Stateful Data Science Agent ใน Agent Engine

1. ภาพรวม

ใน Codelab นี้ คุณจะได้สร้างเอเจนต์ด้านวิทยาศาสตร์ข้อมูลที่ค้นหาข้อมูลจริงจากชุดข้อมูลสาธารณะของ BigQuery และจดจำค่ากำหนดของคุณในเซสชันต่างๆ จากนั้นคุณจะนำไปใช้งานใน Agent Engine ซึ่งเป็นบริการ Google Cloud ที่มีการจัดการครบวงจรที่ดูแลโครงสร้างพื้นฐาน การปรับขนาด และการจัดการเซสชัน

เอเจนต์ใช้ความสามารถหลัก 3 อย่างที่เปิดใช้งานแบบค่อยเป็นค่อยไป ดังนี้

ชุดเครื่องมือ BigQuery: เอเจนต์จะสำรวจสคีมาและเรียกใช้การค้นหา SQL กับชุดข้อมูล BigQuery จริง ซึ่งจะทำงานทั้งในเครื่องและเมื่อมีการติดตั้งใช้งาน
Memory Bank: เมื่อใช้งานแล้ว เอเจนต์จะจดจำค่ากำหนดและบริบทของผู้ใช้ในเซสชันที่ไม่ได้เชื่อมต่อ
ความสามารถในการสังเกต: Cloud Trace จะบันทึกขั้นตอนการให้เหตุผล การเรียกใช้เครื่องมือ และเวลาในการตอบสนองของ Agent ผ่านการวัดคุม OpenTelemetry

สิ่งที่คุณจะได้เรียนรู้

วิธีสร้างเอเจนต์ ADK ด้วย BigQueryToolset เพื่อเข้าถึงข้อมูลจริง
วิธีกำหนดค่า Memory Bank เพื่อให้ข้อมูลคงอยู่ข้ามเซสชัน
วิธีทําให้ Agent ใช้งานได้กับ Agent Engine ด้วย adk deploy
วิธีให้สิทธิ์ IAM สำหรับบัญชีบริการของเอเจนต์ที่ติดตั้งใช้งาน
วิธีทดสอบการคงอยู่ของหน่วยความจำและความสามารถในการสังเกต

สิ่งที่คุณต้องมี

โปรเจ็กต์ Google Cloud ที่เปิดใช้การเรียกเก็บเงิน
Google Cloud SDK (gcloud CLI)
เว็บเบราว์เซอร์ เช่น Chrome
uv (เครื่องมือจัดการแพ็กเกจ Python)
Python 3.12 ขึ้นไป (uv จะติดตั้งให้โดยอัตโนมัติหากจำเป็น)

ADK (Agent Development Kit) คือเฟรมเวิร์กของ Google สำหรับการสร้าง AI Agent Codelab นี้ใช้ ADK เพื่อสร้าง Agent และติดตั้งใช้งานใน Agent Engine

Codelab นี้เหมาะสำหรับนักพัฒนาแอปที่มีความรู้ระดับกลางซึ่งคุ้นเคยกับ Python และ Google Cloud บ้าง

Codelab นี้ใช้เวลาประมาณ 30 นาทีจึงจะเสร็จสมบูรณ์ (รวมถึงเวลา 5-10 นาทีสำหรับการติดตั้งใช้งาน)

ทรัพยากรที่สร้างในโค้ดแล็บนี้ควรมีค่าใช้จ่ายน้อยกว่า $5

2. ตั้งค่าสภาพแวดล้อม

สร้างโปรเจ็กต์ Google Cloud

ในคอนโซล Google Cloud ในหน้าตัวเลือกโปรเจ็กต์ ให้เลือกหรือสร้างโปรเจ็กต์ Google Cloud
ตรวจสอบว่าได้เปิดใช้การเรียกเก็บเงินสำหรับโปรเจ็กต์ที่อยู่ในระบบคลาวด์แล้ว ดูวิธีตรวจสอบว่าได้เปิดใช้การเรียกเก็บเงินในโปรเจ็กต์แล้วหรือไม่

ตั้งค่าตัวแปรสภาพแวดล้อม

export GOOGLE_CLOUD_PROJECT=<INSERT_YOUR_GCP_PROJECT_HERE>
export GOOGLE_CLOUD_LOCATION=us-central1
export GOOGLE_GENAI_USE_VERTEXAI=True

