Next ‘26 Developer Keynote: Enhancing Agents with Memory

1. Einführung

In diesem Codelab erfahren Sie, wie Sie Ihren ADK-Agenten dauerhaftes und spezialisiertes Wissen hinzufügen können. Sie erfahren, wie Sie den Konversationsstatus mit Agent Platform-Sitzungen verwalten, langfristiges Lernen mit Memory Bank ermöglichen und komplexe Daten zu Stadtregeln mit Spark und AlloyDB für RAG (Retrieval-Augmented Generation) einbinden.

Aufgaben

• Konfigurieren Sie Agent Platform-Sitzungen für die Persistenz von Unterhaltungen.
• Implementieren Sie eine Memory Bank, damit Agents aus früheren Interaktionen lernen können.
• Verwenden Sie die Spark Lightning Engine, um die Dokumentation zu Stadtregeln aufzunehmen und zu verarbeiten.
• Erstellen Sie ein RAG-System mit AlloyDB und der Vektorsuche.
• Stellen Sie den optimierten Agenten auf der Agent Platform bereit.

Voraussetzungen

• Ein Webbrowser wie Chrome
• Ein Google Cloud-Projekt mit aktivierter Abrechnung
• Grundkenntnisse in Python und SQL

Geschätzte Dauer: 60 Minuten

Die in diesem Codelab erstellten Ressourcen sollten weniger als 5 $ kosten.

2. Hinweis

Google Cloud-Projekt erstellen

1. Wählen Sie in der Google Cloud Console auf der Seite der Projektauswahl ein Google Cloud-Projekt aus oder erstellen Sie eines.
2. Die Abrechnung für das Cloud-Projekt muss aktiviert sein. So prüfen Sie, ob die Abrechnung für ein Projekt aktiviert ist.

Cloud Shell starten

Cloud Shell ist eine Befehlszeilenumgebung, die in Google Cloud ausgeführt wird und mit den erforderlichen Tools vorinstalliert ist.

1. Klicken Sie oben in der Google Cloud Console auf Cloud Shell aktivieren.
2. Prüfen Sie nach der Verbindung mit Cloud Shell Ihre Authentifizierung:

   gcloud auth list
   

3. Prüfen Sie, ob Ihr Projekt konfiguriert ist:

   gcloud config get project
   

4. Wenn Ihr Projekt nicht wie erwartet festgelegt ist, legen Sie es fest:

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

Authentifizierung überprüfen:

gcloud auth list

Bestätigen Sie Ihr Projekt:

gcloud config get project

Legen Sie sie bei Bedarf fest:

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

APIs aktivieren

Führen Sie diesen Befehl aus, um alle erforderlichen APIs für die Sitzungsverwaltung, die Spark-Verarbeitung und AlloyDB zu aktivieren:

gcloud services enable \
  aiplatform.googleapis.com \
  run.googleapis.com \
  alloydb.googleapis.com \
  dataproc.googleapis.com \
  documentai.googleapis.com \
  storage.googleapis.com \
  secretmanager.googleapis.com

Wenn Sie diese APIs aktivieren, haben Sie Zugriff auf die Agent Platform, verwaltete AlloyDB-Cluster und Dataproc Serverless für Ihre Spark-Pipelines.

3. Umgebung einrichten

In diesem Codelab verwenden Sie die vorkonfigurierte Umgebung im Keynote-Repository.

1. Klonen Sie das Repository und rufen Sie den Projektordner auf:

git clone https://github.com/GoogleCloudPlatform/next-26-keynotes
cd next-26-keynotes/devkey/enhancing-agents-with-memory

2. Richten Sie eine virtuelle Python-Umgebung ein und installieren Sie die erforderlichen ADK-Pakete:

uv venv
source .venv/bin/activate
uv sync

Umgebungsvariablen konfigurieren

Der Agent erfordert eine bestimmte Konfiguration, um eine Verbindung zur Agent Platform und zu AlloyDB herzustellen.

