Membangun Agen GraphRAG dengan ADK

1. Ringkasan

Dalam codelab ini, Anda akan membangun sistem riset investasi multiagen yang canggih yang menggabungkan kemampuan Agent Development Kit (ADK) Google, Neo4j Graph Database, dan Toolbox Model Context Protocol (MCP). Tutorial praktis ini menunjukkan cara membuat agen cerdas yang memahami konteks data melalui hubungan grafik dan memberikan respons kueri yang sangat akurat.

Mengapa GraphRAG + Sistem Multiagen?

GraphRAG (Graph-based Retrieval-Augmented Generation) meningkatkan pendekatan RAG tradisional dengan memanfaatkan struktur hubungan yang kaya dari pustaka pengetahuan. Selain hanya menelusuri dokumen serupa, agen GraphRAG dapat:

Menelusuri hubungan yang kompleks antar-entitas
Memahami konteks melalui struktur grafik
Memberikan hasil yang dapat dijelaskan berdasarkan data yang terhubung
Menjalankan penalaran multi-hop di seluruh grafik pengetahuan

Sistem Multiagen memungkinkan Anda:

Menguraikan masalah kompleks menjadi sub-tugas khusus
Membangun aplikasi AI modular yang mudah dikelola
Mengaktifkan pemrosesan paralel dan penggunaan resource yang efisien
Membuat pola penalaran hierarkis dengan orkestrasi

Yang akan Anda bangun

Anda akan membuat sistem riset investasi lengkap yang menampilkan:

Agen Database Grafik: Mengeksekusi kueri Cypher dan memahami skema Neo4j
Agen Riset Investor: Menemukan hubungan investor dan portofolio investasi
Agen Riset Investasi: Mengakses grafik pengetahuan komprehensif melalui alat MCP
Agen Root: Mengatur semua sub-agen secara cerdas

Sistem akan menjawab pertanyaan kompleks seperti:

"Siapa pesaing utama YouTube?"
"Perusahaan mana yang disebutkan dengan sentimen positif pada Januari 2023?"
"Siapa yang berinvestasi di ByteDance dan di mana lagi mereka berinvestasi?"

Ringkasan Arsitektur

Melalui codelab ini, Anda akan mempelajari dasar-dasar konseptual dan penerapan praktis dalam membangun agen GraphRAG tingkat perusahaan.

Yang akan Anda pelajari

Cara membangun sistem multiagen menggunakan Agent Development Kit (ADK) Google
Cara mengintegrasikan database grafik Neo4j dengan ADK untuk aplikasi GraphRAG
Cara menerapkan Toolbox Model Context Protocol (MCP) untuk kueri database yang telah divalidasi sebelumnya
Cara membuat alat dan fungsi kustom untuk agen cerdas
Cara mendesain hierarki agen dan pola orkestrasi
Cara menyusun petunjuk agen untuk performa yang optimal
Cara men-debug interaksi multi-agen secara efektif

Yang Anda butuhkan

Browser web Chrome
Akun Gmail
Project Google Cloud dengan penagihan diaktifkan
Pemahaman dasar tentang perintah terminal dan Python (akan membantu, tetapi tidak wajib)

Codelab ini, yang dirancang untuk developer dari semua tingkat keahlian (termasuk pemula), menggunakan Python dan Neo4j dalam aplikasi contohnya. Meskipun pemahaman dasar tentang Python dan database grafik dapat membantu, Anda tidak memerlukan pengalaman sebelumnya untuk memahami konsep atau mengikuti langkah-langkahnya.

2. Memahami GraphRAG dan Sistem Multi-Agen

Sebelum mempelajari implementasi, mari pahami konsep utama yang mendukung sistem ini.

Neo4j adalah database grafik native terkemuka yang menyimpan data sebagai jaringan node (entitas) dan hubungan (koneksi antar-entitas), sehingga ideal untuk kasus penggunaan yang memerlukan pemahaman koneksi — seperti rekomendasi, deteksi penipuan, pustaka pengetahuan, dan lainnya. Tidak seperti database relasional atau berbasis dokumen yang mengandalkan tabel yang kaku atau struktur hierarkis, model grafik fleksibel Neo4j memungkinkan representasi data yang kompleks dan saling terhubung secara intuitif dan efisien.

Daripada mengatur data dalam baris dan tabel seperti database relasional, Neo4j menggunakan model grafik, tempat informasi direpresentasikan sebagai node (entitas) dan hubungan (koneksi antar-entitas tersebut). Model ini membuatnya sangat intuitif untuk bekerja dengan data yang secara inheren terkait — seperti orang, tempat, produk, atau, dalam kasus kami, film, aktor, dan genre.

