মিশন
সময়কাল: ২ মিনিট
তুমি নিজেকে জরুরি AI-তে শনাক্ত করেছ এবং তোমার আলো এখন গ্রহের মানচিত্রে স্পন্দিত হচ্ছে—কিন্তু এটি কেবল টলমল করছে, স্থিরতার মধ্যে হারিয়ে গেছে। কক্ষপথ থেকে স্ক্যান করা উদ্ধারকারী দল তোমার স্থানাঙ্কে কিছু দেখতে পাচ্ছে, কিন্তু তারা কোনও লক খুঁজে পাচ্ছে না। সংকেতটি খুব দুর্বল।
তোমার বীকনটিকে পূর্ণ শক্তিতে উন্নীত করার জন্য, তোমাকে তোমার সঠিক অবস্থান নিশ্চিত করতে হবে। পডের নেভিগেশন সিস্টেমটি নষ্ট হয়ে গেছে, কিন্তু দুর্ঘটনার ফলে উদ্ধারযোগ্য প্রমাণ ল্যান্ডিং সাইট জুড়ে ছড়িয়ে ছিটিয়ে ছিল। মাটির নমুনা। অদ্ভুত উদ্ভিদ। ভিনগ্রহী রাতের আকাশের একটি পরিষ্কার দৃশ্য।
যদি তুমি এই প্রমাণ বিশ্লেষণ করতে পারো এবং গ্রহের কোন অঞ্চলে আছো তা নির্ধারণ করতে পারো, তাহলে AI তোমার অবস্থানকে ত্রিকোণ করতে পারবে এবং বিকন সংকেতকে আরও বাড়িয়ে তুলতে পারবে। তাহলে—হয়তো—কেউ তোমাকে খুঁজে পাবে।
টুকরোগুলো একসাথে করার সময়।
পূর্বশর্ত
⚠️ এই স্তরের জন্য স্তর 0 সম্পূর্ণ করতে হবে।
শুরু করার আগে, যাচাই করুন যে আপনার কাছে আছে:
- [ ] আপনার অংশগ্রহণকারী আইডি এবং স্থানাঙ্ক সহ প্রকল্পের রুটে config.json
- [ ] আপনার অবতার বিশ্বের মানচিত্রে দৃশ্যমান
- [ ] আপনার স্থানাঙ্কে আপনার বীকনটি দেখাচ্ছে (ম্লান)
যদি আপনি এখনও লেভেল ০ সম্পন্ন না করে থাকেন, তাহলে প্রথমে সেখান থেকে শুরু করুন ।
তুমি কী তৈরি করবে
এই স্তরে, আপনি একটি মাল্টি-এজেন্ট এআই সিস্টেম তৈরি করবেন যা সমান্তরাল প্রক্রিয়াকরণ ব্যবহার করে ক্র্যাশ সাইটের প্রমাণ বিশ্লেষণ করে:
শেখার উদ্দেশ্য
| ধারণা | তুমি যা শিখবে |
|---|---|
| মাল্টি-এজেন্ট সিস্টেম | একক দায়িত্ব সহ বিশেষায়িত এজেন্ট তৈরি করুন |
| প্যারালাল এজেন্ট | একই সাথে চালানোর জন্য স্বাধীন এজেন্ট রচনা করুন |
| এজেন্ট_কলব্যাকের আগে | এজেন্ট রান করার আগে কনফিগারেশন আনুন এবং অবস্থা সেট করুন |
| টুলকনটেক্সট | টুল ফাংশনে স্টেট মান অ্যাক্সেস করুন |
| কাস্টম এমসিপি সার্ভার | ইম্পেরিয়াল প্যাটার্ন দিয়ে টুল তৈরি করুন (ক্লাউড রানে পাইথন কোড) |
| OneMCP BigQuery সম্পর্কে | BigQuery অ্যাক্সেসের জন্য Google-এর পরিচালিত MCP-এর সাথে সংযোগ করুন |
| মাল্টিমোডাল এআই | জেমিনি দিয়ে ছবি এবং ভিডিও+অডিও বিশ্লেষণ করুন |
| এজেন্ট অর্কেস্ট্রেশন | একজন রুট অর্কেস্ট্রেটরের সাহায্যে একাধিক এজেন্টের সমন্বয় করুন |
| ক্লাউড ডিপ্লয়মেন্ট | ক্লাউড রানে MCP সার্ভার এবং এজেন্ট স্থাপন করুন |