เปิดใช้ API

gcloud services enable \
  aiplatform.googleapis.com \
  bigquery.googleapis.com \
  telemetry.googleapis.com \
  --project=$GOOGLE_CLOUD_PROJECT

AI Platform API (aiplatform.googleapis.com) — การโฮสต์ Agent Engine
BigQuery API (bigquery.googleapis.com) - ข้อความค้นหา SQL กับชุดข้อมูลสาธารณะและส่วนตัว
Telemetry API (telemetry.googleapis.com) - การติดตาม OpenTelemetry สำหรับการสังเกตการณ์ของเอเจนต์

สร้างสภาพแวดล้อมเสมือนและติดตั้ง ADK

uv venv .venv --python 3.12
source .venv/bin/activate
uv pip install google-adk google-auth

google-adk แพ็กเกจมีเครื่องมือ adk CLI ที่คุณจะใช้เพื่อทดสอบและติดตั้งใช้งานเอเจนต์

3. สร้าง Agent

สร้างไดเรกทอรีโปรเจ็กต์ของ Agent ใหม่ คำสั่งต่อๆ ไปทั้งหมดควรเรียกใช้จากไดเรกทอรีที่ทำงานนี้ (ไดเรกทอรีหลักของ data_science_agent/)

mkdir data_science_agent

โครงสร้างไดเรกทอรีสุดท้ายจะมีลักษณะดังนี้

./
  data_science_agent/
    __init__.py
    agent.py
    requirements.txt    # created in the Deploy step
    .env                # created in the Deploy step

ตอนนี้คุณจะสร้าง __init__.py และ agent.py จากนั้นเพิ่ม requirements.txt และ .env ในขั้นตอนการติดตั้งใช้งาน

สร้าง data_science_agent/__init__.py ซึ่งเป็นไฟล์ที่จำเป็นเพื่อให้ ADK ค้นพบและโหลด Agent ของคุณได้

from . import agent  # noqa: F401 — required by `adk eval` and `adk web`

สร้าง data_science_agent/agent.py:

เอเจนต์นี้เชื่อมต่อกับ BigQuery เพื่อการดึงข้อมูลและคงเซสชันไว้ใน Memory Bank

หน่วยความจำจะเปิดใช้งานโดยอัตโนมัติเมื่อมีการติดตั้งใช้งาน โดยรันไทม์ของ Agent Engine จะตั้งค่าตัวแปรสภาพแวดล้อม GOOGLE_CLOUD_AGENT_ENGINE_ID และจะไม่มีเมื่อเรียกใช้ในเครื่อง

from __future__ import annotations

import os

from google.adk.agents import LlmAgent
from google.adk.agents.callback_context import CallbackContext
from google.adk.apps import App
from google.adk.tools.bigquery import BigQueryCredentialsConfig
from google.adk.tools.bigquery import BigQueryToolset
from google.adk.tools.preload_memory_tool import PreloadMemoryTool
import google.auth

PROJECT_ID = os.getenv("GOOGLE_CLOUD_PROJECT")
if not PROJECT_ID:
    raise ValueError(
        "GOOGLE_CLOUD_PROJECT environment variable is required. "
        "Set it with: export GOOGLE_CLOUD_PROJECT=<your-project-id>"
    )

credentials, _ = google.auth.default()
bq_toolset = BigQueryToolset(credentials_config=BigQueryCredentialsConfig(credentials=credentials))

# GOOGLE_CLOUD_AGENT_ENGINE_ID is set automatically by the Agent Engine runtime.
agent_engine_id = os.getenv("GOOGLE_CLOUD_AGENT_ENGINE_ID")


async def _save_memory(callback_context: CallbackContext) -> None:
    """Persist the session to Memory Bank after each agent run.

    Only activates on Agent Engine where Memory Bank is available.
    """
    if agent_engine_id:
        await callback_context.add_session_to_memory()


root_agent = LlmAgent(
    name="data_science_agent",
    model="gemini-2.5-pro",
    instruction=(
        "You are an expert Data Science Agent. "
        "Your goal is to query enterprise BigQuery datasets, analyze the data, "
        "and summarize your findings. "
        f"When executing SQL queries, use project_id `{PROJECT_ID}` as the "
        "billing project unless the user specifies a different one. "
        "Present results clearly with formatted numbers. "
        "Remember user preferences like preferred regions, date ranges, "
        "or analysis formats across conversations."
    ),
    tools=[bq_toolset, PreloadMemoryTool()],
    after_agent_callback=_save_memory,
)

app = App(
    name="data_science_agent",
    root_agent=root_agent,
)

