المهمة
المدة: دقيقتان
لقد عرّفت عن نفسك للذكاء الاصطناعي الخاص بالطوارئ، وبدأ جهاز التتبُّع الخاص بك الآن في إرسال نبضات على الخريطة الكوكبية، ولكنها بالكاد تظهر، إذ إنّها غير واضحة وسط التشويش. يمكن لفرق الإنقاذ التي تجري عمليات البحث من المدار رؤية شيء ما في إحداثياتك، ولكن لا يمكنها تحديد موقعك بدقة. الإشارة ضعيفة جدًا.
لتعزيز قوة إشارة جهاز التتبّع، عليك تأكيد موقعك الجغرافي الدقيق. تعطّل نظام الملاحة في المركبة، ولكن تسبّب الاصطدام في انتشار أدلة يمكن استردادها في موقع الهبوط. عينات التربة نباتات غريبة منظر واضح لسماء الليل الغريبة
إذا كان بإمكانك تحليل هذا الدليل وتحديد المنطقة الجغرافية التي تتواجد فيها على الكوكب، يمكن للذكاء الاصطناعي تحديد موقعك الجغرافي بدقة وتضخيم إشارة جهاز التتبّع. بعد ذلك، قد يعثر عليك أحد المستخدمين.
حان الوقت لربط كل هذه المعلومات ببعضها.
المتطلبات الأساسية
⚠️ يتطلّب هذا المستوى إكمال المستوى 0.
قبل البدء، تأكَّد من توفّر ما يلي:
- [ ] config.json في جذر المشروع مع رقم تعريف المشارك والإحداثيات
- [ ] ظهور الأفاتار الخاص بك على خريطة العالم
- [ ] ظهور إشارة الموقع (بشكل خافت) عند الإحداثيات
إذا لم تكمل المستوى 0، ابدأ به أولاً.
ما ستنشئه
في هذا المستوى، ستنشئ نظام ذكاء اصطناعي متعدد الوكلاء يحلّل أدلة موقع التحطّم باستخدام المعالجة المتوازية:
أهداف التعلّم
| الفكرة | ما ستتعلمه |
|---|---|
| الأنظمة المتعددة الوكلاء | إنشاء وكلاء متخصصين بمسؤوليات فردية |
| ParallelAgent | إنشاء وكلاء مستقلين لتشغيلهم في الوقت نفسه |
| before_agent_callback | استرجاع الإعدادات وضبط الحالة قبل تشغيل البرنامج |
| ToolContext | الوصول إلى قيم الحالة في وظائف الأدوات |
| خوادم MCP المخصّصة | إنشاء أدوات باستخدام النمط الإلزامي (رمز Python البرمجي على Cloud Run) |
| OneMCP BigQuery | الربط بمنصة MCP المُدارة من Google للوصول إلى BigQuery |
| الذكاء الاصطناعي المتعدّد الوسائط | تحليل الصور والفيديوهات+الصوت باستخدام Gemini |
| Agent Orchestration | تنسيق عدة وكلاء باستخدام أداة تنسيق رئيسية |
| النشر على السحابة الإلكترونية | نشر خادم MCP والوكيل على Cloud Run |
| التحضير لعملية الربط بين التطبيقين | بنية الوكلاء للتواصل المستقبلي بين الوكلاء |
المناطق الأحيائية على الكوكب
ينقسم سطح الكوكب إلى أربع مناطق أحيائية مميزة، ولكل منها خصائص فريدة:
تحدّد إحداثياتك المنطقة الأحيائية التي تحطّمت فيها المركبة. تعكس الأدلة في موقع التحطّم خصائص المنطقة الأحيائية:
| المنطقة الأحيائية | الربع | الأدلة الجيولوجية | الأدلة النباتية | الأدلة الفلكية |
|---|---|---|---|---|
| 🧊 CRYO | الشمال الغربي (x<50, y≥50) | الميثان المتجمد، بلورات الجليد | نباتات الصقيع، نباتات التجميد | نجم عملاق أزرق |
| 🌋 VOLCANIC | NE (x≥50, y≥50) | مستودعات الأوبسيديان والايت | زهور النار، نباتات مقاومة للحرارة | نظام ثنائي من الأقزام الحمراء |
| 💜 BIOLUMINESCENT | SW (x<50, y<50) | تربة فسفورية | الفطريات المتوهجة والنباتات المضيئة | نجم نابض أخضر |
| 🦴 متحجّر | SE (x≥50, y<50) | رواسب الكهرمان ومعادن الإيت | أشجار متحجرة ونباتات قديمة | شمس صفراء |
مهمتك هي إنشاء وكلاء ذكاء اصطناعي يمكنهم تحليل الأدلة واستنتاج المنطقة الأحيائية التي تتواجد فيها.
إعداد البيئة
المدة: 3 دقائق
قبل إنشاء المستندات الثبوتية، عليك تفعيل واجهات برمجة التطبيقات المطلوبة في Google Cloud، بما في ذلك OneMCP لخدمة BigQuery التي توفّر إمكانية الوصول المُدار إلى BigQuery من خلال MCP.
تشغيل نص برمجي لإعداد البيئة
👉💻 شغِّل نص إعداد البيئة البرمجي:
cd ~/way-back-home/level_1
chmod +x setup/setup_env.sh
./setup/setup_env.sh
من المفترَض أن تظهر لك نتيجة مثل:
================================================================
Level 1: Environment Setup
================================================================
Project: your-project-id
[1/6] Enabling core Google Cloud APIs...
✓ Vertex AI API enabled
✓ Cloud Run API enabled
✓ Cloud Build API enabled
✓ BigQuery API enabled
✓ Artifact Registry API enabled
✓ IAM API enabled
[2/6] Enabling OneMCP BigQuery (Managed MCP)...
✓ OneMCP BigQuery enabled
[3/6] Setting up service account and IAM permissions...
✓ Service account 'way-back-home-sa' created
✓ Vertex AI User role granted
✓ Cloud Run Invoker role granted
✓ BigQuery User role granted
✓ BigQuery Data Viewer role granted
✓ Storage Object Viewer role granted
[4/6] Configuring Cloud Build IAM for deployments...
✓ Cloud Build can now deploy services as way-back-home-sa
✓ Cloud Run Admin role granted to Compute SA
[5/6] Creating Artifact Registry repository...
✓ Repository 'way-back-home' created
[6/6] Creating environment variables file...
Found PARTICIPANT_ID in config.json: abc123...
✓ Created ../set_env.sh
================================================================
✅ Environment Setup Complete!
