The Mission
Süre: 2 dakika
Acil durum yapay zekasına kendinizi tanıttınız ve işaretiniz artık gezegen haritasında yanıp sönüyor ancak bu, statik gürültü arasında kaybolan, zar zor görünen bir titremeden ibaret. Yörüngeden tarama yapan kurtarma ekipleri, koordinatlarınızda bir şey görebiliyor ancak kilitlenemiyor. Sinyal çok zayıf.
Sinyalinizi tam güce ulaştırmak için tam konumunuzu onaylamanız gerekir. Kapsülün navigasyon sistemi bozulmuş ancak kaza, kurtarılabilir kanıtları iniş alanına dağıtmıştır. Toprak örnekleri. Tuhaf bitki örtüsü. Uzaylıların gece gökyüzünün net görünümü.
Bu kanıtı analiz edip gezegenin hangi bölgesinde olduğunuzu belirleyebilirseniz yapay zeka, konumunuzu üçgenleme yöntemiyle belirleyebilir ve sinyal cihazı sinyalini güçlendirebilir. Ardından, belki de birileri sizi bulur.
Parçaları birleştirme zamanı.
Ön koşullar
⚠️ Bu seviye için 0. seviyenin tamamlanması gerekir.
Başlamadan önce şunlara sahip olduğunuzu doğrulayın:
- [ ] Katılımcı kimliğiniz ve koordinatlarınızla birlikte proje kökünde config.json
- [ ] Avatarınızın dünya haritasında görünür olması
- [ ] İşaretçinizin koordinatlarınızda (soluk) görünmesi
0. seviyeyi tamamlamadıysanız önce buradan başlayın.
Ne Oluşturacaksınız?
Bu seviyede, paralel işlemeyi kullanarak kaza yeri kanıtlarını analiz eden bir çoklu temsilci yapay zeka sistemi oluşturacaksınız:
Öğrenme Hedefleri
| Kavram | Neler Öğreneceksiniz? |
|---|---|
| Çoklu aracı sistemleri | Tek bir sorumluluğu olan uzmanlaşmış temsilciler oluşturma |
| ParallelAgent | Eşzamanlı olarak çalışacak bağımsız temsilciler oluşturma |
| before_agent_callback | Aracı çalıştırılmadan önce yapılandırmayı getirme ve durumu ayarlama |
| ToolContext | Araç işlevlerinde durum değerlerine erişme |
| Özel MCP Sunucuları | Zorunlu kalıpla araç oluşturma (Cloud Run'da Python kodu) |
| OneMCP BigQuery | BigQuery erişimi için Google'ın yönetilen MCP'sine bağlanma |
| Çok formatlı yapay zeka | Gemini ile görüntüleri ve video+ses içeriklerini analiz etme |
| Aracı Düzenleme (Agent Orchestration) | Bir kök düzenleyiciyle birden fazla aracı koordine etme |
| Cloud Deployment | MCP sunucusunu ve aracısını Cloud Run'a dağıtma |
| A2A Hazırlığı | Gelecekteki aracıdan aracıya iletişim için aracıları yapılandırma |
Gezegenin Biyomları
Gezegen yüzeyi, her biri benzersiz özelliklere sahip dört farklı biyoma ayrılmıştır:
Koordinatlarınız, hangi biyomda kaza yaptığınızı belirler. Kaza yerinizdeki kanıtlar, biyomun özelliklerini yansıtır:
| Biyom | Kuadrant | Jeolojik Kanıt | Botanical Evidence | Astronomik Kanıt |
|---|---|---|---|---|
| 🧊 CRYO | NW (x<50, y≥50) | Donmuş metan, buz kristalleri | Buz eğrelti otları, kriyoflora | Mavi dev yıldız |
| 🌋 VOLCANIC | NE (x≥50, y≥50) | Obsidiyen,ite deposits | Ateş çiçekleri, ısıya dayanıklı bitkiler | Kırmızı cüce ikilisi |
| 💜 BIOLUMINESCENT (BIOLUMINESCENT) | SW (x<50, y<50) | Fosforlu toprak | Parlayan mantarlar, ışık yayan bitkiler | Yeşil pulsar |
| 🦴 FOSSILIZED | SE (x≥50, y<50) | Kehribar yatakları, ite mineralleri | Taşlaşmış ağaçlar, antik flora | Sarı güneş |
Göreviniz: Kanıtları analiz edebilen ve hangi biyomda olduğunuzu çıkarabilen yapay zeka temsilcileri oluşturmak.