| A2A প্রস্তুতি | ভবিষ্যতের এজেন্ট-টু-এজেন্ট যোগাযোগের জন্য কাঠামোগত এজেন্ট |
গ্রহের জৈববস্তুপুঞ্জ
গ্রহের পৃষ্ঠ চারটি স্বতন্ত্র বায়োমে বিভক্ত, প্রতিটিরই অনন্য বৈশিষ্ট্য রয়েছে:
আপনার স্থানাঙ্কগুলি নির্ধারণ করে যে আপনি কোন বায়োমে ক্র্যাশ করেছেন। আপনার ক্র্যাশ সাইটের প্রমাণগুলি সেই বায়োমের বৈশিষ্ট্যগুলি প্রতিফলিত করে:
| বায়োম | চতুর্ভুজ | ভূতাত্ত্বিক প্রমাণ | বোটানিক্যাল প্রমাণ | জ্যোতির্বিদ্যা সংক্রান্ত প্রমাণ |
|---|---|---|---|---|
| 🧊 ক্রায়ো | উঃপঃ (x<৫০, y≥৫০) | হিমায়িত মিথেন, বরফের স্ফটিক | ফ্রস্ট ফার্ন, ক্রায়ো-ফ্লোরা | নীল দৈত্য তারকা |
| 🌋 আগ্নেয়গিরি | উত্তর-পূর্ব (x≥50, y≥50) | অবসিডিয়ান, রত্ন জমা | আগুনে পুষ্পিত, তাপ-প্রতিরোধী উদ্ভিদকুল | লাল বামন বাইনারি |
| 💜 জৈবিক আলোকসজ্জা | SW (x<50, y<50) | ফসফরাসযুক্ত মাটি | জ্বলন্ত ছত্রাক, আলোকিত উদ্ভিদ | সবুজ পালসার |
| 🦴 জীবাশ্মিত | SE (x≥50, y<50) | অ্যাম্বার জমা, অন্যান্য খনিজ পদার্থ | পেট্রিফাইড গাছ, প্রাচীন উদ্ভিদকুল | হলুদ রোদ |
তোমার কাজ: এমন AI এজেন্ট তৈরি করো যারা প্রমাণ বিশ্লেষণ করতে পারবে এবং অনুমান করতে পারবে যে তুমি কোন জীববৈচিত্র্যে আছো।
আপনার পরিবেশ সেট আপ করুন
সময়কাল: ৩ মিনিট
প্রমাণ তৈরি করার আগে, আপনাকে প্রয়োজনীয় Google ক্লাউড API গুলি সক্ষম করতে হবে, যার মধ্যে BigQuery-এর জন্য OneMCP অন্তর্ভুক্ত রয়েছে যা BigQuery-তে পরিচালিত MCP অ্যাক্সেস প্রদান করে।
পরিবেশ সেটআপ স্ক্রিপ্টটি চালান
👉💻 পরিবেশ সেটআপ স্ক্রিপ্টটি চালান:
cd ~/way-back-home/level_1
chmod +x setup/setup_env.sh
./setup/setup_env.sh
আপনার আউটপুটটি এরকম দেখা উচিত:
================================================================
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!
================================================================
উৎস পরিবেশ ভেরিয়েবল
👉💻 পরিবেশের ভেরিয়েবলের উৎস নির্ধারণ করুন:
source ~/way-back-home/set_env.sh
ভার্চুয়াল পরিবেশ তৈরি করুন
👉💻 লেভেল ১ এর জন্য পাইথন ভার্চুয়াল পরিবেশ তৈরি এবং সক্রিয় করুন:
cd ~/way-back-home/level_1
python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
স্টার ক্যাটালগ সেট আপ করুন
👉💻 BigQuery-তে তারকা ক্যাটালগ সেট আপ করুন:
python setup/setup_star_catalog.py
তোমার দেখা উচিত:
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!