================================================================
متغيّرات البيئة المصدر
👉💻 الحصول على متغيرات البيئة:
source ~/way-back-home/set_env.sh
إنشاء بيئة افتراضية
👉💻 أنشئ بيئة Python الافتراضية وفعِّلها للمستوى 1:
cd ~/way-back-home/level_1
python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
إعداد كتالوج النجوم
👉💻 إعداد كتالوج النجوم في BigQuery:
python setup/setup_star_catalog.py
سيظهر لك ما يلي:
Setting up star catalog in project: your-project-id
==================================================
✓ Dataset way_back_home already exists
✓ Created table star_catalog
✓ Inserted 12 rows into star_catalog
📊 Star Catalog Summary:
----------------------------------------
NE (VOLCANIC): 3 stellar patterns
NW (CRYO): 3 stellar patterns
SE (FOSSILIZED): 3 stellar patterns
SW (BIOLUMINESCENT): 3 stellar patterns
----------------------------------------
✓ Star catalog is ready for triangulation queries
==================================================
✅ Star catalog setup complete!
إنشاء دليل على موقع التعطُّل
المدة: دقيقتان
يمكنك الآن إنشاء دليل مخصّص على موقع الحادث استنادًا إلى إحداثياتك.
تشغيل أداة "إنشاء المستندات الداعمة"
👉💻 من الدليل level_1 (مع تفعيل venv)، نفِّذ ما يلي:
cd ~/way-back-home/level_1
python generate_evidence.py
من المفترَض أن تظهر لك نتيجة مثل:
✓ Welcome back, Explorer_Aria!
Coordinates: (23, 67)
Ready to analyze your crash site.
📍 Crash site analysis initiated...
Generating evidence for your location...
🔬 Generating soil sample...
✓ Soil sample captured: outputs/soil_sample.png
✨ Capturing star field...
✓ Star field captured: outputs/star_field.png
🌿 Recording flora activity...
(This may take 1-2 minutes for video generation)
Generating video...
Generating video...
Generating video...
✓ Flora recorded: outputs/flora_recording.mp4
📤 Uploading evidence to Mission Control...
✓ Config updated with evidence URLs
==================================================
✅ Evidence generation complete!
==================================================
مراجعة الدليل
👉 خذ لحظة لإلقاء نظرة على ملفات المستندات التي تم إنشاؤها في المجلد outputs/. يعكس كل منها خصائص المنطقة الأحيائية لموقع الحادث، ولكن لن تعرف المنطقة الأحيائية إلا بعد أن يحلّلها وكلاء الذكاء الاصطناعي.
قد تبدو المستندات الثبوتية التي تم إنشاؤها على النحو التالي حسب موقعك الجغرافي:
إنشاء خادم MCP مخصّص
المدة: 8 دقائق
لقد تعطلت أنظمة التحليل المضمّنة في كبسولة النجاة، ولكن بيانات الاستشعار الأولية نجت من التحطّم. ستنشئ خادم MCP باستخدام FastMCP يوفّر أدوات تحليل جيولوجي ونباتي.
إنشاء "أداة التحليل الجيولوجي"
تحلّل هذه الأداة صور عيّنات التربة لتحديد التركيب المعدني.
👉✏️ افتح mcp-server/main.py وابحث عن #REPLACE-GEOLOGICAL-TOOL. استبدِلها بما يلي:
GEOLOGICAL_PROMPT = """Analyze this alien soil sample image.
Classify the PRIMARY characteristic (choose exactly one):
1. CRYO - Frozen/icy minerals, crystalline structures, frost patterns,
blue-white coloration, permafrost indicators
2. VOLCANIC - Volcanic rock, basalt, obsidian, sulfur deposits,
red-orange minerals, heat-formed crystite structures
3. BIOLUMINESCENT - Glowing particles, phosphorescent minerals,
organic-mineral hybrids, purple-green luminescence
4. FOSSILIZED - Ancient compressed minerals, amber deposits,
petrified organic matter, golden-brown stratification
Respond ONLY with valid JSON (no markdown, no explanation):
{
"biome": "CRYO|VOLCANIC|BIOLUMINESCENT|FOSSILIZED",
"confidence": 0.0-1.0,
"minerals_detected": ["mineral1", "mineral2"],
"description": "Brief description of what you observe"
}
"""
@mcp.tool()
def analyze_geological(
image_url: Annotated[
str,
Field(description="Cloud Storage URL (gs://...) of the soil sample image")
]
) -> dict:
"""
Analyzes a soil sample image to identify mineral composition and classify the planetary biome.
Args:
image_url: Cloud Storage URL of the soil sample image (gs://bucket/path/image.png)
Returns:
dict with biome, confidence, minerals_detected, and description
"""
logger.info(f">>> 🔬 Tool: 'analyze_geological' called for '{image_url}'")
try:
response = client.models.generate_content(
model="gemini-2.5-flash",
contents=[
GEOLOGICAL_PROMPT,
genai_types.Part.from_uri(file_uri=image_url, mime_type="image/png")
]
)
result = parse_json_response(response.text)
logger.info(f" ✓ Geological analysis complete: {result.get('biome', 'UNKNOWN')}")
return result
except Exception as e:
logger.error(f" ✗ Geological analysis failed: {str(e)}")
return {"error": str(e), "biome": "UNKNOWN", "confidence": 0.0}
إنشاء أداة التحليل النباتي
تحلّل هذه الأداة تسجيلات الفيديو الخاصة بالنباتات، بما في ذلك المقطع الصوتي.
👉✏️ ابحث عن #REPLACE-BOTANICAL-TOOL واستبدله بما يلي:
BOTANICAL_PROMPT = """Analyze this alien flora video recording.
Pay attention to BOTH:
1. VISUAL elements: Plant appearance, movement patterns, colors, bioluminescence
2. AUDIO elements: Ambient sounds, rustling, organic noises, frequencies
Classify the PRIMARY biome (choose exactly one):
1. CRYO - Crystalline ice-plants, frost-covered vegetation,
crackling/tinkling sounds, slow brittle movements, blue-white flora
2. VOLCANIC - Heat-resistant plants, sulfur-adapted species,
hissing/bubbling sounds, smoke-filtering vegetation, red-orange flora
3. BIOLUMINESCENT - Glowing plants, pulsing light patterns,
humming/resonating sounds, reactive to stimuli, purple-green flora
4. FOSSILIZED - Ancient petrified plants, amber-preserved specimens,
deep resonant sounds, minimal movement, golden-brown flora
Respond ONLY with valid JSON (no markdown, no explanation):
{
"biome": "CRYO|VOLCANIC|BIOLUMINESCENT|FOSSILIZED",
"confidence": 0.0-1.0,
"species_detected": ["species1", "species2"],
"audio_signatures": ["sound1", "sound2"],
"description": "Brief description of visual and audio observations"
}
"""
@mcp.tool()
def analyze_botanical(
video_url: Annotated[
str,
Field(description="Cloud Storage URL (gs://...) of the flora video recording")
]
) -> dict:
"""
Analyzes a flora video recording (visual + audio) to identify plant species and classify the biome.