มาดูกันว่าโค้ดนี้ทำอะไร

BigQueryToolset ให้เครื่องมือแก่ตัวแทน เช่น execute_sql, list_table_ids และ get_table_info ซึ่งสามารถสำรวจสคีมาและค้นหาชุดข้อมูลใดก็ได้ที่ผู้โทรมีสิทธิ์เข้าถึง
PreloadMemoryTool จะดึงความทรงจำที่เกี่ยวข้องโดยอัตโนมัติก่อนการเรียกใช้ LLM แต่ละครั้งโดยการค้นหาเนื้อหาที่เกี่ยวข้องกับข้อความของผู้ใช้ใน Memory Bank การเรียกกลับ _save_memory จะคงเซสชันไว้ใน Memory Bank หลังจากที่ตัวแทนทำงานแต่ละครั้ง เพื่อให้ตัวแทนเรียกคืนบริบทในเซสชันในอนาคตได้
แอปจะรวมเอเจนต์รูทไว้ในแอปพลิเคชันที่ทำให้ใช้งานได้ซึ่ง Agent Engine สามารถให้บริการได้ name ต้องตรงกับชื่อไดเรกทอรี (data_science_agent) โดย adk web จะใช้ชื่อนี้เพื่อค้นหาและโหลดเอเจนต์
คำสั่งจะบอกให้ Agent ใช้โปรเจ็กต์การเรียกเก็บเงินสำหรับการค้นหา SQL และจดจำค่ากำหนดของผู้ใช้

4. ทำให้ใช้งานได้กับ Agent Engine

สร้างไฟล์ requirements.txt ในไดเรกทอรี data_science_agent

google-adk>=1.26.0
google-genai>=1.27.0
google-auth>=2.0.0
python-dotenv>=1.1.0
opentelemetry-instrumentation-fastapi
opentelemetry-instrumentation-google-genai
opentelemetry-instrumentation-httpx
opentelemetry-instrumentation-grpc

google-adk และ google-genai ซึ่งเป็นเฟรมเวิร์ก ADK และไคลเอ็นต์ Gemini
google-auth — การตรวจสอบสิทธิ์ Google Cloud
python-dotenv — โหลดไฟล์ .env เมื่อเริ่มต้น
opentelemetry-instrumentation-*แพ็กเกจทั้ง 4 รายการจะเปิดใช้ฟีเจอร์ความสามารถในการสังเกตที่คุณจะสำรวจในภายหลัง โดยจะตรวจสอบคำขอ HTTP ของ FastAPI, การเรียกโมเดล Gemini และการสื่อสาร gRPC/HTTP ภายในเพื่อให้ร่องรอยปรากฏในแท็บร่องรอยของ Agent Engine

อย่าเพิ่ม google-cloud-aiplatform[agent-engines] ลงใน requirements.txt CLI การทำให้ใช้งานได้ของ ADK จะเพิ่มทรัพยากร Dependency นี้โดยอัตโนมัติในระหว่างการทำให้ใช้งานได้ การประกาศอีกครั้งด้วยเวอร์ชันอื่นอาจทำให้เวอร์ชันแพ็กเกจ OpenTelemetry ขัดแย้งกัน ซึ่งจะทำให้การวัดคุมหยุดทำงานโดยไม่มีการแจ้งเตือน และทำให้การติดตามไม่ปรากฏในแท็บร่องรอย

สร้างไฟล์ .env ในไดเรกทอรี data_science_agent เพื่อเปิดใช้การวัดและส่งข้อมูลในเอเจนต์ที่ติดตั้งใช้งาน

GOOGLE_CLOUD_AGENT_ENGINE_ENABLE_TELEMETRY=true
OTEL_INSTRUMENTATION_GENAI_CAPTURE_MESSAGE_CONTENT=true

GOOGLE_CLOUD_AGENT_ENGINE_ENABLE_TELEMETRY — เปิดใช้งานไปป์ไลน์ OpenTelemetry ในรันไทม์ของ Agent Engine
OTEL_INSTRUMENTATION_GENAI_CAPTURE_MESSAGE_CONTENT — บันทึกอินพุตพรอมต์และคำตอบของเอเจนต์ทั้งหมด ซึ่งมีประโยชน์สำหรับการแก้ไขข้อบกพร่อง