Misalnya, dalam set data film:

Node dapat merepresentasikan Movie, Actor, atau Director
Hubungan dapat berupa ACTED_IN atau DIRECTED

Struktur ini memungkinkan Anda mengajukan pertanyaan dengan mudah seperti:

Film apa saja yang dibintangi aktor ini?
Siapa yang pernah bekerja sama dengan Christopher Nolan?
Apa saja film serupa berdasarkan aktor atau genre yang sama?

Apa itu GraphRAG?

Retrieval-Augmented Generation (RAG) meningkatkan respons LLM dengan mengambil informasi yang relevan dari sumber eksternal. RAG tradisional biasanya:

Menyematkan dokumen ke dalam vektor
Menelusuri vektor serupa
Meneruskan dokumen yang diambil ke LLM

GraphRAG memperluas hal ini dengan menggunakan pustaka pengetahuan:

Menyematkan entity dan hubungan
Melakukan traversal koneksi grafik
Mengambil informasi kontekstual multi-hop
Memberikan hasil yang terstruktur dan dapat dijelaskan

Mengapa Grafik untuk Agen AI?

Pertimbangkan pertanyaan ini: "Siapa saja pesaing YouTube, dan investor mana yang telah mendanai YouTube dan para pesaingnya?"

Yang terjadi dalam pendekatan RAG Tradisional:

Penelusuran dokumen tentang pesaing YouTube
Menelusuri informasi investor secara terpisah
Kesulitan menghubungkan kedua informasi ini
Mungkin tidak menemukan hubungan implisit

Yang terjadi dalam pendekatan GraphRAG:

MATCH (youtube:Company {name: "YouTube"})-[:COMPETES_WITH]->(competitor:Company)
MATCH (investor:Investor)-[:INVESTED_IN]->(youtube)
MATCH (investor)-[:INVESTED_IN]->(competitor)
RETURN youtube, competitor, investor

Grafik secara alami merepresentasikan hubungan, sehingga kueri multi-hop menjadi mudah dan efisien.

Sistem Multiagen di ADK

Agent Development Kit (ADK) adalah framework open source Google untuk membangun dan men-deploy agen AI tingkat produksi. Framework ini menyediakan primitif intuitif untuk orkestrasi multi-agen, integrasi alat, dan pengelolaan alur kerja, sehingga memudahkan penyusunan agen khusus ke dalam sistem yang canggih. ADK berfungsi lancar dengan Gemini dan mendukung deployment ke Cloud Run, Kubernetes, atau infrastruktur apa pun.

Agent Development Kit (ADK) menyediakan primitif untuk membangun sistem multi-agen:

Hierarki Agen:

# Root agent coordinates specialized agents
root_agent = LlmAgent(
    name="RootAgent",
    sub_agents=[
        graph_db_agent,
        investor_agent,
        investment_agent
    ]
)

Agen Khusus: Setiap agen memiliki

Alat tertentu: Fungsi yang dapat dipanggilnya
Petunjuk yang jelas: Peran dan kemampuannya
Keahlian domain: Pengetahuan tentang bidangnya

Pola Orkestrasi:

Berurutan: Mengeksekusi agen secara berurutan
Paralel: Menjalankan beberapa agen secara bersamaan
Bersyarat: Merutekan berdasarkan jenis kueri

MCP Toolbox for Databases

Model Context Protocol (MCP) adalah standar terbuka untuk menghubungkan sistem AI ke sumber data dan alat eksternal. MCP Toolbox for Databases adalah implementasi Google yang memungkinkan pengelolaan kueri database deklaratif, sehingga Anda dapat menentukan kueri yang telah divalidasi sebelumnya dan dibuat oleh pakar sebagai alat yang dapat digunakan kembali. Daripada membiarkan LLM membuat kueri yang berpotensi tidak aman, MCP Toolbox menyajikan kueri yang telah disetujui sebelumnya dengan validasi parameter, sehingga memastikan keamanan, performa, dan keandalan sekaligus mempertahankan fleksibilitas untuk agen AI.

Pendekatan Tradisional:

# LLM generates query (may be incorrect/unsafe)
query = llm.generate("SELECT * FROM users WHERE...")
db.execute(query)  # Risk of errors/SQL injection

Pendekatan MCP:

# Pre-validated query definition
- name: get_industries
  description: Fetch all industries from database
  query: |
    MATCH (i:Industry)
    RETURN i.name, i.id

Manfaat:

Divalidasi sebelumnya oleh pakar
Aman dari serangan injeksi
Performanya dioptimalkan
Dikelola secara terpusat
Dapat digunakan kembali di seluruh agen

Penutup

Kombinasi GraphRAG + Multi-Agent Framework oleh ADK + MCP menciptakan sistem yang canggih:

Root Agent menerima kueri pengguna
Merutekan ke agen khusus berdasarkan jenis kueri
Agen menggunakan alat MCP untuk mengambil data dengan aman
Struktur grafik memberikan konteks yang kaya
LLM menghasilkan respons yang relevan dan dapat dijelaskan

Setelah memahami arsitekturnya, mari kita mulai membangun!