ক্র্যাশ সাইটের প্রমাণ তৈরি করুন
সময়কাল: ২ মিনিট
এখন আপনার স্থানাঙ্কের উপর ভিত্তি করে ব্যক্তিগতকৃত ক্র্যাশ সাইটের প্রমাণ তৈরি করুন।
প্রমাণ জেনারেটর চালান
👉💻 level_1 ডিরেক্টরি থেকে (venv সক্রিয় থাকা অবস্থায়), চালান:
cd ~/way-back-home/level_1
python generate_evidence.py
আপনার আউটপুটটি এরকম দেখা উচিত:
✓ 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!
==================================================
আপনার প্রমাণ পর্যালোচনা করুন
👉 outputs/ ফোল্ডারে আপনার জেনারেট করা প্রমাণ ফাইলগুলি একবার দেখে নিন। প্রতিটি আপনার ক্র্যাশ অবস্থানের বায়োম বৈশিষ্ট্যগুলি প্রতিফলিত করে—যদিও আপনার AI এজেন্টরা সেগুলি বিশ্লেষণ না করা পর্যন্ত আপনি কোন বায়োমটি জানতে পারবেন না!
আপনার অবস্থানের উপর নির্ভর করে আপনার তৈরি প্রমাণগুলি এরকম কিছু দেখতে পারে:
কাস্টম এমসিপি সার্ভার তৈরি করুন
সময়কাল: ৮ মিনিট
তোমার এস্কেপ পডের অনবোর্ড বিশ্লেষণ সিস্টেমগুলি নষ্ট হয়ে গেছে, কিন্তু কাঁচা সেন্সর ডেটা ক্র্যাশ থেকে বেঁচে গেছে। তুমি ফাস্টএমসিপি দিয়ে একটি এমসিপি সার্ভার তৈরি করবে যা ভূতাত্ত্বিক এবং উদ্ভিদ বিশ্লেষণ সরঞ্জাম সরবরাহ করে।
ভূতাত্ত্বিক বিশ্লেষণ টুল তৈরি করুন
এই টুলটি মাটির নমুনার ছবি বিশ্লেষণ করে খনিজ গঠন শনাক্ত করে।
👉✏️ mcp-server/main.py খুলুন এবং #REPLACE-GEOLOGICAL-TOOL খুঁজুন। এটি দিয়ে প্রতিস্থাপন করুন:
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}
বোটানিকাল বিশ্লেষণ টুল তৈরি করুন
এই টুলটি উদ্ভিদকুলের ভিডিও রেকর্ডিং বিশ্লেষণ করে—অডিও ট্র্যাক সহ।
👉✏️ #REPLACE-BOTANICAL-TOOL খুঁজুন এবং এটি দিয়ে প্রতিস্থাপন করুন:
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}
স্থানীয়ভাবে MCP সার্ভার পরীক্ষা করুন
👉💻 MCP সার্ভার পরীক্ষা করুন:
cd ~/way-back-home/level_1/mcp-server
pip install -r requirements.txt
python main.py
তোমার দেখা উচিত:
[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
FastMCP সার্ভারটি এখন HTTP ট্রান্সপোর্টের সাথে চলছে। থামাতে Ctrl+C টিপুন।
ক্লাউড রানে MCP সার্ভার স্থাপন করুন
👉💻 স্থাপন করুন:
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="$SERVICE_ACCOUNT"
পরিষেবা URL সংরক্ষণ করুন
👉💻 পরিষেবার URL সংরক্ষণ করুন:
export MCP_SERVER_URL=$(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
বিশেষজ্ঞ এজেন্ট তৈরি করুন
সময়কাল: ৮ মিনিট
এখন তুমি তিনজন বিশেষজ্ঞ এজেন্ট তৈরি করবে, প্রত্যেকের একটি করে দায়িত্ব থাকবে।
ভূতাত্ত্বিক বিশ্লেষক এজেন্ট তৈরি করুন
👉✏️ agent/agents/geological_analyst.py খুলুন এবং #REPLACE-GEOLOGICAL-AGENT খুঁজুন। এটি দিয়ে প্রতিস্থাপন করুন:
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()]
)
বোটানিকাল বিশ্লেষক এজেন্ট তৈরি করুন
👉✏️ agent/agents/botanical_analyst.py খুলুন এবং #REPLACE-BOTANICAL-AGENT খুঁজুন। এটি দিয়ে প্রতিস্থাপন করুন:
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()]
)
জ্যোতির্বিজ্ঞান বিশ্লেষক এজেন্ট তৈরি করুন
এই এজেন্ট দুটি টুল প্যাটার্নের সাথে একটি ভিন্ন পদ্ধতি ব্যবহার করে:
- লোকাল ফাংশনটুল : জেমিনি ভিশন নক্ষত্রের বৈশিষ্ট্যগুলি বের করবে
- OneMCP BigQuery : গুগলের পরিচালিত MCP এর মাধ্যমে তারকা ক্যাটালগ অনুসন্ধান করুন
👉✏️ agent/agents/astronomical_analyst.py খুলুন এবং #REPLACE-ASTRONOMICAL-AGENT খুঁজুন। এটি দিয়ে প্রতিস্থাপন করুন:
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]
)
MCP টুল সংযোগ তৈরি করুন
সময়কাল: ৮ মিনিট
আপনার স্থাপন করা MCP সার্ভারের সাথে সংযোগকারী টুল র্যাপার তৈরি করুন।
MCP টুল সংযোগ তৈরি করুন (কাস্টম MCP)
এটি ক্লাউড রানে মোতায়েন করা আপনার কাস্টম ফাস্টএমসিপি সার্ভারের সাথে সংযোগ স্থাপন করে।
👉✏️ agent/tools/mcp_tools.py খুলুন এবং #REPLACE-MCP-TOOL-CONNECTION খুঁজুন। এটি দিয়ে প্রতিস্থাপন করুন:
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()
স্টার অ্যানালাইসিস টুল তৈরি করুন (OneMCP BigQuery)
এই অংশটি পরিচালিত MCP প্যাটার্ন প্রদর্শন করে। আমাদের নিজস্ব BigQuery ক্লায়েন্ট কোড লেখার পরিবর্তে, আমরা Google এর OneMCP BigQuery সার্ভারের সাথে সংযোগ স্থাপন করি।
👉✏️ agent/tools/star_tools.py খুলুন এবং #REPLACE-STAR-TOOLS খুঁজুন। এটি দিয়ে প্রতিস্থাপন করুন:
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)
অর্কেস্ট্রেটর তৈরি করুন
সময়কাল: ৮ মিনিট
এখন সমান্তরাল ক্রু এবং রুট অর্কেস্ট্রেটর তৈরি করুন যারা সবকিছু সমন্বয় করে।
সমান্তরাল বিশ্লেষণ দল তৈরি করুন
প্রথমে, কলব্যাক ফাংশন এবং ParallelAgent তৈরি করা যাক যা একই সাথে বিশেষজ্ঞদের চালায়।
👉✏️ agent/agent.py খুলুন এবং #REPLACE-PARALLEL-CREW খুঁজুন। এটি দিয়ে প্রতিস্থাপন করুন:
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]
)
রুট অর্কেস্ট্রেটর তৈরি করুন
এখন এমন রুট এজেন্ট তৈরি করুন যা সবকিছু সমন্বয় করে এবং কলব্যাক ব্যবহার করে।
👉✏️ একই ফাইলে ( agent/agent.py ), #REPLACE-ROOT-ORCHESTRATOR খুঁজুন। এটি দিয়ে প্রতিস্থাপন করুন:
# =============================================================================
# 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
)
অবস্থান নিশ্চিতকরণ টুল তৈরি করুন
এই টুলটি কলব্যাক দ্বারা সেট করা স্টেট মানগুলি পড়ার জন্য ToolContext ব্যবহার করে।
👉✏️ agent/tools/confirm_tools.py তে, #REPLACE-CONFIRM-TOOL খুঁজুন। এটি দিয়ে প্রতিস্থাপন করুন:
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)
ADK ওয়েব UI দিয়ে পরীক্ষা করুন
সময়কাল: ৫ মিনিট
এবার স্থানীয়ভাবে সম্পূর্ণ মাল্টি-এজেন্ট সিস্টেমটি পরীক্ষা করা যাক।
ADK ওয়েব সার্ভার শুরু করুন
👉💻 পরিবেশের ভেরিয়েবল সেট করুন এবং ADK ওয়েব সার্ভার শুরু করুন:
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: $MCP_SERVER_URL"
# Start ADK web server
adk web
তোমার দেখা উচিত:
+-----------------------------------------------------------------------------+
| ADK Web Server started |
| |
| For local testing, access at http://localhost:8000. |
+-----------------------------------------------------------------------------+
INFO: Application startup complete.