Ortamınızı ayarlama
Süre: 3 dakika
Kanıt oluşturmadan önce, BigQuery için OneMCP de dahil olmak üzere gerekli Google Cloud API'lerini etkinleştirmeniz gerekir. OneMCP, BigQuery'ye yönetilen MCP erişimi sağlar.
Ortam kurulumu komut dosyasını çalıştırma
👉💻 Ortam kurulumu komut dosyasını çalıştırın:
cd ~/way-back-home/level_1
chmod +x setup/setup_env.sh
./setup/setup_env.sh
Şuna benzer bir çıkış görürsünüz:
================================================================
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!
================================================================
Kaynak Ortam Değişkenleri
👉💻 Ortam değişkenlerini kaynaklayın:
source ~/way-back-home/set_env.sh
Sanal ortam oluşturma
👉💻 1. Seviye için Python sanal ortamını oluşturun ve etkinleştirin:
cd ~/way-back-home/level_1
python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
Yıldız Kataloğu'nu ayarlama
👉💻 BigQuery'de yıldız kataloğunu ayarlayın:
python setup/setup_star_catalog.py
Aşağıdaki bilgileri görürsünüz:
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!
Kaza Yeri Kanıtı Oluşturma
Süre: 2 dakika
Artık koordinatlarınıza göre kişiselleştirilmiş kaza yeri kanıtları oluşturabilirsiniz.
Kanıt Oluşturucu'yu çalıştırma
👉💻 level_1 dizininde (venv etkinleştirilmişken) şu komutu çalıştırın:
cd ~/way-back-home/level_1
python generate_evidence.py
Şuna benzer bir çıkış görürsünüz:
✓ 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!
==================================================
Kanıtınızı İnceleyin
👉 outputs/ klasöründe oluşturulan kanıt dosyalarınıza göz atın. Her biri, kaza yerinizin biyom özelliklerini yansıtır. Ancak yapay zeka aracılarınız bunları analiz edene kadar hangi biyom olduğunu bilemezsiniz.
Oluşturulan kanıtınız, bulunduğunuz yere bağlı olarak aşağıdakine benzer şekilde görünebilir:
Özel MCP sunucusunu oluşturma
Süre: 8 dakika
Kaçış kapsülünüzün yerleşik analiz sistemleri hasar görmüş ancak ham sensör verileri kazadan kurtulmuş. FastMCP ile jeolojik ve botanik analiz araçları sağlayan bir MCP sunucusu oluşturacaksınız.
Jeolojik Analiz Aracı'nı oluşturma
Bu araç, mineral bileşimini belirlemek için toprak numunesi görüntülerini analiz eder.
👉✏️ mcp-server/main.py uygulamasını açın ve #REPLACE-GEOLOGICAL-TOOL seçeneğini bulun. Şununla değiştirin:
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}
Botanical Analysis Tool'u oluşturma
Bu araç, ses parçası da dahil olmak üzere flora video kayıtlarını analiz eder.
👉✏️ #REPLACE-BOTANICAL-TOOL simgesini bulup aşağıdakilerle değiştirin:
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}
MCP sunucusunu yerel olarak test etme
👉💻 MCP sunucusunu test edin:
cd ~/way-back-home/level_1/mcp-server
pip install -r requirements.txt
python main.py
Aşağıdaki bilgileri görürsünüz:
[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 sunucusu artık HTTP aktarımıyla çalışıyor. Durdurmak için Ctrl+C düğmesine basın.