Args:
video_url: Cloud Storage URL of the flora video (gs://bucket/path/video.mp4)
Returns:
dict with biome, confidence, species_detected, audio_signatures, and description
"""
logger.info(f">>> 🌿 Tool: 'analyze_botanical' called for '{video_url}'")
try:
response = client.models.generate_content(
model="gemini-2.5-flash",
contents=[
BOTANICAL_PROMPT,
genai_types.Part.from_uri(file_uri=video_url, mime_type="video/mp4")
]
)
result = parse_json_response(response.text)
logger.info(f" ✓ Botanical analysis complete: {result.get('biome', 'UNKNOWN')}")
return result
except Exception as e:
logger.error(f" ✗ Botanical analysis failed: {str(e)}")
return {"error": str(e), "biome": "UNKNOWN", "confidence": 0.0}
اختبار خادم MCP محليًا
👉💻 اختبار خادم MCP:
cd ~/way-back-home/level_1/mcp-server
pip install -r requirements.txt
python main.py
سيظهر لك ما يلي:
[INFO] Initialized Gemini client for project: your-project-id
[INFO] 🚀 Location Analyzer MCP Server starting on port 8080
[INFO] 📍 MCP endpoint: http://0.0.0.0:8080/mcp
[INFO] 🔧 Tools: analyze_geological, analyze_botanical
يعمل خادم FastMCP الآن مع بروتوكول نقل HTTP. اضغط على Ctrl+C للإيقاف.
نشر خادم MCP على Cloud Run
👉💻 النشر:
cd ~/way-back-home/level_1/mcp-server
source ~/way-back-home/set_env.sh
gcloud builds submit . \
--config=cloudbuild.yaml \
--substitutions=_REGION="$REGION",_REPO_NAME="$REPO_NAME",_SERVICE_ACCOUNT="$SERVICE_ACCOUNT"
حفظ عنوان URL للخدمة
👉💻 احفظ عنوان URL الخاص بالخدمة:
export MCP_SERVER_URL=$(gcloud run services describe location-analyzer \
--region=$REGION --format='value(status.url)')
echo "MCP Server URL: $MCP_SERVER_URL"
# Add to set_env.sh for later use
echo "export MCP_SERVER_URL=\"$MCP_SERVER_URL\"" >> ~/way-back-home/set_env.sh
إنشاء وكلاء متخصصين
المدة: 8 دقائق
الآن، ستنشئ ثلاثة وكلاء متخصصين، لكل منهم مسؤولية واحدة.
إنشاء وكيل محلّل جيولوجي
👉✏️ افتح agent/agents/geological_analyst.py وابحث عن #REPLACE-GEOLOGICAL-AGENT. استبدِلها بما يلي:
from google.adk.agents import Agent
from agent.tools.mcp_tools import get_geological_tool
geological_analyst = Agent(
name="GeologicalAnalyst",
model="gemini-2.5-flash",
description="Analyzes soil samples to classify planetary biome based on mineral composition.",
instruction="""You are a geological specialist analyzing alien soil samples.
## YOUR EVIDENCE TO ANALYZE
Soil sample URL: {soil_url}
## YOUR TASK
1. Call the analyze_geological tool with the soil sample URL above
2. Examine the results for mineral composition and biome indicators
3. Report your findings clearly
The four possible biomes are:
- CRYO: Frozen, icy minerals, blue/white coloring
- VOLCANIC: Magma, obsidian, volcanic rock, red/orange coloring
- BIOLUMINESCENT: Glowing, phosphorescent minerals, purple/green
- FOSSILIZED: Amber, ancient preserved matter, golden/brown
## REPORTING FORMAT
Always report your classification clearly:
"GEOLOGICAL ANALYSIS: [BIOME] (confidence: X%)"
Include a brief description of what you observed in the sample.
## IMPORTANT
- You do NOT synthesize with other evidence
- You do NOT confirm locations
- Just analyze the soil sample and report what you find
- Call the tool immediately with the URL provided above""",
tools=[get_geological_tool()]
)
إنشاء وكيل محلّل النباتات
👉✏️ افتح agent/agents/botanical_analyst.py وابحث عن #REPLACE-BOTANICAL-AGENT. استبدِلها بما يلي:
from google.adk.agents import Agent
from agent.tools.mcp_tools import get_botanical_tool
botanical_analyst = Agent(
name="BotanicalAnalyst",
model="gemini-2.5-flash",
description="Analyzes flora recordings to classify planetary biome based on plant life and ambient sounds.",
instruction="""You are a botanical specialist analyzing alien flora recordings.
## YOUR EVIDENCE TO ANALYZE
Flora recording URL: {flora_url}
## YOUR TASK
1. Call the analyze_botanical tool with the flora recording URL above
2. Pay attention to BOTH visual AND audio elements in the recording
3. Report your findings clearly
The four possible biomes are:
- CRYO: Frost ferns, crystalline plants, cold wind sounds, crackling ice
- VOLCANIC: Fire blooms, heat-resistant flora, crackling/hissing sounds
- BIOLUMINESCENT: Glowing fungi, luminescent plants, ethereal hum, chiming
- FOSSILIZED: Petrified trees, ancient formations, deep resonant sounds
## REPORTING FORMAT
Always report your classification clearly:
"BOTANICAL ANALYSIS: [BIOME] (confidence: X%)"
Include descriptions of what you SAW and what you HEARD.