3. Siapkan Project Google Cloud

Membuat project

Di Konsol Google Cloud, di halaman pemilih project, pilih atau buat project Google Cloud.
Pastikan penagihan diaktifkan untuk project Cloud Anda. Pelajari cara memeriksa apakah penagihan telah diaktifkan pada suatu project .
Anda akan menggunakan Cloud Shell, lingkungan command line yang berjalan di Google Cloud. Klik Activate Cloud Shell di bagian atas konsol Google Cloud. Anda dapat beralih antara Terminal Cloud Shell (untuk menjalankan perintah cloud) dan Editor (untuk membangun project) dengan mengklik tombol yang sesuai dari Cloud Shell.

Gambar tombol Activate Cloud Shell

Setelah terhubung ke Cloud Shell, Anda dapat memeriksa bahwa Anda sudah diautentikasi dan project sudah ditetapkan ke project ID Anda menggunakan perintah berikut:

gcloud auth list

Jalankan perintah berikut di Cloud Shell untuk mengonfirmasi bahwa perintah gcloud mengetahui project Anda.

gcloud config list project

Jika project Anda belum ditetapkan, gunakan perintah berikut untuk menetapkannya:

gcloud config set project <YOUR_PROJECT_ID>

Baca dokumentasi untuk mempelajari perintah gcloud dan penggunaannya.

Bagus! Sekarang kita siap melanjutkan ke langkah berikutnya — memahami set data.

4. Memahami set data Perusahaan

Untuk codelab ini, kita menggunakan database Neo4j hanya baca yang telah diisi sebelumnya dengan data investasi dan perusahaan dari Grafik Pengetahuan Diffbot.

Set data ini berisi:

237.358 node yang mewakili:
Organisasi (perusahaan)
Orang (eksekutif, karyawan)
Artikel (berita dan penyebutan)
Industri
Teknologi
Investor
Hubungan termasuk:
INVESTED_IN - Koneksi investasi
COMPETES_WITH - Hubungan kompetitif
MENTIONS - Referensi artikel
WORKS_AT - Hubungan kerja
IN_INDUSTRY - Klasifikasi industri

Mengakses Database Demo

Untuk codelab ini, kita akan menggunakan instance demo yang dihosting. Tambahkan kredensial ini ke catatan Anda:

URI: neo4j+s://demo.neo4jlabs.com
Username: companies
Password: companies
Database: companies

Akses Browser:

Anda dapat menjelajahi data secara visual di: https://demo.neo4jlabs.com:7473

// Sample query to explore the graph
MATCH (o:Organization)-[:HAS_COMPETITOR]->(competitor:Organization)
RETURN o.name, competitor.name
LIMIT 10

Memvisualisasikan Struktur Grafik

Coba kueri ini di Neo4j Browser untuk melihat pola hubungan:

// Find investors and their portfolio companies
MATCH (investor:Organization)-[:HAS_INVESTOR]->(company:Organization)
WITH investor, collect(company.name) as portfolio
RETURN investor.name, size(portfolio) as num_investments, portfolio
ORDER BY num_investments DESC
LIMIT 5

Kueri ini menampilkan 5 investor paling aktif teratas dan portofolio mereka.

Mengapa Database Ini untuk GraphRAG?

Set data ini sangat cocok untuk mendemonstrasikan GraphRAG karena:

Hubungan Lengkap: Koneksi kompleks antar-entitas
Data Dunia Nyata: Perusahaan, orang, dan artikel berita yang sebenarnya
Kueri Multi-hop: Memerlukan penelusuran beberapa jenis hubungan
Data Temporal: Artikel dengan stempel waktu untuk analisis berbasis waktu
Analisis Sentimen: Skor sentimen yang telah dihitung sebelumnya untuk artikel

Setelah Anda memahami struktur data, mari siapkan lingkungan pengembangan Anda.

5. Meng-clone Repositori dan Mengonfigurasi Lingkungan

Membuat Clone Repositori

Di terminal Cloud Shell, jalankan:

# Clone the repository
git clone https://github.com/sidagarwal04/neo4j-adk-multiagents.git

# Navigate into the directory
cd neo4j-adk-multiagents

Mempelajari Struktur Repositori

Luangkan waktu untuk memahami tata letak project:

neo4j-adk-multiagents/
├── investment_agent/       # Main agent code
│   ├── agent.py           # Agent definitions
│   ├── tools.py           # Custom tool functions
│   └── .adk/              # ADK configuration
│       └── tools.yaml     # MCP tool definitions
├── main.py                # Application entry point
├── setup_tools_yaml.py    # Configuration generator
├── requirements.txt       # Python dependencies
├── example.env           # Environment template
└── README.md             # Project documentation

Menyiapkan Lingkungan Virtual

Sebelum membuat dan mengaktifkan lingkungan virtual Python, pastikan Anda telah menginstal paket uv di sistem Anda:

# Install uv if not already installed
pip install uv

Buat dan aktifkan lingkungan virtual Python menggunakan uv:

# Create virtual environment
uv venv

# Activate the environment
source .venv/bin/activate  # On macOS/Linux
# or
.venv\Scripts\activate  # On Windows

Anda akan melihat (.venv) ditambahkan ke perintah terminal Anda.