MCP sunucusunu Cloud Run'a dağıtma
👉💻 Dağıtma:
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="$SERVICE_ACCOUNT"
Hizmet URL'sini kaydetme
👉💻 Hizmet URL'sini kaydedin:
export MCP_SERVER_URL=$(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
Uzman Ajanları Oluşturma
Süre: 8 dakika
Şimdi her biri tek bir sorumluluğa sahip üç uzman aracı oluşturacaksınız.
Jeoloji Analisti Aracısı'nı oluşturma
👉✏️ agent/agents/geological_analyst.py uygulamasını açın ve #REPLACE-GEOLOGICAL-AGENT seçeneğini bulun. Şununla değiştirin:
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()]
)
Botanical Analyst Agent'ı oluşturma
👉✏️ agent/agents/botanical_analyst.py uygulamasını açın ve #REPLACE-BOTANICAL-AGENT seçeneğini bulun. Şununla değiştirin:
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()]
)
Astronomik Analist Aracısı oluşturma
Bu aracı, iki araç kalıbı kullanarak farklı bir yaklaşımla çalışır:
- Local FunctionTool: Yıldız özelliklerini ayıklamak için Gemini Vision
- OneMCP BigQuery: Google'ın yönetilen MCP'si aracılığıyla yıldız kataloğunu sorgulama
👉✏️ agent/agents/astronomical_analyst.py uygulamasını açın ve #REPLACE-ASTRONOMICAL-AGENT seçeneğini bulun. Şununla değiştirin:
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 aracı bağlantılarını oluşturma
Süre: 8 dakika
Dağıtılan MCP sunucunuza bağlanan araç sarmalayıcıları oluşturun.
MCP aracı bağlantısı oluşturma (özel MCP)
Bu, Cloud Run'da dağıtılan özel FastMCP sunucunuza bağlanır.
👉✏️ agent/tools/mcp_tools.py uygulamasını açın ve #REPLACE-MCP-TOOL-CONNECTION seçeneğini bulun. Şununla değiştirin:
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()
Yıldız Analizi Araçları Oluşturma (OneMCP BigQuery)
Bu bölümde, yönetilen MCP deseni gösterilmektedir. Kendi BigQuery istemci kodumuzu yazmak yerine Google'ın OneMCP BigQuery sunucusuna bağlanıyoruz.
👉✏️ agent/tools/star_tools.py uygulamasını açın ve #REPLACE-STAR-TOOLS seçeneğini bulun. Şununla değiştirin:
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)
Orchestrator'ı oluşturma
Süre: 8 dakika
Şimdi her şeyi koordine eden paralel ekip ve kök düzenleyiciyi oluşturun.
Paralel Analiz Ekibi'ni oluşturma
Öncelikle, geri çağırma işlevini ve uzmanları eşzamanlı olarak çalıştıran ParallelAgent'ı oluşturalım.
👉✏️ agent/agent.py uygulamasını açın ve #REPLACE-PARALLEL-CREW seçeneğini bulun. Şununla değiştirin:
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]
)
Kök düzenleyiciyi oluşturma
Şimdi her şeyi koordine eden ve geri aramayı kullanan kök temsilciyi oluşturun.
👉✏️ Aynı dosyada (agent/agent.py) #REPLACE-ROOT-ORCHESTRATOR ifadesini bulun. Şununla değiştirin:
# =============================================================================
# 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
)
Konum Onaylama Aracı'nı oluşturma
Bu araç, geri çağırma tarafından ayarlanan durum değerlerini okumak için ToolContext kullanır.
👉✏️ agent/tools/confirm_tools.py bölümünde #REPLACE-CONFIRM-TOOL öğesini bulun. Şununla değiştirin:
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 Web Kullanıcı Arayüzü ile test etme
Süre: 5 dakika
Şimdi de çoklu aracı sisteminin tamamını yerel olarak test edelim.