ติดตั้งใช้งาน Agent อาร์กิวเมนต์สุดท้าย data_science_agent คือไดเรกทอรีที่มีโค้ดของเอเจนต์

adk deploy agent_engine \
  --project=$GOOGLE_CLOUD_PROJECT \
  --region=$GOOGLE_CLOUD_LOCATION \
  --display_name="Data Science Agent" \
  --trace_to_cloud \
  --otel_to_cloud \
  data_science_agent

ธง	วัตถุประสงค์
`--project` / `--region`	โปรเจ็กต์ที่อยู่ในระบบคลาวด์และภูมิภาค Google Cloud เป้าหมาย
`--display_name`	ชื่อที่ผู้ใช้อ่านได้ซึ่งแสดงใน Cloud Console
`--trace_to_cloud`	เปิดใช้เครื่องมือส่งออก Cloud Trace สำหรับช่วงของ Agent
`--otel_to_cloud`	เปิดใช้ไปป์ไลน์การวัดและส่งข้อมูลของ OpenTelemetry

เมื่อติดตั้งใช้งานใน Agent Engine ความสามารถ 2 อย่างจะเปิดใช้งานโดยอัตโนมัติ ได้แก่

Memory Bank: PreloadMemoryTool เชื่อมต่อกับ Agent Engine Memory Bank และ_save_memoryคงเซสชันโดยอัตโนมัติ
ความสามารถในการสังเกต: Cloud Trace จะบันทึกขั้นตอนการให้เหตุผล การเรียกใช้เครื่องมือ และเวลาในการตอบสนองของ Agent

5. ให้สิทธิ์เข้าถึง BigQuery

คุณต้องให้สิทธิ์เข้าถึง BigQuery แก่บัญชีบริการของ Agent Engine เมื่อติดตั้งใช้งานแล้ว เอเจนต์จะทำงานเป็นบัญชีบริการที่จัดการโดย Google (ไม่ใช่ข้อมูลเข้าสู่ระบบส่วนตัวของคุณ) จึงต้องมีสิทธิ์ที่ชัดเจนในการเรียกใช้คำค้นหา SQL

PROJECT_NUMBER=$(gcloud projects describe $GOOGLE_CLOUD_PROJECT \
  --format='value(projectNumber)')

SA="service-${PROJECT_NUMBER}@gcp-sa-aiplatform-re.iam.gserviceaccount.com"

# Required to execute SQL queries
gcloud projects add-iam-policy-binding $GOOGLE_CLOUD_PROJECT \
  --member="serviceAccount:${SA}" \
  --role="roles/bigquery.jobUser"

# Required to read table metadata and data
gcloud projects add-iam-policy-binding $GOOGLE_CLOUD_PROJECT \
  --member="serviceAccount:${SA}" \
  --role="roles/bigquery.dataViewer"

แต่ละคำสั่งจะพิมพ์ Updated IAM policy for project [...] เมื่อสำเร็จ

หากข้ามขั้นตอนนี้ไป Agent ที่ติดตั้งใช้งานจะแสดงข้อผิดพลาด 403 เมื่อเรียกใช้การค้นหา SQL คุณต้องมีบทบาท bigquery.jobUser ในโปรเจ็กต์การเรียกเก็บเงิน (โปรเจ็กต์ของคุณ) ไม่ใช่โปรเจ็กต์ข้อมูล

หมายเหตุ: bigquery.dataViewer ให้สิทธิ์การอ่านแก่ชุดข้อมูลทั้งหมดในโปรเจ็กต์ สำหรับการใช้งานจริง ให้พิจารณาให้บทบาทนี้ที่ระดับชุดข้อมูลแทน

6. ทดสอบ Agent ที่ทําให้ใช้งานได้

เปิดหน้า Agent Engine ในคอนโซล Google Cloud คลิกเอเจนต์ที่ติดตั้งใช้งานเพื่อเปิด Agent Engine Playground

ทดสอบความสามารถของ BigQuery โดยทำดังนี้

"แสดงรายการตารางใน bigquery-public-data.hacker_news"
- คาดการณ์: ตัวแทนเรียกใช้ list_table_ids และแสดงชื่อตาราง รวมถึง full
"ค้นหาจำนวนโพสต์ต่อปีใน bigquery-public-data.hacker_news.full"
- คาดการณ์: เอเจนต์เรียกใช้ execute_sql ด้วยการค้นหา SQL และแสดงผลตารางปีและจำนวนโพสต์
"การเปลี่ยนแปลงของเปอร์เซ็นต์โพสต์เมื่อเทียบกับปีก่อนเป็นเท่าใด"
- คาดการณ์: เอเจนต์เรียกใช้ execute_sql ด้วยการค้นหา SQL ที่คำนวณการเปลี่ยนแปลงเปอร์เซ็นต์และแสดงผลลัพธ์