Instal Dependensi

Instal semua paket yang diperlukan:

uv pip install -r requirements.txt

Dependensi utama meliputi:

google-adk>=1.21.0          # Agent Development Kit
neo4j>=6.0.3               # Neo4j Python driver
python-dotenv>=1.0.0       # Environment variables

Mengonfigurasi Variabel Lingkungan

Buat file .env:

cp example.env .env

Edit file .env:

Jika menggunakan Cloud Shell, klik Open Editor di toolbar, lalu buka .env dan perbarui:

# Neo4j Configuration (Demo Database)
NEO4J_URI=neo4j+ssc://demo.neo4jlabs.com
NEO4J_USERNAME=companies
NEO4J_PASSWORD=companies
NEO4J_DATABASE=companies

# Google AI Configuration
# Choose ONE of the following options:

# Option 1: Google AI API (Recommended)
GOOGLE_GENAI_USE_VERTEXAI=0
GOOGLE_API_KEY=your_api_key_here  # Get from https://aistudio.google.com/app/apikey

# Option 2: Vertex AI (If using GCP)
# GOOGLE_GENAI_USE_VERTEXAI=1
# GOOGLE_CLOUD_PROJECT=your-project-id
# GOOGLE_CLOUD_LOCATION=us-central1

# ADK Configuration
GOOGLE_ADK_MODEL=gemini-3-pro-preview  # or gemini-3-flash-preview

# MCP Toolbox Configuration
MCP_TOOLBOX_URL=https://toolbox-990868019953.us-central1.run.app/mcp/sse

Konfigurasi MCP Toolbox (Telah dikonfigurasi - tidak perlu dijalankan):

Di lab ini, MCP Toolbox sudah dihosting dan dikonfigurasi sebelumnya, sehingga Anda tidak perlu membuat atau mengelola file tools.yaml secara lokal.

Biasanya, Anda akan menjalankan perintah berikut untuk membuat tools.yaml dari variabel lingkungan setelah memperbarui investment_agent/.adk/tools.yaml.template sesuai kebutuhan:

python setup_tools_yaml.py

Tindakan ini akan menghasilkan investment_agent/.adk/tools.yaml dengan kredensial Neo4j Anda yang dikonfigurasi dengan benar untuk MCP Toolbox.

Anda akan menjalankan skrip di atas hanya jika:

Anda menghosting sendiri MCP Toolbox
Anda terhubung ke database atau set data Neo4j yang berbeda
Anda ingin menentukan alat atau kredensial kustom

Dalam kasus tersebut, URL MCP Toolbox dan konfigurasi tools.yaml harus diperbarui sebagaimana mestinya.

Verifikasi Konfigurasi

Pastikan semuanya disiapkan dengan benar:

# Verify .env file exists
ls -la .env

# Verify tools.yaml was generated
ls -la investment_agent/.adk/tools.yaml

# Test Python environment
python -c "import google.adk; print('ADK installed successfully')"

# Test Neo4j connection
python -c "from neo4j import GraphDatabase; print('Neo4j driver installed')"

Lingkungan pengembangan Anda kini telah sepenuhnya dikonfigurasi. Selanjutnya, kita akan mempelajari arsitektur multi-agen.

6. Memahami Arsitektur Multi-Agen

Sistem Empat Agen

Sistem riset investasi kami menggunakan arsitektur multi-agen hierarkis dengan empat agen khusus yang bekerja sama untuk menjawab kueri kompleks tentang perusahaan, investor, dan intelijen pasar.

                ┌──────────────┐
                │  Root Agent  │ ◄── User Query
                └──────┬───────┘
                       │
      ┌────────────────┼────────────────┐
      │                │                │
┌─────▼─────┐     ┌────▼─────┐     ┌────▼──────────┐
│ Graph DB  │     │ Investor │     │  Investment   │
│  Agent    │     │ Research │     │  Research     │
└───────────┘     │  Agent   │     │  Agent        │
                  └──────────┘     └───────────────┘

Agen Root (Pengelola):

Agen Root berfungsi sebagai koordinator cerdas dari seluruh sistem. Agen ini menerima kueri pengguna, menganalisis maksud, dan merutekan permintaan ke agen khusus yang paling tepat. Anggap saja seperti manajer proyek yang memahami anggota tim mana yang paling cocok untuk setiap tugas. Selain itu, Gemini juga menangani agregasi respons, memformat hasil sebagai tabel atau diagram saat diminta, dan mempertahankan konteks percakapan di beberapa kueri. Agen Root selalu lebih memilih agen khusus daripada agen database umum, sehingga memastikan kueri ditangani oleh komponen paling ahli yang tersedia.