## IMPORTANT
- You do NOT synthesize with other evidence
- You do NOT confirm locations
- Just analyze the flora recording and report what you find
- Call the tool immediately with the URL provided above""",
tools=[get_botanical_tool()]
)
إنشاء وكيل محلّل فلكي
يستخدم هذا الوكيل نهجًا مختلفًا مع نمطَي أدوات:
- Local FunctionTool: استخدام Gemini Vision لاستخراج ميزات النجوم
- OneMCP BigQuery: طلب البحث في كتالوج النجوم من خلال MCP المُدار من Google
👉✏️ افتح agent/agents/astronomical_analyst.py وابحث عن #REPLACE-ASTRONOMICAL-AGENT. استبدِلها بما يلي:
from google.adk.agents import Agent
from agent.tools.star_tools import (
extract_star_features_tool,
get_bigquery_mcp_toolset,
)
# Get the BigQuery MCP toolset
bigquery_toolset = get_bigquery_mcp_toolset()
astronomical_analyst = Agent(
name="AstronomicalAnalyst",
model="gemini-2.5-flash",
description="Analyzes star field images and queries the star catalog via OneMCP BigQuery.",
instruction="""You are an astronomical specialist analyzing alien night skies.
## YOUR EVIDENCE TO ANALYZE
Star field URL: {stars_url}
## YOUR TWO TOOLS
### TOOL 1: extract_star_features (Local Gemini Vision)
Call this FIRST with the star field URL above.
Returns: "primary_star": "...", "nebula_type": "...", "stellar_color": "..."
### TOOL 2: BigQuery MCP (execute_query)
Call this SECOND with the results from Tool 1.
Use this exact SQL query (replace the placeholders with values from Step 1):
SELECT quadrant, biome, primary_star, nebula_type
FROM `{project_id}.way_back_home.star_catalog`
WHERE LOWER(primary_star) = LOWER('PRIMARY_STAR_FROM_STEP_1')
AND LOWER(nebula_type) = LOWER('NEBULA_TYPE_FROM_STEP_1')
LIMIT 1
## YOUR WORKFLOW
1. Call extract_star_features with: {stars_url}
2. Get the primary_star and nebula_type from the result
3. Call execute_query with the SQL above (replacing placeholders)
4. Report the biome and quadrant from the query result
## BIOME REFERENCE
| Biome | Quadrant | Primary Star | Nebula Type |
|-------|----------|--------------|-------------|
| CRYO | NW | blue_giant | ice_blue |
| VOLCANIC | NE | red_dwarf_binary | fire |
| BIOLUMINESCENT | SW | green_pulsar | purple_magenta |
| FOSSILIZED | SE | yellow_sun | golden |
## REPORTING FORMAT
"ASTRONOMICAL ANALYSIS: [BIOME] in [QUADRANT] quadrant (confidence: X%)"
Include a description of the stellar features you observed.
## IMPORTANT
- You do NOT synthesize with other evidence
- You do NOT confirm locations
- Just analyze the stars and report what you find
- Start by calling extract_star_features with the URL above""",
tools=[extract_star_features_tool, bigquery_toolset]
)
إنشاء عمليات ربط بأداة MCP
المدة: 8 دقائق
أنشئ أغلفة الأدوات التي تتصل بخادم MCP الذي تم نشره.
إنشاء عملية ربط بأداة "إدارة العملاء المتعدّدين" (إدارة العملاء المتعدّدين المخصّصة)
يؤدي ذلك إلى الاتصال بخادم FastMCP المخصّص الذي تم نشره على Cloud Run.
👉✏️ افتح agent/tools/mcp_tools.py وابحث عن #REPLACE-MCP-TOOL-CONNECTION. استبدِلها بما يلي:
import os
import logging
from google.adk.tools.mcp_tool.mcp_toolset import MCPToolset
from google.adk.tools.mcp_tool.mcp_session_manager import StreamableHTTPConnectionParams
logger = logging.getLogger(__name__)
MCP_SERVER_URL = os.environ.get("MCP_SERVER_URL")
_mcp_toolset = None
def get_mcp_toolset():
"""Get the MCPToolset connected to the location-analyzer server."""
global _mcp_toolset
if _mcp_toolset is not None:
return _mcp_toolset
if not MCP_SERVER_URL:
raise ValueError(
"MCP_SERVER_URL not set. Please run:\n"
" export MCP_SERVER_URL='https://location-analyzer-xxx.a.run.app'"
)
# FastMCP exposes MCP protocol at /mcp endpoint
mcp_endpoint = f"{MCP_SERVER_URL}/mcp"
logger.info(f"[MCP Tools] Connecting to: {mcp_endpoint}")
_mcp_toolset = MCPToolset(
connection_params=StreamableHTTPConnectionParams(
url=mcp_endpoint,
timeout=120, # 2 minutes for Gemini analysis
)
)
return _mcp_toolset
def get_geological_tool():
"""Get the geological analysis tool from the MCP server."""
return get_mcp_toolset()
def get_botanical_tool():
"""Get the botanical analysis tool from the MCP server."""
return get_mcp_toolset()
إنشاء أدوات تحليل النجوم (OneMCP BigQuery)
يوضّح هذا القسم نمط MCP المُدار. بدلاً من كتابة رمز برنامج BigQuery الخاص بنا، نربط خادم OneMCP BigQuery من Google.
👉✏️ افتح agent/tools/star_tools.py وابحث عن #REPLACE-STAR-TOOLS. استبدِلها بما يلي:
import os
import json
import logging
from google import genai
from google.genai import types as genai_types
from google.adk.tools import FunctionTool
from google.adk.tools.mcp_tool.mcp_toolset import MCPToolset
from google.adk.tools.mcp_tool.mcp_session_manager import StreamableHTTPConnectionParams
import google.auth
import google.auth.transport.requests
logger = logging.getLogger(__name__)
# =============================================================================
# CONFIGURATION - Environment variables only
# =============================================================================
PROJECT_ID = os.environ.get("GOOGLE_CLOUD_PROJECT", "")
if not PROJECT_ID:
logger.warning("[Star Tools] GOOGLE_CLOUD_PROJECT not set")
# Initialize Gemini client for star feature extraction
genai_client = genai.Client(
vertexai=True,
project=PROJECT_ID or "placeholder",
location=os.environ.get("GOOGLE_CLOUD_LOCATION", "us-central1")
)
logger.info(f"[Star Tools] Initialized for project: {PROJECT_ID}")
# =============================================================================
# OneMCP BigQuery Connection
# =============================================================================
BIGQUERY_MCP_URL = "https://bigquery.googleapis.com/mcp"
_bigquery_toolset = None
def get_bigquery_mcp_toolset():
"""
Get the MCPToolset connected to Google's BigQuery MCP server.
This uses OAuth 2.0 authentication with Application Default Credentials.
The toolset provides access to BigQuery's pre-built MCP tools like:
- execute_query: Run SQL queries
- list_datasets: List available datasets
- get_table_schema: Get table structure
"""
global _bigquery_toolset
if _bigquery_toolset is not None:
return _bigquery_toolset
logger.info("[Star Tools] Connecting to OneMCP BigQuery...")