7. ทดสอบการคงอยู่ของหน่วยความจำ

ขณะที่ยังอยู่ใน Playground ให้สอนความชอบแก่เอเจนต์

"จำไว้ว่าชุดข้อมูลที่ฉันชอบคือ bigquery-public-data.hacker_news"
"มีตารางอะไรบ้าง"

รอสักครู่เพื่อให้หน่วยความจำคงอยู่ (_save_memory การเรียกกลับจะทำงานหลังจากที่ตัวแทนตอบกลับ)

ตอนนี้เริ่มเซสชันใหม่โดยคลิกปุ่ม "+ เซสชันใหม่" ในแถบด้านข้างของ Playground แล้วถามว่า

"ชุดข้อมูลที่ฉันชื่นชอบคืออะไร"

เอเจนต์ควรจดจำ bigquery-public-data.hacker_news แม้ว่านี่จะเป็นเซสชันใหม่ที่ไม่มีประวัติการสนทนาก็ตาม ซึ่งได้ผลเนื่องจากเหตุผลต่อไปนี้

_save_memoryจะบันทึกแต่ละเซสชันลงใน Memory Bank ผ่าน callback_context.add_session_to_memory()
PreloadMemoryTool จะดึงความทรงจำที่เกี่ยวข้องก่อนการเรียกใช้ LLM แต่ละครั้ง
Memory Bank จะจับคู่เนื้อหาตามความหมาย ไม่ใช่แค่ตามคีย์เวิร์ด

8. สำรวจ Observability

ใน Cloud Console ให้ไปที่เอเจนต์ที่ติดตั้งใช้งาน แล้วคลิกแท็บการติดตาม

แท็บร่องรอยที่แสดงตารางเซสชัน

คุณควรเห็นตารางเซสชันที่แสดงเซสชันจากคำค้นหาทดสอบที่คุณเรียกใช้ในขั้นตอนก่อนหน้า ตารางจะแสดงเมตริกสรุปสําหรับแต่ละเซสชัน ได้แก่ ระยะเวลาเฉลี่ย การเรียกโมเดล การเรียกเครื่องมือ การใช้โทเค็น และข้อผิดพลาด

คลิกเซสชันเพื่อตรวจสอบรายละเอียดการติดตาม ซึ่งรวมถึงข้อมูลต่อไปนี้

กราฟแบบมีทิศทางและไม่มีวงจร (DAG) ของช่วง ซึ่งแสดงรายละเอียดแบบทีละขั้นตอนของการให้เหตุผลของ Agent, การเรียกใช้เครื่องมือ (การค้นหา BigQuery) และเวลาในการตอบสนอง
อินพุตและเอาต์พุตสำหรับแต่ละช่วง (เปิดใช้ผ่านตัวแปรสภาพแวดล้อม OTEL_INSTRUMENTATION_GENAI_CAPTURE_MESSAGE_CONTENT ใน .env)
แอตทริบิวต์ข้อมูลเมตา เช่น รหัสช่วง รหัสการติดตาม และเวลา

นอกจากนี้ คุณยังเปลี่ยนไปใช้มุมมองช่วง (สลับที่ด้านบน) เพื่อดูช่วงแต่ละช่วงในทุกเซสชันได้ด้วย

วิธีการทำงานของการติดตาม

เมื่อคุณติดตั้งใช้งานด้วย --trace_to_cloud และ --otel_to_cloud รันไทม์ของ Agent Engine จะเริ่มต้นไปป์ไลน์ OpenTelemetry ซึ่งมีลักษณะดังนี้

สร้าง TracerProvider ด้วยเครื่องมือส่งออก OTLP ที่ส่งช่วงไปยัง telemetry.googleapis.com
ใช้แพ็กเกจการวัดคุมทั้ง 4 รายการจาก requirements.txt เพื่อบันทึก Span จากไลบรารีหลัก (FastAPI, Gemini, httpx, gRPC) โดย google-genai จะได้รับการวัดคุมอย่างชัดเจนโดยรันไทม์ ส่วนรายการอื่นๆ จะมีส่วนร่วมผ่านการค้นหาอัตโนมัติของ OpenTelemetry
ส่งชุดข้อมูลและช่วงไปยัง Telemetry API ซึ่งแท็บการติดตามจะอ่านข้อมูลเหล่านั้น