Agen Database Grafik:

Agen Database Grafik adalah koneksi langsung Anda ke kemampuan grafik canggih Neo4j. GraphStudio memahami skema database, membuat kueri Cypher dari bahasa alami, dan menjalankan penelusuran grafik yang kompleks. Agen ini mengkhususkan diri dalam pertanyaan struktural, penggabungan, dan penalaran multi-hop di seluruh grafik pengetahuan. Ini adalah pakar pengganti saat kueri memerlukan logika kustom yang tidak dapat ditangani oleh alat yang telah ditentukan sebelumnya, sehingga penting untuk analisis eksploratif dan kueri analitik kompleks yang tidak diantisipasi dalam desain sistem.

Agen Riset Investor:

Agen Riset Investor berfokus secara eksklusif pada hubungan investasi dan analisis portofolio. Fitur ini dapat menemukan siapa yang berinvestasi di perusahaan tertentu menggunakan pencocokan nama persis, mengambil portofolio investor lengkap yang menunjukkan semua investasi mereka, dan menganalisis pola investasi di berbagai industri. Spesialisasi ini membuatnya sangat efisien dalam menjawab pertanyaan seperti "Siapa yang berinvestasi di ByteDance?" atau "Apa lagi yang diinvestasikan Sequoia Capital?" Agen menggunakan fungsi Python kustom yang langsung membuat kueri database Neo4j untuk hubungan terkait investor.

Agen Riset Investasi:

Agen Riset Investasi memanfaatkan Toolbox Model Context Protocol (MCP) untuk mengakses kueri yang telah divalidasi sebelumnya dan ditulis oleh pakar. API ini dapat mengambil semua industri yang tersedia, mengambil perusahaan dalam industri tertentu, menemukan artikel dengan analisis sentimen, menemukan penyebutan organisasi dalam berita, dan mendapatkan informasi tentang orang-orang yang bekerja di perusahaan. Tidak seperti Agen Database Grafik yang membuat kueri secara dinamis, agen ini menggunakan kueri yang aman, dioptimalkan, dan telah ditentukan sebelumnya yang dikelola dan divalidasi secara terpusat. Hal ini menjadikannya aman dan berperforma tinggi untuk alur kerja riset umum.

7. Menjalankan dan Menguji Sistem Multi-Agen

Luncurkan Aplikasi

Setelah memahami arsitektur, mari jalankan sistem lengkap dan berinteraksi dengannya.

Mulai antarmuka web ADK:

# Make sure you're in the project directory with activated virtual environment
cd ~/neo4j-adk-multiagents
source .venv/bin/activate  # If not already activated

# Launch the application
uv run adk web

Anda akan melihat output yang mirip dengan:

INFO:     Started server process [2542]
INFO:     Waiting for application startup.

+----------------------------------------------------------------+
| ADK Web Server started                                         |
|                                                                |
| For local testing, access at http://127.0.0.1:8000.            |
+----------------------------------------------------------------+

INFO:     Application startup complete.
INFO:     Uvicorn running on http://127.0.0.1:8000 (Press CTRL+C to quit)

Setelah Anda melihat server berhasil dimulai, buka browser Anda dan buka http://127.0.0.1:8000 untuk mengakses aplikasi.

Kueri Pengujian dan Perilaku yang Diharapkan

Mari kita pelajari kemampuan sistem dengan kueri yang semakin kompleks:

Kueri Dasar (Agen Tunggal)

Kueri 1: Temukan Industri

What industries are available in the database?

Perilaku yang Diharapkan:

Agen Root merutekan ke Agen Riset Investasi
Menggunakan alat MCP: get_industries()
Menampilkan daftar semua industri yang diformat

Yang Harus Diamati:

Di UI ADK, luaskan detail eksekusi untuk melihat:

Keputusan pemilihan agen
Panggilan alat: get_industries()
Hasil mentah dari Neo4j
Respons yang diformat

Kueri 2: Temukan Investor

Who invested in ByteDance?