1. Kopieren Sie die Beispielumgebungsdatei:

cp .env.example .env

2. Öffnen Sie .env und aktualisieren Sie die folgenden Felder:
   • GOOGLE_CLOUD_PROJECT: Ihre Projekt-ID
   • GOOGLE_CLOUD_LOCATION: us-central1.
   • ALLOYDB_CLUSTER_ID: rules-db.

GOOGLE_CLOUD_PROJECT=<YOUR_PROJECT_ID>
GOOGLE_CLOUD_LOCATION=global
GOOGLE_GENAI_USE_VERTEXAI=TRUE
GOOGLE_CLOUD_REGION=us-central1
ALLOYDB_CLUSTER_ID=rules-db

3. Führen Sie das folgende Hilfsskript aus, um eine Agent Engine-Instanz zu erstellen, die für Unterhaltungssitzungen und das Langzeitgedächtnis verwendet werden soll. Dadurch wird die AGENT_ENGINE_ID in Ihrer .env-Datei automatisch eingefügt:

uv run utils/setup_agent_engine.py

Bei Erfolg sollte Folgendes angezeigt werden:

Creating Agent Engine instance...
Successfully created Agent Engine. ID: 1234567890
Updated .env with AGENT_ENGINE_ID=1234567890

4. Agent mit Sitzungsverwaltung erstellen

In diesem Schritt initialisieren Sie einen Marathon Planner Agent, der den Unterhaltungsverlauf über mehrere Runden hinweg beibehalten kann. Dies wird mit der ADK-Klasse App und den Agent Platform-Sitzungen erreicht.

Agent- und Sitzungsdienst initialisieren

Öffnen Sie planner_agent/agent.py. Sie sehen, wie wir eine ADK-Klasse hinzufügen, um Agent Platform Sessions zu integrieren. So können wir unsere KI-Agenten im Laufe der Zeit zustandsbehaftet machen und den Kontext nach Bedarf ändern.

from google.adk.agents import LlmAgent
from google.adk.sessions import VertexAiSessionService
from vertexai.agent_engines import AdkApp

PROJECT_ID = os.environ.get("GOOGLE_CLOUD_PROJECT")
REGION = os.environ.get("GOOGLE_CLOUD_REGION", "us-central1")

# Initialize Vertex AI for regional services
if PROJECT_ID:
    vertexai.init(project=PROJECT_ID, location=REGION)

# Define the agent logic
root_agent = LlmAgent(
    name="planner_agent",
    model="gemini-3-flash-preview",
    instruction="You are a helpful marathon planning assistant...",
    tools=[] # We will add tools in the next steps
)

def session_service_builder():
    """Builder for Agent Platform Sessions."""
    return VertexAiSessionService(project=PROJECT_ID, location=REGION)

# Wrap the agent in an AdkApp to manage stateful context
app = AdkApp(
    agent=root_agent,
    session_service_builder=session_service_builder
)

5. Langzeitlernen mit Memory Bank aktivieren

Während das Sitzungsmanagement einzelne Unterhaltungen verfolgt, können Sie dasselbe für das Langzeitgedächtnis tun. In diesem Schritt binden Sie den Agenten in die Memory Bank der Agent Platform ein, einen vollständig verwalteten Speicherdienst für Unternehmen.

Memory Bank Service initialisieren

Mit der Memory Bank kann der KI-Agent den Kontext über verschiedene Sitzungen hinweg abrufen. Aktualisieren Sie planner_agent/agent.py, um den Memory-Dienst einzuschließen:

from google.adk.memory import VertexAiMemoryBankService

def memory_service_builder():
    """Builder for Agent Platform Memory Bank."""
    return VertexAiMemoryBankService(
        project=PROJECT_ID,
        location=REGION,
        agent_engine_id=AGENT_ENGINE_ID
    )

Automatische Aufnahme von Erinnerungen implementieren

Damit der Agent aus jedem Turn lernt, fügen wir ein after_agent_callback hinzu. Diese Funktion wird ausgelöst, nachdem der Agent eine Antwort fertiggestellt hat. So kann er die Sitzung „verarbeiten“ und relevante Erinnerungen in der Bank speichern.

