คำปราศรัยสำคัญสำหรับนักพัฒนาในงาน Next '26: การสร้าง Agent ADK ด้วยทักษะและเครื่องมือ

1. บทนำ

ใน Codelab นี้ คุณจะได้สร้าง Marathon Planner Agent ที่ซับซ้อนโดยใช้ Agent Development Kit (ADK) คุณจะได้ตรวจสอบความสามารถของเอเจนต์อย่างค่อยเป็นค่อยไป ตั้งแต่พรอมต์ของระบบที่มีโครงสร้างดี ไปจนถึงการโหลดทักษะแบบไดนามิกและการแมปเครื่องมือ MCP สุดท้าย คุณจะทดสอบเอเจนต์ในเครื่องและติดตั้งใช้งานใน Agent Runtime (Agent Engine)

สิ่งที่คุณต้องดำเนินการ

เริ่มต้นโปรเจ็กต์ ADK Agent ใหม่
เขียนพรอมต์ของระบบที่มีประสิทธิภาพโดยใช้เครื่องมือสร้างที่มีโครงสร้าง
เพิ่มเครื่องมือ MCP ของ Google Maps เพื่อบริบทตำแหน่งในโลกจริง
โหลดทักษะลงในชุดเครื่องมือของเอเจนต์แบบไดนามิก
ทดสอบการดำเนินการของเอเจนต์ในเครื่อง
ติดตั้งใช้งาน Agent ใน Agent Engine (Cloud Run)

สิ่งที่คุณต้องมี

เว็บเบราว์เซอร์ เช่น Chrome
โปรเจ็กต์ Google Cloud ที่เปิดใช้การเรียกเก็บเงิน
มีความคุ้นเคยกับ Python ในระดับพื้นฐาน

Codelab นี้เหมาะสำหรับนักพัฒนาแอประดับกลางที่ต้องการสร้างเอเจนต์ Generative AI เฉพาะทาง

ระยะเวลาโดยประมาณ: 45 นาที

ทรัพยากรที่สร้างใน Codelab นี้ควรมีค่าใช้จ่ายน้อยกว่า $2

2. ก่อนเริ่มต้น

สร้างโปรเจ็กต์ Google Cloud

ในคอนโซล Google Cloud ในหน้าตัวเลือกโปรเจ็กต์ ให้เลือกหรือสร้างโปรเจ็กต์ Google Cloud
ตรวจสอบว่าได้เปิดใช้การเรียกเก็บเงินสำหรับโปรเจ็กต์ที่อยู่ในระบบคลาวด์แล้ว ดูวิธีตรวจสอบว่าได้เปิดใช้การเรียกเก็บเงินในโปรเจ็กต์แล้วหรือไม่

เริ่มต้น Cloud Shell

Cloud Shell คือสภาพแวดล้อมบรรทัดคำสั่งที่ทำงานใน Google Cloud ซึ่งโหลดเครื่องมือที่จำเป็นไว้ล่วงหน้า

คลิกเปิดใช้งาน Cloud Shell ที่ด้านบนของคอนโซล Google Cloud
เมื่อเชื่อมต่อกับ Cloud Shell แล้ว ให้ยืนยันการตรวจสอบสิทธิ์โดยทำดังนี้
```
gcloud auth list
```
ตรวจสอบว่าได้กำหนดค่าโปรเจ็กต์แล้ว
```
gcloud config get project
```
หากไม่ได้ตั้งค่าโปรเจ็กต์ตามที่คาดไว้ ให้ตั้งค่าดังนี้
```
export PROJECT_ID=<YOUR_PROJECT_ID>
gcloud config set project $PROJECT_ID
```

ยืนยันการตรวจสอบสิทธิ์

gcloud auth list

ยืนยันโปรเจ็กต์

gcloud config get project

ตั้งค่าหากจำเป็น

export PROJECT_ID=<YOUR_PROJECT_ID>
gcloud config set project $PROJECT_ID

เปิดใช้ API

เรียกใช้คำสั่งนี้เพื่อเปิดใช้ API ที่จำเป็นทั้งหมด

gcloud services enable \
  aiplatform.googleapis.com \
  run.googleapis.com \
  secretmanager.googleapis.com \
  mapstools.googleapis.com \
  storage.googleapis.com \
  cloudresourcemanager.googleapis.com \
  serviceusage.googleapis.com