Perilaku yang Diharapkan:

Agen Root mengidentifikasi ini sebagai kueri terkait investor
Rute ke Agen Riset Investor
Menggunakan alat: find_investor_by_name("ByteDance")
Menampilkan investor dengan jenisnya (Orang/Organisasi)

Proses Selanjutnya:

Daftar investor yang terkait dengan ByteDance
Setiap investor ditampilkan dengan nama dan jenis entitasnya (Orang atau Organisasi)
Ringkasan hasil yang singkat dan mudah dibaca
Perintah lanjutan yang menawarkan untuk menjelajahi investasi terkait atau portofolio investor (mungkin)

Kueri 3: Perusahaan menurut Industri

Show me companies in the Artificial Intelligence industry

Perilaku yang Diharapkan:

Agen Root merutekan ke Agen Riset Investasi
Menggunakan alat MCP: get_companies_in_industry("Artificial Intelligence")
Menampilkan daftar perusahaan AI dengan ID dan tanggal pendirian

Yang Harus Diamati:

Perhatikan cara agen menggunakan pencocokan nama industri yang tepat
Hasil dibatasi untuk mencegah output yang terlalu banyak
Data diformat dengan jelas agar mudah dibaca

Kueri Menengah (Multi-Langkah dalam Satu Agen)

Kueri 4: Analisis Sentimen

Find articles with positive sentiment from January 2023

Perilaku yang Diharapkan:

Rute ke Agen Riset Investasi
Menggunakan alat MCP: get_articles_with_sentiment(0.7, 2023, 1)
Menampilkan artikel dengan judul, skor sentimen, dan tanggal publikasi

Tips Pen-debug-an:

Lihat parameter pemanggilan alat:

min_sentiment: 0,7 (agen menafsirkan "positif" sebagai >= 0,7)
year: 2023
month: 1

Kueri 5: Kueri Database Kompleks

How many companies are in the database?

Perilaku yang Diharapkan:

Agen Root merutekan ke Agen Database Grafik
Agen memanggil get_neo4j_schema() terlebih dahulu untuk memahami struktur
Membuat Cypher: MATCH (c:Company) RETURN count(c)
Menjalankan kueri dan menampilkan jumlah

Respons yang Diharapkan:

There are 46,088 companies in the database.

Kueri Lanjutan (Koordinasi Multi-Agen)

Kueri 6: Analisis Portofolio

Who invested in ByteDance and what else have they invested in?

Perilaku yang Diharapkan:

Ini adalah kueri dua bagian yang memerlukan koordinasi agen:

Langkah 1: Agen Root → Agen Riset Investor
Panggilan find_investor_by_name("ByteDance")
Mendapatkan daftar investor: [Rong Yue, Wendi Murdoch]
Langkah 2: Untuk setiap investor → Agen Riset Investor
Panggilan find_investor_by_id(investor_id)
Mengambil portofolio lengkap
Langkah 3: Root Agent mengagregasi dan memformat

Proses Selanjutnya:

Daftar investor yang telah berinvestasi di ByteDance
Untuk setiap investor:
Nama dan jenis entitasnya (Orang atau Organisasi)
Daftar perusahaan lain yang telah mereka investasikan, berdasarkan data yang tersedia
Ringkasan terstruktur yang mudah dibaca dan dikelompokkan menurut investor

Yang Harus Diamati:

Beberapa panggilan alat secara berurutan
Konteks tetap terjaga di antara langkah-langkah
Hasil digabungkan secara cerdas

Kueri 7: Riset Multi-Domain

What are 5 AI companies mentioned in positive articles, and who are their CEOs?

Perilaku yang Diharapkan:

Kueri kompleks ini memerlukan beberapa agen dan alat:

Langkah 1: Investment Research Agent
get_companies_in_industry("Artificial Intelligence")
Menampilkan daftar perusahaan AI
Langkah 2: Agen Riset Investasi
get_articles_with_sentiment(0.8)
Menampilkan artikel positif
Langkah 3: Filter Agen Root
Mengidentifikasi perusahaan AI mana yang muncul dalam artikel positif
Memilih 5 teratas
Langkah 4: Agen Riset Investasi
get_people_in_organizations([company_names], "CEO")
Mengembalikan informasi CEO
Langkah 5: Root Agent memformat respons

Proses Selanjutnya:

Daftar lima perusahaan di industri Kecerdasan Buatan
Hanya perusahaan yang muncul dalam artikel dengan skor positif
Untuk setiap perusahaan:
Nama perusahaan
Industri
Nama CEO
Skor sentimen gabungan atau representatif

Yang Harus Diamati:

Beberapa panggilan alat di berbagai agen
Logika pemfilteran dan kombinasi data

Kueri 8: Analisis Kompetitif

Who are YouTube's main competitors?

Perilaku yang Diharapkan:

Root Agent merutekan ke Graph Database Agent (kueri hubungan)
Agen membuat Cypher yang ditingkatkan GraphRAG:

MATCH (c:Company {name: "YouTube"})-[:COMPETES_WITH]->(competitor)
RETURN competitor.name as competitor_name

Menampilkan daftar perusahaan pesaing

Respons yang Diharapkan:

YouTube's main competitors are:

- TikTok (ByteDance)
- Dailymotion
- Twitter
- BuzzFeed
- Mixer
- OpenAI (for video content)

Kueri Lanjutan Kontekstual

Kueri 9: Pertanyaan Lanjutan (Setelah Kueri 8)

Which investors funded both YouTube and its competitors?