INFO: Uvicorn running on http://0.0.0.0:8000 (Press CTRL+C to quit)
ওয়েব UI অ্যাক্সেস করুন
👉 ক্লাউড শেল টুলবারের (উপরে ডানদিকে) ওয়েব প্রিভিউ আইকন থেকে, Change port নির্বাচন করুন।
👉 পোর্টটি 8000 এ সেট করুন এবং "পরিবর্তন এবং পূর্বরূপ" এ ক্লিক করুন।
👉 ADK ওয়েব UI খুলবে। ড্রপডাউন মেনু থেকে এজেন্ট নির্বাচন করুন।
বিশ্লেষণ চালান
👉 চ্যাট ইন্টারফেসে, টাইপ করুন:
Analyze the evidence from my crash site and confirm my location to activate the beacon.
মাল্টি-এজেন্ট সিস্টেমের কার্যকারিতা দেখুন:
- before_agent_callback প্রথমে চলে, আপনার অংশগ্রহণকারীর ডেটা নিয়ে আসে
- রুট অর্কেস্ট্রেটর আপনার অনুরোধটি স্টেট পপুলেটেড সহ গ্রহণ করবে
- প্রমাণ বিশ্লেষণ ক্রু সক্রিয় করে (প্যারালাল এজেন্ট)
- তিনজন বিশেষজ্ঞ
{key}টেমপ্লেটিং ব্যবহার করে সমান্তরালভাবে কাজ করেন :- ভূতাত্ত্বিক বিশ্লেষক →
{soil_url}অবস্থা থেকে সমাধান করা দেখেছেন - বোটানিক্যাল অ্যানালিস্ট →
{flora_url}অবস্থা থেকে সমাধান করা দেখেছেন - AstronomicalAnalyst →
{stars_url}এবং{project_id}সমাধান দেখতে পান
- ভূতাত্ত্বিক বিশ্লেষক →
- রুট অর্কেস্ট্রেটর সংশ্লেষণ করে (৩টির মধ্যে ২টির সমঝোতা)
- ToolContext → "🔦 BEACON ACTIVATED!" ব্যবহার করে confirm_location কল করা হয়েছে।
ডানদিকের ট্রেস প্যানেলটি সমস্ত এজেন্ট ইন্টারঅ্যাকশন এবং টুল কল দেখায়।
👉 পরীক্ষা শেষ হলে সার্ভার বন্ধ করতে টার্মিনালে Ctrl+C টিপুন।
ক্লাউড রানে স্থাপন করুন
সময়কাল: ৫ মিনিট
এখন A2A প্রস্তুতির জন্য আপনার মাল্টি-এজেন্ট সিস্টেমটি ক্লাউড রানে স্থাপন করুন।
এজেন্ট মোতায়েন করুন
👉💻 ADK CLI ব্যবহার করে ক্লাউড রানে স্থাপন করুন:
cd ~/way-back-home/level_1
source ~/way-back-home/set_env.sh
adk deploy cloud_run \
--project=$GOOGLE_CLOUD_PROJECT \
--region=$REGION \
--service_name=mission-analysis-ai \
--with_ui \
--a2a \
./agent
যখন Allow unauthenticated invocations to [mission-analysis-ai] (y/N)? , তখন সর্বজনীন অ্যাক্সেসের অনুমতি দিতে y লিখুন।
আপনার আউটপুটটি এরকম দেখা উচিত:
Building and deploying agent to Cloud Run...
✓ Container built successfully
✓ Deploying to Cloud Run...
✓ Service deployed: https://mission-analysis-ai-abc123-uc.a.run.app
Your agent is now live!