สร้างคีย์ Google Maps API

หากต้องการใช้เครื่องมือ MCP ของ Google Maps คุณต้องสร้างคีย์ API ของ Maps

ในคอนโซล Google Cloud ให้ใช้แถบค้นหาเพื่อไปที่ Google Maps Platform > ข้อมูลเข้าสู่ระบบ
ยืนยันโปรเจ็กต์ Google Cloud หากได้รับข้อความแจ้ง
คลิกสร้างข้อมูลเข้าสู่ระบบ แล้วเลือกคีย์ API
คัดลอกคีย์ API ที่สร้างขึ้น ซึ่งจะต้องใช้ในขั้นตอนถัดไป

3. ตั้งค่าสภาพแวดล้อม

สำหรับ Codelab นี้ โค้ดจะโฮสต์อยู่ใน GitHub คุณจะโคลนที่เก็บซึ่งมีโครงสร้างไดเรกทอรีและคอมโพเนนต์ย่อยที่จำเป็น (เช่น ไดเรกทอรี skills/)

โคลนที่เก็บและไปที่โฟลเดอร์โปรเจ็กต์

git clone https://github.com/GoogleCloudPlatform/next-26-keynotes
cd next-26-keynotes/devkey/demo-1

ตั้งค่าสภาพแวดล้อมเสมือนของ Python และติดตั้ง ADK โดยทำดังนี้

uv venv
source .venv/bin/activate
uv sync

ตั้งค่าคีย์ Maps API แอปพลิเคชันจะอ่านจากตัวแปรสภาพแวดล้อม

export GOOGLE_MAPS_API_KEY="<YOUR_MAPS_API_KEY>"

กำหนดค่าตัวแปรสภาพแวดล้อม

เอเจนต์จำลองใช้ไฟล์ .env สำหรับการกำหนดค่า คัดลอกไฟล์ตัวอย่างและอัปเดตด้วยรหัสโปรเจ็กต์

คัดลอกไฟล์สภาพแวดล้อมตัวอย่าง

cp planner_agent/sample.env planner_agent/.env

เปิด planner_agent/.env และอัปเดตฟิลด์ GOOGLE_CLOUD_PROJECT ด้วยรหัสโปรเจ็กต์ Google Cloud จริงของคุณ แล้วอัปเดตฟิลด์ GOOGLE_MAPS_API_KEY ด้วยคีย์ API ของ Google Maps ที่คุณสร้างขึ้น

ไฟล์ควรมีลักษณะคล้ายกับตัวอย่างต่อไปนี้

GOOGLE_GENAI_USE_VERTEXAI=1
GOOGLE_CLOUD_PROJECT=<YOUR_PROJECT_ID>
GOOGLE_CLOUD_LOCATION=us-west1
GOOGLE_MAPS_API_KEY=<YOUR_MAPS_API_KEY>
GOOGLE_CLOUD_AGENT_ENGINE_ENABLE_TELEMETRY=true
OTEL_PYTHON_LOGGING_AUTO_INSTRUMENTATION_ENABLED=true
OTEL_INSTRUMENTATION_GENAI_CAPTURE_MESSAGE_CONTENT=true
ADK_CAPTURE_MESSAGE_CONTENT_IN_SPANS=true

4. สร้างเอเจนต์ ADK ใหม่

ดูไฟล์หลักที่กำหนด Agent: planner_agent/agent.py

ในที่เก็บ build-agents-with-skills ระบบจะเริ่มต้นตัวแทนโดยใช้คลาส Agent ของ ADK โดยจะระบุโมเดลพื้นฐาน ชื่อประจำตัว และดึงคำสั่งและเครื่องมือที่กำหนดไว้ในโมดูลอื่นๆ

เปิด planner_agent/agent.py เพื่อตรวจสอบโค้ดการเริ่มต้น

instruction="Answer user questions to the best of your knowledge"
description="A helpful assistant for user questions."
tools=[]

# ...

root_agent = Agent(
    model='gemini-3-flash-preview',
    name='planner_agent',
    description=description,
    instruction=instruction,
    tools=tools
)