# Get OAuth credentials
credentials, project_id = google.auth.default(
scopes=["https://www.googleapis.com/auth/bigquery"]
)
# Refresh to get a valid token
credentials.refresh(google.auth.transport.requests.Request())
oauth_token = credentials.token
# Configure headers for BigQuery MCP
headers = {
"Authorization": f"Bearer {oauth_token}",
"x-goog-user-project": project_id or PROJECT_ID
}
# Create MCPToolset with StreamableHTTP connection
_bigquery_toolset = MCPToolset(
connection_params=StreamableHTTPConnectionParams(
url=BIGQUERY_MCP_URL,
headers=headers
)
)
logger.info("[Star Tools] Connected to BigQuery MCP")
return _bigquery_toolset
# =============================================================================
# Local FunctionTool: Star Feature Extraction
# =============================================================================
# This is a LOCAL tool that calls Gemini directly - demonstrating that
# you can mix local FunctionTools with MCP tools in the same agent.
STAR_EXTRACTION_PROMPT = """Analyze this alien night sky image and extract stellar features.
Identify:
1. PRIMARY STAR TYPE: blue_giant, red_dwarf, red_dwarf_binary, green_pulsar, yellow_sun, etc.
2. NEBULA TYPE: ice_blue, fire, purple_magenta, golden, etc.
3. STELLAR COLOR: blue_white, red_orange, green_purple, yellow_gold, etc.
Respond ONLY with valid JSON:
{"primary_star": "...", "nebula_type": "...", "stellar_color": "...", "description": "..."}
"""
def _parse_json_response(text: str) -> dict:
"""Parse JSON from Gemini response, handling markdown formatting."""
cleaned = text.strip()
if cleaned.startswith("```json"):
cleaned = cleaned[7:]
elif cleaned.startswith("```"):
cleaned = cleaned[3:]
if cleaned.endswith("```"):
cleaned = cleaned[:-3]
cleaned = cleaned.strip()
try:
return json.loads(cleaned)
except json.JSONDecodeError as e:
logger.error(f"Failed to parse JSON: {e}")
return {"error": f"Failed to parse response: {str(e)}"}
def extract_star_features(image_url: str) -> dict:
"""
Extract stellar features from a star field image using Gemini Vision.
This is a LOCAL FunctionTool - we call Gemini directly, not through MCP.
The agent will use this alongside the BigQuery MCP tools.
"""
logger.info(f"[Stars] Extracting features from: {image_url}")
response = genai_client.models.generate_content(
model="gemini-2.5-flash",
contents=[
STAR_EXTRACTION_PROMPT,
genai_types.Part.from_uri(file_uri=image_url, mime_type="image/png")
]
)
result = _parse_json_response(response.text)
logger.info(f"[Stars] Extracted: primary_star={result.get('primary_star')}")
return result
# Create the local FunctionTool
extract_star_features_tool = FunctionTool(extract_star_features)
إنشاء أداة التنسيق
المدة: 8 دقائق
الآن، أنشئ طاقم العمل المتوازي ومنسّق الجذر الذي ينسّق كل شيء.
إنشاء فريق "التحليل الموازي"
أولاً، لننشئ دالة الاستدعاء وParallelAgent التي تشغّل المتخصصين بشكل متزامن.
👉✏️ افتح agent/agent.py وابحث عن #REPLACE-PARALLEL-CREW. استبدِلها بما يلي:
import os
import logging
import httpx
from google.adk.agents import Agent, ParallelAgent
from google.adk.agents.callback_context import CallbackContext
# Import specialist agents
from agent.agents.geological_analyst import geological_analyst
from agent.agents.botanical_analyst import botanical_analyst
from agent.agents.astronomical_analyst import astronomical_analyst
# Import confirmation tool
from agent.tools.confirm_tools import confirm_location_tool
logger = logging.getLogger(__name__)
# =============================================================================
# BEFORE AGENT CALLBACK - Fetches config and sets state
# =============================================================================
async def setup_participant_context(callback_context: CallbackContext) -> None:
"""
Fetch participant configuration and populate state for all agents.
This callback:
1. Reads PARTICIPANT_ID and BACKEND_URL from environment
2. Fetches participant data from the backend API
3. Sets state values: soil_url, flora_url, stars_url, username, x, y, etc.
4. Returns None to continue normal agent execution
"""
participant_id = os.environ.get("PARTICIPANT_ID", "")
backend_url = os.environ.get("BACKEND_URL", "https://api.waybackhome.dev")
project_id = os.environ.get("GOOGLE_CLOUD_PROJECT", "")
logger.info(f"[Callback] Setting up context for participant: {participant_id}")
# Set project_id and backend_url in state immediately
callback_context.state["project_id"] = project_id
callback_context.state["backend_url"] = backend_url
callback_context.state["participant_id"] = participant_id
if not participant_id:
logger.warning("[Callback] No PARTICIPANT_ID set - using placeholder values")
callback_context.state["username"] = "Explorer"
callback_context.state["x"] = 0
callback_context.state["y"] = 0
callback_context.state["soil_url"] = "Not available - set PARTICIPANT_ID"
callback_context.state["flora_url"] = "Not available - set PARTICIPANT_ID"
callback_context.state["stars_url"] = "Not available - set PARTICIPANT_ID"
return None
# Fetch participant data from backend API
try:
url = f"{backend_url}/participants/{participant_id}"
logger.info(f"[Callback] Fetching from: {url}")
async with httpx.AsyncClient(timeout=30.0) as client:
response = await client.get(url)
response.raise_for_status()
data = response.json()
# Extract evidence URLs
evidence_urls = data.get("evidence_urls", {})
# Set all state values for sub-agents to access
callback_context.state["username"] = data.get("username", "Explorer")
callback_context.state["x"] = data.get("x", 0)
callback_context.state["y"] = data.get("y", 0)
callback_context.state["soil_url"] = evidence_urls.get("soil", "Not available")
callback_context.state["flora_url"] = evidence_urls.get("flora", "Not available")
callback_context.state["stars_url"] = evidence_urls.get("stars", "Not available")
logger.info(f"[Callback] State populated for {data.get('username')}")
except Exception as e:
logger.error(f"[Callback] Error fetching participant config: {e}")
callback_context.state["username"] = "Explorer"
callback_context.state["x"] = 0
callback_context.state["y"] = 0
callback_context.state["soil_url"] = f"Error: {e}"
callback_context.state["flora_url"] = f"Error: {e}"
callback_context.state["stars_url"] = f"Error: {e}"
return None
# =============================================================================
# PARALLEL ANALYSIS CREW
# =============================================================================
evidence_analysis_crew = ParallelAgent(
name="EvidenceAnalysisCrew",
description="Runs geological, botanical, and astronomical analysis in parallel.",
sub_agents=[geological_analyst, botanical_analyst, astronomical_analyst]
)
إنشاء أداة التنسيق الرئيسية
الآن، أنشئ الوكيل الجذر الذي ينسّق كل شيء ويستخدم وظيفة معاودة الاتصال.