1. Callback-Funktion definieren:

async def auto_save_memories(callback_context):
    """Callback to ingest the session into the memory bank after the turn."""
    # In AdkApp, the memory service is available via the invocation context
    if hasattr(callback_context._invocation_context, 'memory_service') and callback_context._invocation_context.memory_service:
        await callback_context._invocation_context.memory_service.add_session_to_memory(
            callback_context._invocation_context.session
        )

2. Hängen Sie den Callback an LlmAgent an:

root_agent = LlmAgent(
    # ... other params
    after_agent_callback=[auto_save_memories],
)

Durch die Integration von Agent Platform-Sitzungen und der Memory Bank ist Ihr Agent nicht mehr nur ein zustandsloses Modell, sondern ein zustandsbehafteter Assistent, der den Kontext beibehält und im Laufe der Zeit von seinen Nutzern lernt.

6. AlloyDB für RAG einrichten

Bevor wir Daten zu Stadtregeln aufnehmen können, benötigen wir eine leistungsstarke Datenbank, in der sie gespeichert werden. In diesem Schritt erstellen Sie einen AlloyDB-Cluster und initialisieren das Datenbankschema für die Vektorsuche.

1. AlloyDB-Cluster und primäre Instanz erstellen

Führen Sie diese Befehle in Cloud Shell aus, um den Cluster und seine primäre Instanz zu erstellen:

# Create the cluster
gcloud alloydb clusters create rules-db \
  --password=postgres \
  --region=us-central1

# Create the primary instance with IAM authentication enabled
gcloud alloydb instances create rules-db-primary \
  --instance-type=PRIMARY \
  --cpu-count=2 \
  --region=us-central1 \
  --cluster=rules-db \
  --database-flags=alloydb.iam_authentication=on

2. Erforderliche IAM-Rollen zuweisen

Damit Sie den verwalteten AlloyDB-MCP-Server verwenden können, benötigt Ihre Identität bestimmte Berechtigungen. Führen Sie diese Befehle aus, um die erforderlichen Rollen zuzuweisen:

export USER_EMAIL=$(gcloud config get-value account)

# Role to use MCP tools
gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="user:$USER_EMAIL" \
  --role="roles/mcp.toolUser"

# Role to execute SQL in AlloyDB
gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="user:$USER_EMAIL" \
  --role="roles/alloydb.admin"

# Role for IAM database authentication
gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="user:$USER_EMAIL" \
  --role="roles/alloydb.databaseUser"

# Create the IAM-based database user
gcloud alloydb users create "$USER_EMAIL" \
  --cluster=rules-db \
  --region=us-central1 \
  --type=IAM_BASED

3. Datenbank und Tabellen über AlloyDB Studio erstellen

Da AlloyDB-Datenbanken und -Tabellen über SQL verwaltet werden, verwenden wir AlloyDB Studio in der Google Cloud Console, um das Schema fertigzustellen.

1. Rufen Sie AlloyDB > Cluster auf und klicken Sie auf rules-db.
2. Klicken Sie im linken Navigationsmenü auf AlloyDB Studio.
3. Melden Sie sich mit dem Nutzer postgres und dem von Ihnen festgelegten Passwort (postgres) an.
4. Führen Sie den folgenden SQL-Code aus, um die Datenbank zu erstellen:

   CREATE DATABASE city_rules;
   

5. Stellen Sie in AlloyDB Studio eine Verbindung zur Datenbank city_rules her und führen Sie den folgenden SQL-Befehl aus, um Erweiterungen zu installieren und die Tabelle rules zu erstellen:

   -- Install extensions for vector search and ML
   CREATE EXTENSION IF NOT EXISTS vector;
   CREATE EXTENSION IF NOT EXISTS google_ml_integration CASCADE;
   
   -- Create the rules table
   CREATE TABLE IF NOT EXISTS rules (
       id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
       text TEXT NOT NULL,
       city TEXT NOT NULL,
       embedding vector(3072) DEFAULT NULL
   );
   