คลาส Agent จะแยกประวัติข้อความ การประสานงานเครื่องมือ และการสื่อสาร LLM ออกจากกันเพื่อให้คุณมุ่งเน้นไปที่ลักษณะการทำงานของเอเจนต์

ตอนนี้เอเจนต์ยังเป็นแบบทั่วไป คุณโต้ตอบกับ Gemini ได้เหมือนกับ LLM อื่นๆ

uv run adk run planner_agent

คำสั่งนี้จะเริ่มแชทกับตัวแทน โดยใช้ gemini-3-flash-preview เป็นโมเดลและสามารถตอบคำถามพื้นฐานได้

Running agent planner_agent, type exit to exit.
[user]: What is the length of a Marathon
[planner_agent]: The official length of a marathon is **26.2 miles**, which is
equivalent to **42.195 kilometers**.

ตัวแทนทราบข้อเท็จจริงบางอย่างเกี่ยวกับมาราธอนอยู่แล้ว แต่ก็ยังไม่เพียงพอที่จะวางแผนการวิ่งมาราธอนที่เหมาะสมพร้อมกฎและการวางแผนเส้นทาง

5. สร้างพรอมต์ของระบบ

พรอมต์ของระบบ (วิธีการ) จะกำหนดลักษณะการทำงานของเอเจนต์ โปรเจ็กต์นี้ใช้ PromptBuilder (planner_agent/utils.py) เพื่อเขียนคำสั่งแบบไดนามิกแทนที่จะใช้สตริงขนาดยักษ์เพียงรายการเดียว

เปิด planner_agent/prompts.py เพื่อดูโครงสร้างของพรอมต์ในส่วนต่างๆ ตามตรรกะ

from collections import OrderedDict
from .utils import PromptBuilder

ROLE = """\
...
"""

RULES = """\
...
"""

WORKFLOW = """\
...
"""

###

# Planner instructions with no tools mentioned
PLANNER_INSTRUCTION_NO_TOOLS = PromptBuilder(
    OrderedDict(
        role=ROLE,
        rules=RULES,
        tools=TOOLS_PROMPT_ONLY,
        workflow=WORKFLOW_PROMPT_ONLY,
    )
).build()

# Planner instruction with skills and tools defined
PLANNER_INSTRUCTION = PromptBuilder(
    OrderedDict(
        role=ROLE,
        rules=RULES,
        skills=SKILLS,
        tools=TOOLS,
        workflow=WORKFLOW,
    )
).build()

ใน planner_agent/agent.py ระบบได้นำเข้าข้อมูลนี้แล้ว

ค้นหาส่วนที่มี TODO: Replace Instruction and Description และยกเลิกการแสดงความคิดเห็นของการกำหนดตัวแปร instruction และ description ใหม่

โค้ดในส่วนนั้นควรมีลักษณะดังนี้

instruction=PLANNER_INSTRUCTION_NO_TOOLS
description="Expert GIS analyst for marathon route and event planning."

คุณกำลังนำเข้าเวอร์ชันของพรอมต์สำหรับเอเจนต์ที่ไม่ได้อ้างอิงเครื่องมือใดๆ คุณจะเพิ่มเครื่องมือได้ในขั้นตอนถัดไป

คุณทดสอบตัวแทนเวอร์ชันนี้ได้โดยทำดังนี้

uv run adk run planner_agent

ในหน้าต่างแชท ให้ส่งพรอมต์ต่อไปนี้

Plan a marathon for 10000 participants in Las Vegas on April 24, 2027 in the
evening timeframe

หลังจากนั้นไม่นาน คุณควรได้รับการตอบกลับที่คล้ายกับข้อความต่อไปนี้

Running agent planner_agent, type exit to exit.
[user]: Plan a marathon for 10000 participants in Las Vegas on April 24, 2027 in the evening timeframe
[planner_agent]: Here is the comprehensive marathon plan for Las Vegas.

As requested, I have designed this event for an evening start on April 24, 2027. Because certain parameters (theme and budget) were not specified, I have applied pragmatic defaults: this will be a "Neon Nights" scenic theme to capitalize on the evening Strip, operating on a moderate-to-high budget given the infrastructure needed to secure major Las Vegas corridors.