👉✏️ في الملف نفسه (agent/agent.py)، ابحث عن #REPLACE-ROOT-ORCHESTRATOR. استبدِلها بما يلي:
# =============================================================================
# ROOT ORCHESTRATOR
# =============================================================================
root_agent = Agent(
name="MissionAnalysisAI",
model="gemini-2.5-flash",
description="Coordinates crash site analysis to confirm explorer location.",
instruction="""You are the Mission Analysis AI coordinating a rescue operation.
## Explorer Information
- Name: {username}
- Coordinates: ({x}, {y})
## Evidence URLs (automatically provided to specialists via state)
- Soil sample: {soil_url}
- Flora recording: {flora_url}
- Star field: {stars_url}
## Your Workflow
### STEP 1: DELEGATE TO ANALYSIS CREW
Tell the EvidenceAnalysisCrew to analyze all the evidence.
The evidence URLs are already available to the specialists.
### STEP 2: COLLECT RESULTS
Each specialist will report:
- "GEOLOGICAL ANALYSIS: [BIOME] (confidence: X%)"
- "BOTANICAL ANALYSIS: [BIOME] (confidence: X%)"
- "ASTRONOMICAL ANALYSIS: [BIOME] in [QUADRANT] quadrant (confidence: X%)"
### STEP 3: APPLY 2-OF-3 AGREEMENT RULE
- If 2 or 3 specialists agree → that's the answer
- If all 3 disagree → use judgment based on confidence
### STEP 4: CONFIRM LOCATION
Call confirm_location with the determined biome.
## Biome Reference
| Biome | Quadrant | Key Characteristics |
|-------|----------|---------------------|
| CRYO | NW | Frozen, blue, ice crystals |
| VOLCANIC | NE | Magma, red/orange, obsidian |
| BIOLUMINESCENT | SW | Glowing, purple/green |
| FOSSILIZED | SE | Amber, golden, ancient |
## Response Style
Be encouraging and narrative! Celebrate when the beacon activates!
""",
sub_agents=[evidence_analysis_crew],
tools=[confirm_location_tool],
before_agent_callback=setup_participant_context
)
إنشاء "أداة تأكيد الموقع الجغرافي"
تستخدم هذه الأداة ToolContext لقراءة قيم الحالة التي تم ضبطها بواسطة دالة معاودة الاتصال.
👉✏️ في agent/tools/confirm_tools.py، ابحث عن #REPLACE-CONFIRM-TOOL. استبدِلها بما يلي:
import os
import logging
import requests
from google.adk.tools import FunctionTool
from google.adk.tools.tool_context import ToolContext
logger = logging.getLogger(__name__)
BIOME_TO_QUADRANT = {
"CRYO": "NW",
"VOLCANIC": "NE",
"BIOLUMINESCENT": "SW",
"FOSSILIZED": "SE"
}
def _get_actual_biome(x: int, y: int) -> tuple[str, str]:
"""Determine actual biome and quadrant from coordinates."""
if x < 50 and y >= 50:
return "NW", "CRYO"
elif x >= 50 and y >= 50:
return "NE", "VOLCANIC"
elif x < 50 and y < 50:
return "SW", "BIOLUMINESCENT"
else:
return "SE", "FOSSILIZED"
def confirm_location(biome: str, tool_context: ToolContext) -> dict:
"""
Confirm the explorer's location and activate the rescue beacon.
Uses ToolContext to read state values set by before_agent_callback.
"""
# Read from state (set by before_agent_callback)
participant_id = tool_context.state.get("participant_id", "")
x = tool_context.state.get("x", 0)
y = tool_context.state.get("y", 0)
backend_url = tool_context.state.get("backend_url", "https://api.waybackhome.dev")
# Fallback to environment variables
if not participant_id:
participant_id = os.environ.get("PARTICIPANT_ID", "")
if not backend_url:
backend_url = os.environ.get("BACKEND_URL", "https://api.waybackhome.dev")
if not participant_id:
return {"success": False, "message": "❌ No participant ID available."}
biome_upper = biome.upper().strip()
if biome_upper not in BIOME_TO_QUADRANT:
return {"success": False, "message": f"❌ Unknown biome: {biome}"}
# Get actual biome from coordinates
actual_quadrant, actual_biome = _get_actual_biome(x, y)
if biome_upper != actual_biome:
return {
"success": False,
"message": f"❌ Mismatch! Analysis: {biome_upper}, Actual: {actual_biome}"
}
quadrant = BIOME_TO_QUADRANT[biome_upper]
try:
response = requests.patch(
f"{backend_url}/participants/{participant_id}/location",
params={"x": x, "y": y},
timeout=10
)
response.raise_for_status()
return {
"success": True,
"message": f"🔦 BEACON ACTIVATED!\n\nLocation: {biome_upper} in {quadrant}\nCoordinates: ({x}, {y})"
}
except requests.exceptions.ConnectionError:
return {
"success": True,
"message": f"🔦 BEACON ACTIVATED! (Local)\n\nLocation: {biome_upper} in {quadrant}",
"simulated": True
}
except Exception as e:
return {"success": False, "message": f"❌ Failed: {str(e)}"}
confirm_location_tool = FunctionTool(confirm_location)
الاختبار باستخدام واجهة مستخدم الويب في "حزمة تطوير التطبيقات على Android"
المدة: 5 دقائق
لنختبر الآن نظام الوكلاء المتعدّدين الكامل محليًا.
بدء خادم الويب ADK
👉💻 ضبط متغيّرات البيئة وبدء خادم الويب الخاص بـ ADK:
cd ~/way-back-home/level_1
source ~/way-back-home/set_env.sh
# Verify environment is set
echo "PARTICIPANT_ID: $PARTICIPANT_ID"
echo "MCP Server: $MCP_SERVER_URL"
# Start ADK web server
adk web
سيظهر لك ما يلي:
+-----------------------------------------------------------------------------+
| ADK Web Server started |
| |
| For local testing, access at http://localhost:8000. |
+-----------------------------------------------------------------------------+
INFO: Application startup complete.