   -- Grant your IAM user access to the table (replace with your email)
   GRANT ALL PRIVILEGES ON TABLE rules TO "YOUR_EMAIL_ADDRESS";
   

7. Daten zu Stadtregeln mit der Spark Lightning Engine aufnehmen

Für eine wirklich genaue Planung benötigt ein Agent mehr als nur einen gut formulierten Prompt. Er muss in Daten und Organisationskontext verankert sein. In diesem Schritt verwenden Sie die Spark Lightning Engine in Dataproc Serverless, um große PDF-Dateien mit Stadtregeln zu verarbeiten und in AlloyDB aufzunehmen.

Warum die Spark Lightning Engine?

Um Agents im großen Maßstab zu fundieren, müssen riesige Mengen unstrukturierter Daten verarbeitet werden. Die Spark Lightning Engine ist eine leistungsstarke Ausführungs-Engine für Spark, die diese Arbeitslasten erheblich beschleunigt. Wir verwenden sie hier, um semantisches Chunking für Dokumente mit Document AI von Google durchzuführen.

Spark-Pipeline ansehen

Die Erfassungslogik ist in spark-setup/spark_alloydb_processor.py definiert. Die Pipeline umfasst folgende Schritte:

1. PDFs auflisten: Ruft Dokument-URIs aus einem Google Cloud Storage-Bucket ab.
2. Semantische Extraktion: Hier wird eine benutzerdefinierte Funktion (User Defined Function, UDF) verwendet, um die Document AI API aufzurufen.
3. In AlloyDB schreiben: Speichert die extrahierten Textblöcke in der AlloyDB-Tabelle mit dem Namen rules.

# Extract from spark_alloydb_processor.py
def process_document(gcs_uri: str):
    # ... calls Document AI to parse PDF ...
    return chunks

# Parallel processing with Spark Lightning Engine
process_udf = udf(process_document, chunk_schema)
chunked_df = uri_df.withColumn("chunks", process_udf(col("gcs_uri"))) \
                   .select(explode(col("chunks")).alias("chunk")) \
                   .select("chunk.*")

# Save to AlloyDB for Vector Search
chunked_df.write.format("jdbc") \
    .option("url", jdbc_url) \
    .option("dbtable", "rules") \
    .mode("append") \
    .save()

Aufnahmejob ausführen

Lösen Sie den Aufnahmeprozess mit dem bereitgestellten Skript aus:

./spark-setup/run_dataproc.sh

Wenn Sie dem Agenten mit Spark Lightning Engine zusätzliche Daten und Kontext zur Verfügung stellen, sind seine Pläne nicht nur kreativ, sondern entsprechen auch den lokalen Vorschriften.

8. RAG mit AlloyDB

Nachdem sich die Daten zu den Stadtregeln in AlloyDB befinden, kann der Agent sie für Retrieval-Augmented Generation (RAG) verwenden. So wird sichergestellt, dass der Marathonplan den spezifischen Städtecodes entspricht.

Die Leistungsfähigkeit von AlloyDB für RAG

AlloyDB eignet sich hervorragend für die Vektorsuche, sodass wir sowohl strukturierte Daten als auch Vektoreinbettungen am selben Ort speichern können. Der Agent kann die integrierte Funktion embedding in AlloyDB verwenden, um die relevantesten Informationen zu Regeln zu finden.

Hybrid-Recall mit der Vektorsuche

Damit der KI-Agent auf diese Daten zugreifen kann, stellen wir ein Tool zur Verfügung, mit dem AlloyDB mithilfe von Vektorähnlichkeit abgefragt wird. Diese Logik ist in hybrid_recall.sql zu sehen. Dort wird veranschaulicht, wie die Distanz zwischen einer Anfrage und unseren gespeicherten Regeln berechnet wird:

SELECT
    text,
    (embedding <=> 
     embedding('gemini-embedding-001', 
               'Restrictions for running a race on the Las Vegas strip')::vector) 
    as distance
FROM
    rules
WHERE city = 'Las Vegas'
ORDER BY
    distance ASC
LIMIT 5;

Agent mit einem RAG-Tool auf lokalen Regeln fundieren

Damit das Tool für den Agent verfügbar ist, müssen Sie es in planner_agent/tools.py definieren und dann in planner_agent/agent.py registrieren. Wir verwenden den verwalteten AlloyDB-Remote-MCP-Server von Google Cloud, um eine Verbindung zu unserer Datenbank herzustellen.