ADK Web Sunucusu'nu başlatma
👉💻 Ortam değişkenlerini ayarlayın ve ADK web sunucusunu başlatın:
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: $MCP_SERVER_URL"
# Start ADK web server
adk web
Aşağıdaki bilgileri görürsünüz:
+-----------------------------------------------------------------------------+
| ADK Web Server started |
| |
| For local testing, access at http://localhost:8000. |
+-----------------------------------------------------------------------------+
INFO: Application startup complete.
INFO: Uvicorn running on http://0.0.0.0:8000 (Press CTRL+C to quit)
Web kullanıcı arayüzüne erişme
👉 Cloud Shell araç çubuğundaki (sağ üst) Web önizlemesi simgesinden Bağlantı noktasını değiştir'i seçin.
👉 Bağlantı noktasını 8000 olarak ayarlayın ve "Değiştir ve Önizle"'yi tıklayın.
👉 ADK Web kullanıcı arayüzü açılır. Açılır menüden agent'ı seçin.
Analizi çalıştırma
👉 Sohbet arayüzünde şunu yazın:
Analyze the evidence from my crash site and confirm my location to activate the beacon.
Çoklu temsilci sistemini iş başında görün:
- before_agent_callback önce çalışarak katılımcı verilerinizi getirir.
- Kök düzenleyici, durum dolu olarak isteğinizi alır.
- EvidenceAnalysisCrew etkinleştirilir (ParallelAgent).
{key}şablonunu kullanarak üç uzman paralel olarak çalışır:- GeologicalAnalyst →
{soil_url}durumunun çözüldüğünü görüyor - BotanicalAnalyst →
{flora_url}durumunun çözüldüğünü görüyor - AstronomicalAnalyst →
{stars_url}ve{project_id}kullanıcıların sorunlarını çözdü
- GeologicalAnalyst →
- Kök düzenleyici sentezleme (3'te 2 anlaşma)
- ToolContext ile confirm_location called → "🔦 BEACON ACTIVATED!" ("🔦 BEACON ETKİNLEŞTİRİLDİ!")
Sağdaki izleme panelinde tüm aracı etkileşimleri ve araç çağrıları gösterilir.
👉 Testi tamamladığınızda sunucuyu durdurmak için terminalde Ctrl+C tuşuna basın.
Cloud Run'a dağıt
Süre: 5 dakika
Şimdi çok agent'lı sisteminizi A2A hazırlığı için Cloud Run'a dağıtın.
Aracıyı dağıtma
👉💻 ADK KSA'yı kullanarak Cloud Run'a dağıtma:
cd ~/way-back-home/level_1
source ~/way-back-home/set_env.sh
adk deploy cloud_run \
--project=$GOOGLE_CLOUD_PROJECT \
--region=$REGION \
--service_name=mission-analysis-ai \
--with_ui \
--a2a \
./agent
İstendiğinde Allow unauthenticated invocations to [mission-analysis-ai] (y/N)?, herkese açık erişime izin vermek için y yazın.
Şuna benzer bir çıkış görürsünüz:
Building and deploying agent to Cloud Run...
✓ Container built successfully
✓ Deploying to Cloud Run...
✓ Service deployed: https://mission-analysis-ai-abc123-uc.a.run.app
Your agent is now live!
Cloud Run'da ortam değişkenlerini ayarlama
Dağıtılan aracının ortam değişkenlerine erişmesi gerekir. Hizmeti güncelleyin:
👉💻 Gerekli ortam değişkenlerini ayarlayın:
gcloud run services update mission-analysis-ai \
--region=$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=$PARTICIPANT_ID,GOOGLE_GENAI_USE_VERTEXAI=True"
Temsilci URL'sini kaydetme
👉💻 Dağıtılan URL'yi alma:
export AGENT_URL=$(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
Dağıtımı doğrulama
👉💻 Tarayıcınızda URL'yi açarak (--with_ui işareti ADK web arayüzünü dağıttı) veya curl üzerinden test ederek dağıtılan temsilciyi test edin:
curl -X GET "$AGENT_URL/list-apps"
Temsilcinizin listelendiği bir yanıt görürsünüz.