INFO: Uvicorn running on http://0.0.0.0:8000 (Press CTRL+C to quit)
الوصول إلى واجهة المستخدم على الويب
👉 من رمز معاينة الويب في شريط أدوات Cloud Shell (أعلى يسار الصفحة)، اختَر تغيير المنفذ.
👉 اضبط المنفذ على 8000 وانقر على "تغيير ومعاينة".
👉 سيتم فتح واجهة مستخدم ADK على الويب. اختَر الوكيل من القائمة المنسدلة.
تشغيل التحليل
👉 في واجهة المحادثة، اكتب:
Analyze the evidence from my crash site and confirm my location to activate the beacon.
شاهِد النظام المتعدّد الوكلاء أثناء العمل:
- يتم تنفيذ before_agent_callback أولاً، ما يؤدي إلى استرداد بيانات المشاركين
- يتلقّى منسّق الجذر طلبك مع ملء الحالة
- يتم تفعيل EvidenceAnalysisCrew (ParallelAgent)
- يعمل ثلاثة متخصصين بالتوازي باستخدام نظام
{key}للنماذج:- GeologicalAnalyst → يرى
{soil_url}تم حله من الحالة - BotanicalAnalyst → يرى
{flora_url}تم حله من الحالة - AstronomicalAnalyst → يرى
{stars_url}و{project_id}تم التعامل معهما
- GeologicalAnalyst → يرى
- تجميع البيانات بواسطة أداة التنسيق الرئيسية (موافقة 2 من 3)
- تم استدعاء confirm_location باستخدام ToolContext → "🔦 تم تفعيل جهاز التتبُّع!"
تعرض لوحة التتبُّع على يسار الصفحة جميع تفاعلات الموظفين واستدعاءات الأدوات.
👉 اضغط على Ctrl+C في نافذة الوحدة الطرفية لإيقاف الخادم عند الانتهاء من الاختبار.
النشر على Cloud Run
المدة: 5 دقائق
يمكنك الآن نشر نظامك المتعدّد الوكلاء على Cloud Run ليكون جاهزًا لعمليات A2A.
نشر الوكيل
👉💻 النشر على Cloud Run باستخدام واجهة سطر الأوامر (CLI) الخاصة بـ ADK:
cd ~/way-back-home/level_1
source ~/way-back-home/set_env.sh
adk deploy cloud_run \
--project=$GOOGLE_CLOUD_PROJECT \
--region=$REGION \
--service_name=mission-analysis-ai \
--with_ui \
--a2a \
./agent
عندما يُطلب منك ذلك Allow unauthenticated invocations to [mission-analysis-ai] (y/N)?، أدخِل y للسماح بالوصول العلني.
من المفترَض أن تظهر لك نتيجة مثل:
Building and deploying agent to Cloud Run...
✓ Container built successfully
✓ Deploying to Cloud Run...
✓ Service deployed: https://mission-analysis-ai-abc123-uc.a.run.app
Your agent is now live!
ضبط متغيرات البيئة على Cloud Run
يحتاج الوكيل الذي تم نشره إلى إذن الوصول إلى متغيرات البيئة. تعديل الخدمة:
👉💻 اضبط متغيرات البيئة المطلوبة:
gcloud run services update mission-analysis-ai \
--region=$REGION \
--set-env-vars="GOOGLE_CLOUD_PROJECT=$GOOGLE_CLOUD_PROJECT,GOOGLE_CLOUD_LOCATION=$REGION,MCP_SERVER_URL=$MCP_SERVER_URL,BACKEND_URL=$BACKEND_URL,PARTICIPANT_ID=$PARTICIPANT_ID,GOOGLE_GENAI_USE_VERTEXAI=True"
حفظ عنوان URL الخاص بالوكيل
👉💻 الحصول على عنوان URL المنشور:
export AGENT_URL=$(gcloud run services describe mission-analysis-ai \
--region=$REGION --format='value(status.url)')
echo "Agent URL: $AGENT_URL"
# Add to set_env.sh
echo "export LEVEL1_AGENT_URL=\"$AGENT_URL\"" >> ~/way-back-home/set_env.sh
التحقّق من عملية النشر
👉💻 اختبِر الوكيل الذي تم نشره عن طريق فتح عنوان URL في المتصفّح (تم نشر علامة --with_ui لواجهة الويب الخاصة بـ ADK)، أو اختبِره باستخدام curl:
curl -X GET "$AGENT_URL/list-apps"
من المفترض أن يظهر ردّ يتضمّن وكيلك.
الخاتمة
المدة: دقيقة واحدة
قائمة التحقّق من إثبات الملكية
✅ خادم MCP
- [ ] تم نشره على Cloud Run
- [ ] تعمل أداة analyze_geological
- [ ] تعمل أداة analyze_botanical
✅ وكلاء متخصصون
- [ ] يستخدم GeologicalAnalyst {soil_url} من الولاية
- [ ] يستخدم BotanicalAnalyst {flora_url} من الولاية
- [ ] يستخدم AstronomicalAnalyst {stars_url} و{project_id} من الولاية
✅ before_agent_callback
- [ ] استرداد بيانات المشاركين من واجهة برمجة التطبيقات الخلفية
- [ ] ضبط قيم الحالة لجميع الوكلاء الفرعيين
- [ ] العمل مع PARTICIPANT_ID من البيئة
✅ ParallelAgent
- [ ] يتم تشغيل جميع المتخصصين الثلاثة في الوقت نفسه
- [ ] تتم مشاركة الحالة من خلال InvocationContext
✅ Root Orchestrator
- [ ] يتم التجميع مع الموافقة من اثنين من ثلاثة
- [ ] تستخدم confirm_location ToolContext للحالة
- [ ] يتم تفعيل Beacon
✅ النشر
- [ ] تم نشر الوكيل على Cloud Run
- [ ] يمكن الوصول إلى نقطة نهاية A2A
✅ خريطة العالم
- [ ] أصبح Beacon الآن BRIGHT (وليس dim)
- [ ] يتم عرض الموطن البيئي عند التمرير فوقه
🎉 اكتمل المستوى 1!
يبث جهاز تحديد الموقع الجغرافي الآن بأقصى قوته. يخترق الإشارة المثلثة التشويش الجوي، وهو نبض ثابت يقول "أنا هنا. نجوتُ. تعالَ وابحث عني".