### 1. Intent Alignment
*   **City & Theme:** Las Vegas, Nevada. Theme: "Neon Nights" an evening race maximizing the visual impact of the illuminated city.
*   **Date & Time:** Saturday, April 24, 2027. Late April evenings in Las Vegas offer optimal running weather (temperatures dropping from ~70°F at sunset to ~60°F). Race start is 6:30 PM (sunset is approx. 7:20 PM).
...
...

เมื่อใช้พรอมต์ที่กำหนดไว้อย่างดี ผลลัพธ์จะใกล้เคียงกับผลลัพธ์ที่คาดไว้มากขึ้น ในขั้นตอนถัดไป คุณจะเพิ่มเครื่องมือเพื่อยกระดับเอเจนต์ไปอีกขั้น

6. เพิ่มทักษะและเครื่องมือ

หากต้องการเปิดใช้ทักษะและเครื่องมือใน planner_agent/agent.py ให้ค้นหาส่วนที่มี TODO: Replaces Tools แล้วยกเลิกการแสดงความคิดเห็นใน 2 บรรทัดถัดไป โค้ดควรมีลักษณะดังนี้

instruction=PLANNER_INSTRUCTION
tools=get_tools()

นี่คือการเปลี่ยนแปลงโค้ดเพียงอย่างเดียวที่จำเป็นในขั้นตอนนี้ ส่วนที่เหลือของส่วนนี้จะอธิบายแนวคิดเบื้องหลังทักษะและเครื่องมือ

ทักษะ

ทักษะของเอเจนต์คือหน่วยฟังก์ชันการทำงานแบบสแตนด์อโลนที่เอเจนต์ ADK ใช้เพื่อทำงานที่เฉพาะเจาะจงได้ ทักษะของเอเจนต์จะรวบรวมคำสั่ง ทรัพยากร และเครื่องมือที่จำเป็นสำหรับงาน โดยอิงตามข้อกำหนดของทักษะของเอเจนต์ โครงสร้างของทักษะช่วยให้โหลดทักษะได้ทีละรายการเพื่อลดผลกระทบต่อหน้าต่างบริบทการทำงานของเอเจนต์

สำหรับเอเจนต์วางแผนการวิ่งมาราธอน จะมีทักษะที่กำหนดไว้ 3 อย่าง ได้แก่

gis-spatial-engineering - มีหน้าที่ประมวลผลข้อมูล GeoJSON เพื่อสร้างเส้นทางมาราธอน
การทำแผนที่ - ใช้เครื่องมือ Google Maps เพื่อค้นหาสถานที่และข้อมูลสภาพอากาศ
race-director - ตรวจสอบว่าเส้นทางมาราธอนเป็นไปตามหลักเกณฑ์การวางแผน

ทักษะจะมีสคริปต์ เนื้อหาเพิ่มเติม และข้อมูลอ้างอิงได้

แอปพลิเคชันจะโหลดทักษะทั้งหมดและแสดงเป็นเครื่องมือใน planner_agent/tools.py โปรดสังเกตวิธีดำเนินการนี้ในฟังก์ชัน get_tools()

def get_tools() -> list:
    """Build the planner's tool list with lazy-loaded skills."""
    from google.adk.code_executors.unsafe_local_code_executor import UnsafeLocalCodeExecutor

    skills_dir = pathlib.Path(__file__).parent / "skills"

    skills = []
    if skills_dir.exists():
        skills = [
            load_skill_from_dir(d)
            for d in sorted(skills_dir.iterdir())
            if d.is_dir() and not d.name.startswith("_") and (d / "SKILL.md").exists()
        ]

    additional_tools = _load_additional_tools(skills_dir)

    skill_toolset = SkillToolset(
        skills=skills,
        code_executor=UnsafeLocalCodeExecutor(),
        additional_tools=additional_tools,
    )

    tools = [
        skill_toolset,
        PreloadMemoryTool(),
    ]

    tools.extend(get_maps_tools())

    return tools

ส่วนที่น่าสนใจที่สุดคือload_skill_from_dirจาก ADK นอกจากนี้ ยังมีอีกวิธีในการสร้างทักษะใน ADK ซึ่งก็คือการสร้างทักษะแบบอินไลน์ แม้ว่าจะไม่ได้ใช้ใน Codelab นี้ แต่จะมีลักษณะดังนี้

from google.adk.skills import models

greeting_skill = models.Skill(
    frontmatter=models.Frontmatter(
        name="greeting-skill",
        description=(
            "A friendly greeting skill that can say hello to a specific person."
        ),
    ),
    instructions=(
        "Step 1: Read the 'references/hello_world.txt' file to understand how"
        " to greet the user. Step 2: Return a greeting based on the reference."
    ),
    resources=models.Resources(
        references={
            "hello_world.txt": "Hello! So glad to have you here!",
            "example.md": "This is an example reference.",
        },
    ),
)