ক্লাউড রানে পরিবেশগত পরিবর্তনশীল সেট করুন
ডিপ্লয় করা এজেন্টের এনভায়রনমেন্ট ভেরিয়েবলে অ্যাক্সেস প্রয়োজন। পরিষেবাটি আপডেট করুন:
👉💻 প্রয়োজনীয় পরিবেশ ভেরিয়েবল সেট করুন:
gcloud run services update mission-analysis-ai \
--region=$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=$PARTICIPANT_ID,GOOGLE_GENAI_USE_VERTEXAI=True"
এজেন্টের URL সংরক্ষণ করুন
👉💻 স্থাপন করা URL টি পান:
export AGENT_URL=$(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
স্থাপনা যাচাই করুন
👉💻 আপনার ব্রাউজারে URL খুলে ডিপ্লয় করা এজেন্ট পরীক্ষা করুন ( --with_ui পতাকাটি ADK ওয়েব ইন্টারফেসটি ডিপ্লয় করেছে), অথবা কার্লের মাধ্যমে পরীক্ষা করুন:
curl -X GET "$AGENT_URL/list-apps"
আপনার এজেন্টের তালিকা সহ একটি প্রতিক্রিয়া দেখতে পাবেন।
উপসংহার
সময়কাল: ১ মিনিট
যাচাইকরণ চেকলিস্ট
✅ এমসিপি সার্ভার
- [ ] ক্লাউড রানে মোতায়েন করা হয়েছে
- [ ] analyze_geological টুল কাজ করে
- [ ] analyze_botanical টুল কাজ করে
✅ বিশেষজ্ঞ এজেন্ট
- [ ] ভূতাত্ত্বিক বিশ্লেষক রাজ্য থেকে {soil_url} ব্যবহার করেন
- [ ] বোটানিক্যালঅ্যানালিস্ট রাজ্য থেকে {flora_url} ব্যবহার করেন
- [ ] AstronomicalAnalyst রাজ্য থেকে {stars_url} এবং {project_id} ব্যবহার করে
✅ এজেন্টের_কলব্যাকের আগে
- [ ] ব্যাকএন্ড API থেকে অংশগ্রহণকারীদের ডেটা নিয়ে আসে
- [ ] সকল সাব-এজেন্টের জন্য স্টেট মান সেট করে
- [ ] পরিবেশ থেকে PARTICIPANT_ID এর সাথে কাজ করে
✅ প্যারালাল এজেন্ট
- [ ] তিনজন বিশেষজ্ঞ একই সাথে দৌড়ান
- [ ] InvocationContext এর মাধ্যমে স্টেট শেয়ার করা হয়েছে
✅ রুট অর্কেস্ট্রেটর
- [ ] ৩-এর মধ্যে ২-এর সমঝোতার সাথে সংশ্লেষিত করে
- [ ] confirm_location অবস্থা নির্ধারণের জন্য ToolContext ব্যবহার করে
- [ ] বীকন সক্রিয়!
✅ স্থাপনা
- [ ] ক্লাউড রানে এজেন্ট মোতায়েন করা হয়েছে
- [ ] A2A এন্ডপয়েন্ট অ্যাক্সেসযোগ্য
✅ বিশ্ব মানচিত্র
- [ ] বীকন এখন উজ্জ্বল (ম্লান নয়)
- [ ] হোভারে বায়োম প্রদর্শিত হয়
🎉 লেভেল ১ সম্পূর্ণ!
তোমার উদ্ধারকারী বাতিঘর এখন পূর্ণ শক্তিতে সম্প্রচার করছে। ত্রিকোণ সংকেতটি বায়ুমণ্ডলীয় হস্তক্ষেপের মধ্য দিয়ে ছিন্ন করে, একটি স্থির স্পন্দন যা বলে "আমি এখানে। আমি বেঁচে গেছি। আমাকে খুঁজে বের করো।"
কিন্তু এই গ্রহে তুমি একা নও। তোমার আলো যখন সক্রিয় হয়, তখন তুমি দেখতে পাও দিগন্ত জুড়ে জীবনের জন্য অন্যান্য আলো জ্বলজ্বল করছে — অন্যান্য বেঁচে যাওয়া ব্যক্তি, অন্যান্য দুর্ঘটনাস্থল, অন্যান্য অভিযাত্রী যারা এটি অতিক্রম করেছে।
লেভেল ২- এ, আপনি আগত SOS সংকেতগুলি প্রক্রিয়া করতে এবং অন্যান্য বেঁচে থাকা ব্যক্তিদের সাথে সমন্বয় করতে শিখবেন। উদ্ধার কেবল খুঁজে পাওয়া নয় - এটি একে অপরকে খুঁজে বের করার বিষয়ে।
সমস্যা সমাধান
"MCP_SERVER_URL সেট করা নেই" bash export MCP_SERVER_URL=$(gcloud run services describe location-analyzer \ --region=$REGION --format='value(status.url)')
"PARTICIPANT_ID সেট করা নেই" bash source ~/way-back-home/set_env.sh echo $PARTICIPANT_ID
"BigQuery টেবিল পাওয়া যায়নি" bash python setup/setup_star_catalog.py
"বিশেষজ্ঞরা URL গুলি চাইছেন" এর মানে হল {key} টেমপ্লেটিং কাজ করছে না। পরীক্ষা করুন: - before_agent_callback কি রুট এজেন্টে সেট করা আছে? - কলব্যাক সেটিং স্টেট মানগুলি কি সঠিকভাবে? - সাব-এজেন্টরা কি {soil_url} ব্যবহার করছে (f-স্ট্রিং নয়)?