Perilaku yang Diharapkan:

Agen Root mengingat konteks sebelumnya (YouTube dan kompetitornya)
Rute ke Agen Riset Investor
Untuk YouTube dan setiap pesaing, temukan investor
Mengidentifikasi investor yang muncul di beberapa perusahaan

Proses Selanjutnya:

Sistem menggunakan konteks percakapan yang ada (YouTube dan kompetitornya)
Daftar investor yang telah berinvestasi di lebih dari satu perusahaan dalam lanskap persaingan ini
Untuk setiap investor:
Nama investor
Daftar perusahaan relevan yang mereka investasikan, yang dikelompokkan
Ringkasan interpretatif singkat yang menyoroti tumpang-tindih atau pola strategis (mungkin)

Pertanyaan 10: Ringkasan Riset

Summarize our research findings so far

Perilaku yang Diharapkan:

Agen Root meninjau histori percakapan
Mensintesis temuan utama dari kueri sebelumnya
Memberikan ringkasan yang koheren

Proses Selanjutnya:

Ringkasan wawasan yang ringkas dan terstruktur dengan baik yang dikumpulkan dari kueri sebelumnya
Temuan utama yang dikelompokkan berdasarkan tema (ringkasan industri, analisis perusahaan, sentimen, persaingan, kepemimpinan)
Poin butir yang jelas menyoroti:
Industri yang dijelajahi
Perusahaan dan investor terkemuka
Pola investasi lintas perusahaan
Tren sentimen pasar
Narasi yang koheren yang mencerminkan sintesis yang sadar konteks di seluruh sesi

Memahami Interaksi Agen di Tampilan Debug

Antarmuka web ADK memberikan visibilitas eksekusi yang mendetail. Berikut hal yang harus diperhatikan:

Linimasa Acara

Menampilkan alur kronologis:

[USER] Query received
[ROOT_AGENT] Analyzing query intent
[ROOT_AGENT] Routing to investment_research_agent
[INVESTMENT_RESEARCH_AGENT] Tool call: get_companies_in_industry
[TOOL] Executing with params: {"industry_name": "Artificial Intelligence"}
[TOOL] Returned 47 results
[INVESTMENT_RESEARCH_AGENT] Formatting response
[ROOT_AGENT] Presenting to user

Detail Pemanggilan Alat

Klik panggilan alat untuk melihat:

Function name
Parameter input
Nilai yang ditampilkan
Waktu eksekusi
Error apa pun

Pengambilan Keputusan Agen

Amati penalaran LLM:

Alasan memilih agen tertentu
Cara menafsirkan kueri
Alat yang dipertimbangkan
Alasan hasil diformat dengan cara tertentu

Pengamatan dan Insight Umum

Pola Pemilihan Rute Kueri:

Kata kunci seperti "investor", "berinvestasi" → Agen Riset Investor
Kata kunci seperti "industri", "perusahaan", "artikel" → Agen Riset Investasi
Agregasi, jumlah, logika kompleks → Agen Database Grafik

Catatan Performa:

Alat MCP biasanya lebih cepat (kueri yang telah dioptimalkan sebelumnya)
Pembuatan Cypher yang kompleks memerlukan waktu lebih lama (waktu berpikir LLM)
Beberapa panggilan alat akan menambah latensi, tetapi memberikan hasil yang lebih kaya

Penanganan Error:

Jika kueri gagal:

Agen menjelaskan apa yang salah
Menyarankan koreksi (misalnya, "Nama perusahaan tidak ditemukan, periksa ejaan")
Dapat mencoba pendekatan alternatif

Tips untuk Pengujian yang Efektif

Mulai dengan Sederhana: Uji fungsi inti setiap agen sebelum kueri yang kompleks
Menggunakan Tindak Lanjut: Uji retensi konteks dengan pertanyaan lanjutan
Amati Perutean: Amati agen mana yang menangani setiap kueri untuk memahami logikanya
Periksa Panggilan Alat: Verifikasi bahwa parameter diekstrak dengan benar dari bahasa alami
Uji Kasus Khusus: Coba kueri ambigu, salah ejaan, atau permintaan yang tidak biasa

Sekarang Anda memiliki sistem GraphRAG multi-agen yang berfungsi penuh. Bereksperimenlah dengan pertanyaan Anda sendiri untuk menjelajahi kemampuannya.

8. Pembersihan

Agar tidak menimbulkan biaya pada akun Google Cloud Anda untuk resource yang digunakan dalam posting ini, ikuti langkah-langkah berikut:

Di konsol Google Cloud, buka halaman Manage resources.
Dalam daftar project, pilih project yang ingin Anda hapus, lalu klik Delete.
Pada dialog, ketik project ID, lalu klik Shut down untuk menghapus project.

9. Selamat

🎉 Selamat! Anda telah berhasil membangun sistem GraphRAG multi-agen berkualitas produksi menggunakan Agent Development Kit Google, Neo4j, dan MCP Toolbox.