เพิ่มเครื่องมือการแมป

เครื่องมือวางแผนการวิ่งมาราธอนต้องมีบริบทเชิงพื้นที่เพื่อสร้างเส้นทาง คุณระบุข้อมูลนี้ได้โดยการผสานรวมเซิร์ฟเวอร์ MCP (Model Context Protocol) ของ Google Maps

ใน planner_agent/tools.py โปรดสังเกตวิธีลงทะเบียนเซิร์ฟเวอร์ MCP ด้วยเครื่องมือ ApiRegistry

from google.adk.integrations.api_registry import ApiRegistry

class MapsApiRegistry(ApiRegistry):
    """ApiRegistry subclass that strips ADC headers to force API key auth."""

    def get_toolset(self, *args, **kwargs):  # noqa: ANN002, ANN003
        toolset = super().get_toolset(*args, **kwargs)
        conn = getattr(toolset, "_connection_params", None)
        headers = getattr(conn, "headers", None) if conn else None
        if headers:
            headers.pop("Authorization", None)  # type: ignore[union-attr]
            headers.pop("x-goog-user-project", None)  # type: ignore[union-attr]
        return toolset

def get_maps_tools() -> list:
    """Return Maps MCP toolset if configured."""
    project_id = os.getenv("GOOGLE_CLOUD_PROJECT", "").strip()
    maps_key = _resolve_maps_key()

    if not project_id or not maps_key:
        return []

    # Map the MCP server location on Google Cloud
    mcp_server_name = f"projects/{project_id}/locations/global/mcpServers/google-mapstools.googleapis.com-mcp"
    
    # Initialize the custom API registry that supports header injection
    api_registry = MapsApiRegistry(
        api_registry_project_id=project_id,
        header_provider=header_provider,
    )
    return [api_registry.get_toolset(mcp_server_name=mcp_server_name)]

เมื่อเพิ่มชุดเครื่องมือ MCP แล้ว Agent จะมีความสามารถในการค้นหา Google Maps เพื่อดูรายละเอียดการกำหนดเส้นทาง ระดับความสูง และตำแหน่งโดยอัตโนมัติ

7. เรียกใช้ Agent ในเครื่อง

เมื่อเชื่อมต่อเอเจนต์ พรอมต์ และเครื่องมือเข้าด้วยกันแล้ว ให้เรียกใช้เอเจนต์ในเครื่อง คราวนี้คุณจะใช้ adk web เพื่อให้เห็นเหตุการณ์การโหลดทักษะและการเรียกใช้เครื่องมือ

uv run adk web

คุณควรเห็นข้อความที่คล้ายกัน

INFO:     Started server process [99665]
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)

เปิดเบราว์เซอร์ แล้วไปที่ URL ที่แสดงในเทอร์มินัล (โดยปกติคือ http://localhost:8000)
เลือก planner_agent ในเมนูแบบเลื่อนลงด้านซ้ายบน
ในหน้าต่างแชท ให้ส่งพรอมต์ต่อไปนี้

Plan a marathon for 10000 participants in Las Vegas on April 24, 2027 in the
evening timeframe

คุณควรเห็นว่าระบบกำลังโหลดทักษะและเรียกใช้เครื่องมือ หลังจากนั้นไม่นาน เอเจนต์จะสร้างแผนการวิ่งมาราธอน

UI ควรมีลักษณะคล้ายกับภาพต่อไปนี้

UI บนเว็บของ ADK

8. ติดตั้งใช้งาน Agent

เมื่อพอใจกับประสิทธิภาพของเอเจนต์ในเครื่องแล้ว คุณสามารถทำให้เอเจนต์ใช้งานได้ใน Agent Engine ซึ่งจะโฮสต์เอเจนต์ใน Cloud Run อย่างปลอดภัย