"তিনটি বিশ্লেষণই একমত নয়" প্রমাণ পুনরুজ্জীবিত করুন: python generate_evidence.py
"এজেন্ট adk ওয়েবে সাড়া দিচ্ছে না" - পোর্ট 8000 সঠিক কিনা তা পরীক্ষা করুন - MCP_SERVER_URL এবং PARTICIPANT_ID সেট করা আছে কিনা তা যাচাই করুন - ত্রুটি বার্তাগুলির জন্য টার্মিনাল পরীক্ষা করুন
স্থাপত্যের সারাংশ
| উপাদান | আদর্শ | প্যাটার্ন | উদ্দেশ্য |
|---|---|---|---|
| সেটআপ_অংশগ্রহণকারী_প্রসঙ্গ | কলব্যাক | এজেন্ট_কলব্যাকের আগে | কনফিগারেশন আনুন, অবস্থা সেট করুন |
| ভূতাত্ত্বিক বিশ্লেষক | এজেন্ট | {soil_url} টেম্পলেটিং | মাটির শ্রেণীবিভাগ |
| উদ্ভিদবিদ্যা বিশ্লেষক | এজেন্ট | {flora_url} টেম্পলেটিং | উদ্ভিদ শ্রেণীবিভাগ |
| জ্যোতির্বিজ্ঞান বিশ্লেষক | এজেন্ট | {স্টার_ইউআরএল}, {প্রজেক্ট_আইডি} | তারা ত্রিভুজকরণ |
| অবস্থান নিশ্চিত করুন | টুল | ToolContext স্টেট অ্যাক্সেস | বীকন সক্রিয় করুন |
| প্রমাণ বিশ্লেষণ ক্রু | প্যারালাল এজেন্ট | সাব-এজেন্ট রচনা | একই সাথে বিশেষজ্ঞদের পরিচালনা করুন |
| মিশন অ্যানালাইসিসএআই | এজেন্ট (রুট) | অর্কেস্ট্রেটর + কলব্যাক | স্থানাঙ্ক + সংশ্লেষণ |
| অবস্থান-বিশ্লেষক | ফাস্টএমসিপি সার্ভার | কাস্টম এমসিপি | ভূতাত্ত্বিক + বোটানিক্যাল বিশ্লেষণ |
| bigquery.googleapis.com/mcp সম্পর্কে | OneMCP সম্পর্কে | পরিচালিত এমসিপি | BigQuery অ্যাক্সেস |
মূল ধারণাগুলি আয়ত্ত করা হয়েছে
✅ before_agent_callback : এজেন্ট চালানোর আগে কনফিগারেশন আনুন
✅ {key} স্টেট টেমপ্লেটিং : এজেন্ট নির্দেশাবলীতে স্টেট মান অ্যাক্সেস করুন
✅ ToolContext : টুল ফাংশনে স্টেট মান অ্যাক্সেস করুন
✅ স্টেট শেয়ারিং : InvocationContext এর মাধ্যমে সাব-এজেন্টদের কাছে প্যারেন্ট স্টেট স্বয়ংক্রিয়ভাবে উপলব্ধ।
✅ মাল্টি-এজেন্ট আর্কিটেকচার : একক দায়িত্ব সহ বিশেষায়িত এজেন্ট
✅ প্যারালাল এজেন্ট : স্বাধীন কাজের একযোগে সম্পাদন
✅ কাস্টম এমসিপি সার্ভার : ক্লাউড রানে আপনার নিজস্ব এমসিপি সার্ভার
✅ OneMCP BigQuery : ডাটাবেস অ্যাক্সেসের জন্য পরিচালিত MCP প্যাটার্ন
✅ ক্লাউড ডিপ্লয়মেন্ট : পরিবেশ ভেরিয়েবল ব্যবহার করে স্টেটলেস ডিপ্লয়মেন্ট