Dengan menggabungkan kemampuan orkestrasi cerdas ADK dengan model data yang kaya akan hubungan Neo4j dan keamanan kueri MCP yang telah divalidasi sebelumnya, Anda telah membuat sistem canggih yang lebih dari sekadar kueri database sederhana — sistem ini memahami konteks, alasan di balik hubungan yang kompleks, dan mengoordinasikan agen khusus untuk memberikan insight yang komprehensif dan akurat.

Dalam codelab ini, Anda telah menyelesaikan hal berikut:

✅ Membangun sistem multi-agen menggunakan Agent Development Kit (ADK) Google dengan orkestrasi hierarkis

✅ Mengintegrasikan database grafik Neo4j untuk memanfaatkan kueri yang mendukung hubungan dan penalaran multi-hop

✅ Menerapkan MCP Toolbox untuk kueri database yang aman dan divalidasi sebelumnya sebagai alat yang dapat digunakan kembali

✅ Membuat agen khusus untuk riset investor, analisis investasi, dan operasi database grafik

✅ Merancang perutean cerdas yang secara otomatis mendelegasikan kueri ke agen pakar yang paling tepat

✅ Menangani jenis data kompleks dengan serialisasi jenis Neo4j yang tepat untuk integrasi Python yang lancar

✅ Menerapkan praktik terbaik produksi untuk desain agen, penanganan error, dan pen-debug-an sistem

Apa Langkah Selanjutnya?

Arsitektur GraphRAG multiagen ini tidak terbatas pada riset investasi — arsitektur ini dapat diperluas ke:

Layanan keuangan: Pengoptimalan portofolio, penilaian risiko, deteksi penipuan
Layanan kesehatan: Koordinasi perawatan pasien, analisis interaksi obat, riset klinis
E-commerce: Rekomendasi yang dipersonalisasi, pengoptimalan supply chain, insight pelanggan
Hukum dan kepatuhan: Analisis kontrak, pemantauan peraturan, riset hukum kasus
Riset akademis: Tinjauan literatur, penemuan kolaborasi, analisis kutipan
Intelijen perusahaan: Analisis kompetitif, riset pasar, grafik pengetahuan organisasi

Di mana pun Anda memiliki data yang saling terhubung dan kompleks + keahlian domain + antarmuka bahasa alami, kombinasi sistem multi-agen ADK + grafik pengetahuan Neo4j + kueri yang divalidasi MCP ini dapat mendukung aplikasi perusahaan cerdas generasi berikutnya.

Seiring dengan terus berkembangnya Kit Pengembangan Agen dan model Gemini Google, Anda akan dapat menyertakan pola penalaran yang lebih canggih, integrasi data real-time, dan kemampuan multi-modal untuk membangun sistem yang benar-benar cerdas dan sadar konteks.

Terus jelajahi, terus bangun, dan tingkatkan kualitas aplikasi agen cerdas Anda.

Jelajahi tutorial pustaka pengetahuan yang lebih praktis di Neo4j GraphAcademy dan temukan pola agen tambahan di ADK Samples Repository.

🚀 Siap membangun sistem agen cerdas berikutnya?

Membangun Agen GraphRAG dengan ADK

1. Ringkasan

Mengapa GraphRAG + Sistem Multiagen?

Sistem Multiagen memungkinkan Anda:

Yang akan Anda bangun

Ringkasan Arsitektur

Yang akan Anda pelajari

Yang Anda butuhkan

2. Memahami GraphRAG dan Sistem Multi-Agen

Apa itu GraphRAG?

Mengapa Grafik untuk Agen AI?

Sistem Multiagen di ADK

MCP Toolbox for Databases

Penutup

3. Siapkan Project Google Cloud

Membuat project

4. Memahami set data Perusahaan

Mengakses Database Demo

Memvisualisasikan Struktur Grafik

Mengapa Database Ini untuk GraphRAG?

5. Meng-clone Repositori dan Mengonfigurasi Lingkungan

Membuat Clone Repositori

Mempelajari Struktur Repositori

Menyiapkan Lingkungan Virtual

Instal Dependensi

Mengonfigurasi Variabel Lingkungan

Verifikasi Konfigurasi

6. Memahami Arsitektur Multi-Agen

7. Menjalankan dan Menguji Sistem Multi-Agen

Luncurkan Aplikasi

Kueri Pengujian dan Perilaku yang Diharapkan

Kueri Dasar (Agen Tunggal)

Kueri Menengah (Multi-Langkah dalam Satu Agen)

Kueri Lanjutan (Koordinasi Multi-Agen)

Kueri Lanjutan Kontekstual

Memahami Interaksi Agen di Tampilan Debug

Pengamatan dan Insight Umum

Tips untuk Pengujian yang Efektif

8. Pembersihan

9. Selamat

Apa Langkah Selanjutnya?

Dokumen referensi