อิมเมจพื้นฐานของ Agent Engine มี SDK และเครื่องมือส่งออก OpenTelemetry แต่ไม่มีแพ็กเกจการวัดคุม ด้วยเหตุนี้ requirements.txt จึงต้องแสดงทั้ง 4 รายการนี้ หากไม่มีรายการใดรายการหนึ่ง ระบบจะไม่สร้างช่วงและไม่แสดงร่องรอย

การแก้ปัญหา

หากไม่พบร่องรอยใดๆ หลังจากผ่านไป 2-3 นาที ให้ทำดังนี้

ตรวจสอบว่าได้เปิดใช้ Telemetry API แล้ว - คุณเปิดใช้ในขั้นตอนการตั้งค่า ยืนยันด้วย gcloud services list --enabled --project=$GOOGLE_CLOUD_PROJECT | grep telemetry
ตรวจสอบคำเตือนใน Cloud Logging — ไปที่ Logging > Logs Explorer แล้วค้นหา "telemetry enabled but proceeding without" หากเห็นคำเตือนเกี่ยวกับการวัดคุม GenAI แสดงว่าไม่มี opentelemetry-instrumentation-google-genai ใน requirements.txt
อย่าเพิ่ม google-cloud-aiplatform[agent-engines] ลงใน requirements.txt CLI การติดตั้งใช้งาน ADK จะเพิ่มโดยอัตโนมัติ การประกาศอีกครั้งด้วยเวอร์ชันอื่นอาจทำให้เกิดความขัดแย้งของแพ็กเกจ OpenTelemetry และทำให้การวัดคุมหยุดทำงานโดยไม่มีการแจ้งเตือน

9. ล้าง

โปรดลบทรัพยากรที่สร้างขึ้นระหว่างการทำ Codelab นี้เพื่อไม่ให้มีการเรียกเก็บเงินอย่างต่อเนื่อง

ลบเอเจนต์ที่ติดตั้งใช้งานจากหน้าเครื่องมือเอเจนต์ใน Cloud Console เลือกเอเจนต์แล้วคลิกลบ

หากสร้างโปรเจ็กต์สำหรับ Codelab นี้โดยเฉพาะ คุณสามารถลบทั้งโปรเจ็กต์แทนได้โดยทำดังนี้

gcloud projects delete ${GOOGLE_CLOUD_PROJECT}

(ไม่บังคับ) ล้างข้อมูลในสภาพแวดล้อมภายในด้วยวิธีการต่อไปนี้

deactivate
rm -rf .venv data_science_agent

10. ขอแสดงความยินดี

คุณสร้าง Data Science Agent แบบเก็บสถานะและทำให้ใช้งานได้กับ Agent Engine แล้ว

สิ่งที่คุณได้เรียนรู้

วิธีสร้างเอเจนต์ ADK ด้วย BigQueryToolset เพื่อเข้าถึงข้อมูลจริง
วิธีเปิดใช้หน่วยความจำถาวรด้วย Memory Bank โดยใช้ PreloadMemoryTool และ after_agent_callback
วิธีให้สิทธิ์ IAM สำหรับบัญชีบริการของเอเจนต์ที่ติดตั้งใช้งาน
วิธีติดตั้งใช้งานใน Agent Engine และเปิดใช้ความสามารถในการสังเกตด้วย Cloud Trace

ขั้นตอนถัดไป

ค้นหาชุดข้อมูล BigQuery ส่วนตัวของคุณเองโดยให้สิทธิ์เข้าถึงข้อมูลแก่บัญชีบริการ Agent Engine
เพิ่มการดำเนินการโค้ดเพื่อเรียกใช้การวิเคราะห์ Python ในแซนด์บ็อกซ์ที่ปลอดภัย
ตั้งค่าแดชบอร์ดการสังเกตการณ์ Cloud Trace เพื่อตรวจสอบเอเจนต์ในเวอร์ชันที่ใช้งานจริง
เผยแพร่ผลลัพธ์ไปยัง Google Workspace โดยใช้เครื่องมือ MCP