1. Definieren Sie das Tool in planner_agent/tools.py mit dem Muster „Hybrid Recall“. Wir verwenden das streamable_http-Protokoll, um eine Verbindung zum verwalteten AlloyDB MCP-Server herzustellen:

from mcp import ClientSession
from mcp.client.streamable_http import streamablehttp_client

async def get_local_and_traffic_rules(query: str) -> str:
    """Uses vector search in AlloyDB via managed MCP server."""
    # Vector search query using built-in AlloyDB embedding functions
    sql = f"SELECT text FROM rules WHERE city = 'Las Vegas' ORDER BY embedding <=> google_ml.embedding('gemini-embedding-001', '{query}')::vector ASC LIMIT 5;"
    
    # Establish a streamable HTTP connection to the MCP server
    async with streamablehttp_client(url, headers=get_auth_headers()) as (read_stream, write_stream, _):
        async with ClientSession(read_stream, write_stream) as session:
            await session.initialize()
            result = await session.call_tool(
                "execute_sql",
                arguments={
                    "instance": full_instance_name,
                    "database": "city_rules",
                    "sqlStatement": sql
                }
            )
            return "\n".join([c.text for c in result.content if hasattr(c, 'text')])

2. Registrieren Sie das Tool und schließen Sie planner_agent/agent.py ab:

# ... imports ...

# Assemble the Agent
root_agent = LlmAgent(
    name="planner_agent",
    model="gemini-3-flash-preview",
    instruction="You are a helpful marathon planning assistant...",
    tools=[
        get_local_and_traffic_rules,
    ],
    after_agent_callback=[auto_save_memories],
)

# 2. Wrap the agent in an AdkApp to manage the stateful lifecycle
app = AdkApp(
    agent=root_agent,
    session_service_builder=session_service_builder,
    memory_service_builder=memory_service_builder
)

9. Unterstützung durch Experten mit Agenten-Skills

Agent Skills sind in sich geschlossene Module, die spezifische Anweisungen, Anleitungen und Ressourcen enthalten, damit Agenten Aufgaben effektiver ausführen können. Anstatt Ihren Systemprompt mit komplexen Anweisungen für jedes Tool zu überladen, können Sie dieses Wissen in einem Skill kapseln, der nur bei Bedarf geladen wird.

Google bietet vorgefertigte Skills für Google-Produkte wie AlloyDB und BigQuery, damit Ihre KI-Agenten Best Practices der Branche für das Abfragen von Daten und die Verwaltung von Ressourcen einhalten. Diese und weitere spezielle Muster finden Sie im Google Skills Depot. Hier finden Sie die grundlegenden AlloyDB-Skills.

1. Skill-Datei ansehen

Öffnen Sie die vorkonfigurierte Skill-Datei unter planner_agent/skills/get-local-and-traffic-rules/SKILL.md. So sieht das aus:

---
name: get-local-and-traffic-rules
description: Retrieve local rules and traffic information for a specific jurisdiction.
---
# get_local_and_traffic_rules Skill

This skill provides guidelines on how to effectively use the `get_local_and_traffic_rules` tool.

## Overview
The `get_local_and_traffic_rules` tool interfaces with an AlloyDB database to perform vector similarity searches on a corpus of rules and traffic information using a provided natural language query.