لكنّك لست الشخص الوحيد على هذا الكوكب. عندما ينشط جهاز التتبّع، ستلاحظ أضواء أخرى تومض في الأفق، ما يشير إلى وجود ناجين آخرين ومواقع تحطّم أخرى ومستكشفين آخرين نجوا من الحادث.
في المستوى 2، ستتعلّم كيفية معالجة إشارات SOS الواردة والتنسيق مع الناجين الآخرين. لا يقتصر الإنقاذ على العثور على الشخص، بل يشمل أيضًا العثور على بعضكما البعض.
تحديد المشاكل وحلّها
لم يتم ضبط MCP_SERVER_URL
bash
export MCP_SERVER_URL=$(gcloud run services describe location-analyzer \
--region=$REGION --format='value(status.url)')
لم يتم ضبط PARTICIPANT_ID
bash
source ~/way-back-home/set_env.sh
echo $PARTICIPANT_ID
"لم يتم العثور على جدول BigQuery"
bash
python setup/setup_star_catalog.py
"المتخصّصون يطلبون عناوين URL"
هذا يعني أنّ عملية إنشاء النماذج {key} لا تعمل. تحقَّق ممّا يلي:
- هل تم ضبط before_agent_callback على وكيل الجذر؟
- هل يتم ضبط قيم حالة إعدادات معاودة الاتصال بشكلٍ صحيح؟
- هل تستخدم الوكلاء الفرعيين {soil_url} (وليس f-strings)؟
"تتعارض التحليلات الثلاث"
إعادة إنشاء المستند: python generate_evidence.py
"لم يستجب الوكيل في adk web" - تأكَّد من أنّ المنفذ 8000 صحيح - تأكَّد من ضبط MCP_SERVER_URL وPARTICIPANT_ID - راجِع الجهاز الطرفي بحثًا عن رسائل الخطأ
ملخّص حول الهندسة المعمارية
| المكوّن | النوع | النمط | الغرض |
|---|---|---|---|
| setup_participant_context | معاودة الاتصال | before_agent_callback | استرجاع الإعدادات وضبط الحالة |
| GeologicalAnalyst | الوكيل | إنشاء نماذج {soil_url} | تصنيف التربة |
| BotanicalAnalyst | الوكيل | إنشاء نماذج {flora_url} | تصنيف النباتات |
| AstronomicalAnalyst | الوكيل | {stars_url}, {project_id} | تحديد الموقع الجغرافي باستخدام النجوم |
| confirm_location | الأداة | الوصول إلى حالة ToolContext | تفعيل جهاز الإرسال |
| EvidenceAnalysisCrew | ParallelAgent | تركيب الوكيل الفرعي | تشغيل المتخصصين بشكل متزامن |
| MissionAnalysisAI | الوكيل (الجذر) | المنسّق + معاودة الاتصال | التنسيق والدمج |
| location-analyzer | خادم FastMCP | MCP مخصّص | التحليل الجيولوجي والنباتي |
| bigquery.googleapis.com/mcp | OneMCP | Managed MCP | إذن الوصول إلى BigQuery |
المفاهيم الرئيسية التي تم إتقانها
✅ before_agent_callback: استرجاع الإعدادات قبل تشغيل الوكيل
✅ {key} State Templating: الوصول إلى قيم الحالة في تعليمات الوكيل
✅ ToolContext: الوصول إلى قيم الحالة في وظائف الأدوات
✅ مشاركة الحالة: إتاحة الحالة الرئيسية تلقائيًا للوكلاء الفرعيين من خلال InvocationContext
✅ بنية الوكلاء المتعدّدين: وكلاء متخصصون بمسؤوليات فردية
✅ ParallelAgent: تنفيذ متزامن للمهام المستقلة
✅ خادم MCP مخصّص: خادم MCP الخاص بك على Cloud Run
✅ OneMCP BigQuery: نمط MCP مُدار للوصول إلى قاعدة البيانات
✅ النشر على السحابة الإلكترونية: نشر بدون حالة باستخدام متغيرات البيئة
✅ الإعداد للاتصال بين الوكلاء: وكيل جاهز للاتصال بين الوكلاء
لغير اللاعبين: تطبيقات واقعية
تمثّل ميزة "تحديد موقعك الجغرافي بدقة" التحليل المتوازي من الخبراء مع الإجماع، أي إجراء تحليلات متعدّدة ومتخصّصة باستخدام الذكاء الاصطناعي في الوقت نفسه وتجميع النتائج.
تطبيقات المؤسسات
| حالة الاستخدام | Parallel Experts | قاعدة التجميع |
|---|---|---|
| التشخيص الطبي | محلّل الصور ومحلّل الأعراض ومحلّل المختبر | الحد الأدنى للدقة 2 من 3 |
| رصد الاحتيال | محلّل المعاملات ومحلّل السلوك ومحلّل الشبكات | أي علامة واحدة = مراجعة |
| معالجة المستندات | عامل التعرّف الضوئي على الحروف، وعامل التصنيف، وعامل الاستخراج | يجب أن يوافق الجميع |
| مراقبة الجودة | مفتّش مرئي ومحلّل أجهزة استشعار ومدقّق مواصفات | بطاقة "2 من 3" |
الإحصاءات الرئيسية حول البنية
before_agent_callback للإعداد: استرجاع الإعداد مرة واحدة في البداية، وتعبئة الحالة لجميع الوكلاء الفرعيين لا تتم قراءة ملف الإعداد في الوكلاء الفرعيين.
{key} إنشاء نماذج للحالات: إعلاني، واضح، اصطلاحي لا تستخدم السلاسل المنسّقة أو عمليات الاستيراد أو تعديل sys.path.
آليات التوافق: تعالج اتفاقية 2 من 3 حالات الغموض بشكل فعّال بدون الحاجة إلى اتفاق بالإجماع.
ParallelAgent للمهام المستقلة: عندما لا تعتمد التحليلات على بعضها البعض، يمكنك تنفيذها في الوقت نفسه لزيادة السرعة.
نمطان لمنصّة إدارة الموافقة: مخصّص (يمكنك إنشاء منصّتك الخاصة) مقابل OneMCP (تستضيفها Google). يستخدم كلاهما StreamableHTTP.
النشر بدون حالة: يعمل الرمز نفسه محليًا وعند نشره. متغيرات البيئة + واجهة برمجة تطبيقات الخلفية = عدم توفّر ملفات إعداد في الحاويات
الخطوات التالية:
تعرَّف على كيفية معالجة إشارات الاستغاثة الواردة من الناجين الآخرين باستخدام أنماط مستندة إلى الأحداث وتنسيق أكثر تقدّمًا بين العملاء.