✅ A2A প্রস্তুতি : এজেন্ট আন্তঃ-এজেন্ট যোগাযোগের জন্য প্রস্তুত
গেমারদের জন্য নয়: বাস্তব-বিশ্বের অ্যাপ্লিকেশন
"আপনার অবস্থান চিহ্নিত করা" হল ঐক্যমত্যের সাথে সমান্তরাল বিশেষজ্ঞ বিশ্লেষণ - একসাথে একাধিক বিশেষায়িত AI বিশ্লেষণ পরিচালনা করা এবং ফলাফল সংশ্লেষণ করা।
এন্টারপ্রাইজ অ্যাপ্লিকেশন
| ব্যবহারের ধরণ | সমান্তরাল বিশেষজ্ঞরা | সংশ্লেষণের নিয়ম |
|---|---|---|
| চিকিৎসা রোগ নির্ণয় | চিত্র বিশ্লেষক, লক্ষণ বিশ্লেষক, ল্যাব বিশ্লেষক | ৩ জনের মধ্যে ২ জনের আত্মবিশ্বাসের সীমা |
| জালিয়াতি সনাক্তকরণ | লেনদেন বিশ্লেষক, আচরণ বিশ্লেষক, নেটওয়ার্ক বিশ্লেষক | যেকোনো ১টি পতাকা = পর্যালোচনা |
| ডকুমেন্ট প্রসেসিং | ওসিআর এজেন্ট, শ্রেণিবিন্যাস এজেন্ট, নিষ্কাশন এজেন্ট | সকলের একমত হতে হবে |
| মান নিয়ন্ত্রণ | ভিজ্যুয়াল ইন্সপেক্টর, সেন্সর বিশ্লেষক, স্পেক পরীক্ষক | ৩ জনের মধ্যে ২ জন পাস |
মূল স্থাপত্য অন্তর্দৃষ্টি
কনফিগারেশনের জন্য before_agent_callback : শুরুতে একবার কনফিগারেশন আনুন, সমস্ত সাব-এজেন্টের জন্য অবস্থা পূরণ করুন। সাব-এজেন্টগুলিতে কোনও কনফিগারেশন ফাইল রিডিং নেই।
{key} স্টেট টেমপ্লেটিং : ঘোষণামূলক, পরিষ্কার, বাগ্মী। কোনও f-স্ট্রিং নেই, কোনও আমদানি নেই, কোনও sys.path ম্যানিপুলেশন নেই।
ঐক্যমত্য প্রক্রিয়া : ৩টির মধ্যে ২টি চুক্তি সর্বসম্মত সম্মতির প্রয়োজন ছাড়াই অস্পষ্টতাকে দৃঢ়ভাবে মোকাবেলা করে।
স্বাধীন কাজের জন্য ParallelAgent : যখন বিশ্লেষণগুলি একে অপরের উপর নির্ভর করে না, তখন গতির জন্য সেগুলি একই সাথে চালান।
দুটি MCP প্যাটার্ন : কাস্টম (নিজের তৈরি করুন) বনাম OneMCP (গুগল-হোস্টেড)। উভয়ই StreamableHTTP ব্যবহার করে।
স্টেটলেস ডিপ্লয়মেন্ট : একই কোড লোকাল এবং ডিপ্লয়মেন্টে কাজ করে। এনভায়রনমেন্ট ভেরিয়েবল + ব্যাকএন্ড এপিআই = কন্টেইনারে কোন কনফিগার ফাইল নেই।
এরপর কী?
স্তর ২: SOS সিগন্যাল প্রক্রিয়াকরণ →
ঘটনা-চালিত প্যাটার্ন এবং আরও উন্নত এজেন্ট সমন্বয় ব্যবহার করে অন্যান্য বেঁচে থাকা ব্যক্তিদের কাছ থেকে আগত দুর্দশার সংকেতগুলি প্রক্রিয়া করতে শিখুন।