## Usage Guidelines
1. **Query Specificity**: When calling the tool, provide specific details in the `query` argument. For example, instead of querying "food rules", use "rules regarding food vendors during public events".
2. **Contextual Use**: Use the tool when planning events or activities that require adherence to local municipal or state rules (e.g., street closures, noise ordinances, environmental rules).
3. **Handling Results**: The tool returns a string containing the text of the top 5 most relevant rules. If no error occurs, parse the returned string to inform your planning tasks.
4. **Error Handling**: If an error string is returned (e.g., "Error querying rules: ..."), you must report this failure or attempt an alternative approach if applicable.

## Underlying Mechanism
- The tool uses `google_ml.embedding` to convert the query into a vector representation.
- It calculates distance (`<=>`) against the `embedding` column in the `rules` table on an AlloyDB instance.
- Results are fetched in descending order of similarity, limited to 5 results.

2. So wird der Skill registriert

In planner_agent/agent.py wird der Skill aus dem Verzeichnis geladen und den Tools des Agenten hinzugefügt. So sieht der Code aus:

import pathlib
from google.adk.skills import load_skill_from_dir
from google.adk.tools import skill_toolset

# Load the AlloyDB skill from its directory
alloydb_skill = load_skill_from_dir(pathlib.Path(__file__).parent / "skills" / "get-local-and-traffic-rules")

# Assemble the Agent with the Skill Toolset
root_agent = LlmAgent(
    name="planner_agent",
    model="gemini-3-flash-preview",
    instruction="You are a helpful marathon planning assistant...",
    tools=[
        get_local_and_traffic_rules,
        skill_toolset.SkillToolset(skills=[alloydb_skill])
    ],
    after_agent_callback=[auto_save_memories],
)

Mit Agent Skills können Sie die Tool-Implementierung von der Tool-Anleitung entkoppeln. So bleibt der System-Prompt übersichtlich und der Agent hat nur dann den genauen Kontext, den er für die jeweilige Funktion benötigt.

10. Agent testen

1. Starten Sie den Agent lokal:

uv run adk run planner_agent

2. Fragen zu städtischen Regeln stellen: [user]: What are the rules for running a race on the Las Vegas strip?

Der Agent ruft das Tool get_local_and_traffic_rules auf, führt eine Vektorsuche in AlloyDB durch und gibt eine Antwort zurück, die auf den von Spark verarbeiteten offiziellen Regelblöcken basiert.

11. KI-Agent bereitstellen

Auf der Agent Platform bereitstellen

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

12. Bereinigen

Löschen Sie die in diesem Codelab erstellten Ressourcen, um laufende Gebühren zu vermeiden.

AlloyDB-Cluster löschen

# Delete the AlloyDB Cluster
gcloud alloydb clusters delete rules-db --region=us-central1 --force

Agent Runtime-App löschen

Sie können die Reasoning Engine-Instanz über die Konsole oder mit dem Befehl gcloud löschen (sofern Sie den Ressourcennamen haben). Verwenden Sie der Einfachheit halber die Konsole:

1. Rufen Sie die Seite Agent Runtime auf.
2. Wählen Sie das planner_agent aus –> klicken Sie rechts auf das Dreipunkt-Menü.
3. Klicken Sie auf Löschen.

13. Glückwunsch

Das wars! Sie haben das Lab erfolgreich abgeschlossen. Sie haben einen ADK-Agenten erfolgreich mit erweiterten Funktionen für Speicher und Datenfundierung erweitert.

Das haben Sie gelernt

• Zustandsorientierte KI-Agenten: Integration von Agent Platform-Sitzungen zur Aufrechterhaltung des Konversationskontexts.
• Langfristiges Lernen: Durch Anhängen einer Agent Platform Memory Bank kann der KI-Agent aus Nutzerinteraktionen lernen.
• Datenerfassung: Unstrukturierte Dokumente werden mit der Spark Lightning Engine und Document AI verarbeitet.
• RAG: Ein Vektorsuchsystem in AlloyDB erstellen, um den Agenten an realen Regeln auszurichten.

Nächste Schritte

• Dokumentation zur Agent Platform
• AlloyDB Vector Search für erweiterte RAG-Muster
• Skalieren Sie Ihre Erfassungspipelines mit Dataproc Serverless.