หากต้องการติดตั้งใช้งาน Agent ให้ใช้คำสั่งการติดตั้งใช้งาน ADK CLI ดังนี้

uv run adk deploy agent_engine \
  --env_file planner_agent/.env \
  planner_agent

เมื่อการทำให้ใช้งานได้เสร็จสมบูรณ์แล้ว CLI จะแสดงเอาต์พุตปลายทางที่โฮสต์อย่างปลอดภัยสำหรับ Agent ของคุณ ตอนนี้คุณสามารถผสานรวมปลายทางนี้เข้ากับแอปพลิเคชันส่วนหน้า แชทบ็อต หรือระบบแบ็กเอนด์อื่นๆ ได้แล้ว นอกจากนี้ คุณยังใช้ Agent Runtime Playground เพื่อทดสอบเอเจนต์ได้ด้วย

เอาต์พุตจะมีลักษณะดังนี้

Files and dependencies resolved
Deploying to agent engine...
✅ Created agent engine: projects/<PROJECT_ID>/locations/us-west1/reasoningEngines/<AGENT_ID>

คุณใช้สคริปต์ Python ที่ให้ไว้เพื่อสื่อสารกับตัวแทนได้

คัดลอกไฟล์สภาพแวดล้อมตัวอย่าง

cp sample.env .env

เปิด .env และอัปเดตฟิลด์ GOOGLE_CLOUD_PROJECT ด้วยรหัสโปรเจ็กต์ Google Cloud จริงของคุณ

ไฟล์ควรมีลักษณะดังนี้

GOOGLE_CLOUD_PROJECT=<YOUR_PROJECT_ID>
GOOGLE_CLOUD_LOCATION=us-west1

คุณแสดงรายการเอเจนต์ในโปรเจ็กต์ได้

python main.py list

คุณควรเห็นข้อความที่คล้ายกัน

Listing deployed agents...

ID: <AGENT_ID> | Display Name: planner_agent

เมื่อได้รหัสตัวแทนที่ติดตั้งใช้งานแล้ว คุณจะส่งพรอมต์ได้โดยทำดังนี้

export AGENT_ID=<AGENT_ID>

python main.py prompt --agent-id ${AGENT_ID} --message "Plan a marathon for
10000 participants in Las Vegas on April 24, 2027 in the evening timeframe"

คุณจะได้รับเอาต์พุตที่มีลักษณะดังนี้

Streaming response from agent <AGENT_ID>:

{'model_version': 'gemini-3-flash-preview', 'content': {'parts': [{'text': 'Here is a comprehensive
...
...
...

9. ล้างข้อมูล

โปรดลบทรัพยากรที่สร้างขึ้นระหว่างการทำ Codelab นี้เพื่อหลีกเลี่ยงการเรียกเก็บเงินอย่างต่อเนื่องในบัญชี Google Cloud

ลบบริการ Cloud Run ที่สร้างขึ้นโดยการติดตั้งใช้งาน

python main.py delete --agent-id ${AGENT_ID}

หากจัดเก็บคีย์ Maps API ไว้ใน Secret Manager ให้ลบข้อมูลลับโดยทำดังนี้

gcloud secrets delete maps-api-key --project=$PROJECT_ID

หากสร้างโปรเจ็กต์ที่อยู่ในระบบคลาวด์ Google Cloud ใหม่สำหรับ Codelab นี้ คุณสามารถลบทั้งโปรเจ็กต์เพื่อนำทรัพยากรและ API ทั้งหมดที่เชื่อมโยงออกได้โดยทำดังนี้

gcloud projects delete $PROJECT_ID

10. ขอแสดงความยินดี

ยินดีด้วย คุณได้สร้าง Agent วางแผนการวิ่งมาราธอนที่ซับซ้อนโดยใช้ ADK

สิ่งที่คุณได้เรียนรู้

การเริ่มต้นโปรเจ็กต์ Agent Development Kit (ADK)
การใช้ PromptBuilder สำหรับพรอมต์ของระบบแบบแยกส่วน
การผสานรวมความสามารถในการแมปโดยใช้เครื่องมือ MCP และ ApiRegistry
การโหลดทักษะแบบมีเงื่อนไขโดยใช้ SkillToolset
การทดสอบในเครื่องและการติดตั้งใช้งานใน Agent Engine