspek Tingkat Produk Data:

"We are preparing the deck for an internal Board of Directors meeting next week. I need the numbers to be absolutely finalized, trustworthy, and kept strictly confidential. Which table is safe to use?"

8. Pembersihan

Agar tidak menimbulkan biaya pada akun Google Cloud Anda, ikuti langkah-langkah berikut untuk menghancurkan semua infrastruktur yang dibuat dalam codelab ini.

Menghancurkan data lake

Gunakan skrip pembersihan untuk menghapus tabel, set data, dan definisi aspek Knowledge Catalog BigQuery.

cd ~/devrel-demos/data-analytics/governance-context
chmod +x ./cleanup_data_lake.sh
./cleanup_data_lake.sh

Menghapus layanan Cloud Run

Hapus resource komputasi untuk menghentikan penagihan aktif untuk container yang sedang berjalan.

gcloud run services delete knowledge-catalog-agent --region=$REGION --quiet

Membersihkan artefak build dan penyimpanan penyiapan

Saat Anda men-deploy agen ADK, sistem akan otomatis membuat image container dan mengupload kode sumber Anda ke bucket Cloud Storage sementara.

Hapus repositori Artifact Registry dan bucket staging Cloud Storage:

# Delete the repository used for the agent build
gcloud artifacts repositories delete cloud-run-source-deploy \
    --location=$REGION \
    --quiet

# Delete the staging bucket created by Cloud Run source deploy
gcloud storage rm --recursive gs://run-sources-${PROJECT_ID}-${REGION}

Menghapus identitas dan izin

Hapus binding kebijakan IAM terlebih dahulu, lalu hapus Akun Layanan.

# Remove IAM roles granted to the Agent Service Account
gcloud projects remove-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$AGENT_SERVICE_ACCOUNT" \
  --role="roles/aiplatform.user" --quiet

gcloud projects remove-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$AGENT_SERVICE_ACCOUNT" \
  --role="roles/dataplex.catalogViewer" --quiet

gcloud projects remove-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$AGENT_SERVICE_ACCOUNT" \
  --role="roles/mcp.toolUser" --quiet

gcloud projects remove-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$AGENT_SERVICE_ACCOUNT" \
  --role="roles/bigquery.dataViewer" --quiet

# Delete the Service Account
gcloud iam service-accounts delete $AGENT_SERVICE_ACCOUNT --quiet

Menghapus konfigurasi lokal

Terakhir, hapus file konfigurasi lokal dan variabel lingkungan di Cloud Shell.

# Uninstall the AGY CLI plugin
agy plugin uninstall dataplex

# Remove local repository files and unset variables
cd ~
rm -rf ~/devrel-demos
unset MCP_SERVER_URL
unset AGENT_SERVICE_ACCOUNT

9. Selamat!

Anda telah berhasil men-deploy agen AI Generatif yang menyeluruh dan mendukung tata kelola.

Dalam codelab dua bagian ini, Anda telah melampaui rekayasa perintah sederhana untuk menerapkan arsitektur yang kuat dan siap produksi. Dengan memperlakukan tata kelola data sebagai prasyarat untuk GenAI, Anda telah menetapkan metode sistematis untuk mencegah model mengambil data yang tidak bersertifikasi atau berhalusinasi.

Poin-poin penting

  • AI Deterministik melalui Metadata: Daripada mengandalkan LLM untuk menebak tabel yang benar berdasarkan nama kolom, Anda menerapkan reasoning loop yang ketat menggunakan Server MCP Knowledge Catalog yang dikelola Google, sehingga memaksa model untuk memverifikasi sertifikasi data sebelum merekomendasikan tabel.
  • Arsitektur yang Tidak Terikat: Agen frontend tidak perlu berisi logika database; agen ini hanya perlu berkomunikasi melalui standar MCP. Artinya, Anda dapat menghubungkan model atau klien AI apa pun di masa mendatang ke backend yang sama dan dikelola.
  • Pemisahan Tugas: Anda menerapkan prinsip hak istimewa terendah dengan mengisolasi identitas IAM. Agen ADK yang dapat dilihat pengguna beroperasi dengan izin yang dibatasi untuk pemanggilan model dan perutean API.
  • Pengaturan Agen yang mengutamakan Kode: Anda menggunakan Google Agent Development Kit (ADK) untuk langsung membungkus logika agen Python Anda ke dalam backend FastAPI yang skalabel, menggunakan UI developer bawaannya untuk memvisualisasikan dan men-debug eksekusi alat internal agen.

Apa langkah selanjutnya?