Sonuç
Süre: 1 dakika
Doğrulama yapılacaklar listesi
✅ MCP Sunucusu
- [ ] Cloud Run'a dağıtıldı
- [ ] analyze_geological aracı çalışıyor
- [ ] analyze_botanical aracı çalışıyor
✅ Uzman Temsilciler
- [ ] GeologicalAnalyst, {soil_url} kullanıyor.
- [ ] BotanicalAnalyst, {flora_url} kullanıyor.
- [ ] AstronomicalAnalyst, {stars_url} ve {project_id} kullanıyor.
✅ before_agent_callback
- [ ] Katılımcı verilerini arka uç API'sinden getirir
- [ ] Tüm alt aracıların durum değerlerini ayarlar
- [ ] Ortamdaki PARTICIPANT_ID ile çalışır
✅ ParallelAgent
- [ ] Üç uzman da aynı anda çalışır
- [ ] Durum, InvocationContext aracılığıyla paylaşılır.
✅ Root Orchestrator
- [ ] 2/3 anlaşmasıyla sentezlenir
- [ ] confirm_location, durum için ToolContext'i kullanır
- [ ] Beacon etkinleşir.
✅ Dağıtım
- [ ] Aracı Cloud Run'a dağıtıldı
- [ ] A2A uç noktasına erişilebiliyor
✅ Dünya Haritası
- [ ] İşaret artık PARLAK (soluk değil)
- [ ] Fareyle üzerine gelindiğinde biyom gösteriliyor
🎉 1. seviye tamamlandı!
Kurtarma sinyaliniz artık tam güçte yayınlanıyor. Üçgenlenmiş sinyal, atmosferik paraziti keserek "Buradayım. Hayatta kaldım. Gelip beni bul."
Ancak bu gezegende yalnız değilsiniz. Feneriniz etkinleştiğinde ufukta diğer ışıkların yanıp söndüğünü fark edersiniz: Diğer hayatta kalanlar, diğer kaza yerleri, diğer kaşifler.
2. seviyede, gelen acil yardım sinyallerini işlemeyi ve diğer kurtulanlarla koordineli çalışmayı öğreneceksiniz. Kurtarma sadece bulunmakla ilgili değil, birbirini bulmakla da ilgilidir.
Sorun giderme
"MCP_SERVER_URL ayarlanmadı"
bash
export MCP_SERVER_URL=$(gcloud run services describe location-analyzer \
--region=$REGION --format='value(status.url)')
"PARTICIPANT_ID ayarlanmadı"
bash
source ~/way-back-home/set_env.sh
echo $PARTICIPANT_ID
"BigQuery tablosu bulunamadı"
bash
python setup/setup_star_catalog.py
"Uzmanlar URL istiyor"
Bu, {key} şablonunun çalışmadığı anlamına gelir. Şunları kontrol edin:
- before_agent_callback kök aracısında ayarlanmış mı?
- Geri arama ayarı, durum değerlerini doğru şekilde ayarlıyor mu?
- Alt aracılar {soil_url} kullanıyor mu (f-string değil)?
"Üç analiz de aynı fikirde değil"
Kanıtı yeniden oluşturun: python generate_evidence.py
"Agent not responding in adk web" (Agent, adk web'de yanıt vermiyor) - 8000 numaralı bağlantı noktasının doğru olup olmadığını kontrol edin. - MCP_SERVER_URL ve PARTICIPANT_ID'nin ayarlanıp ayarlanmadığını doğrulayın. - Terminalde hata mesajları olup olmadığını kontrol edin.
Mimari Özet
| Bileşen | Tür | Kalıp | Amaç |
|---|---|---|---|
| setup_participant_context | Geri Arama | before_agent_callback | Yapılandırmayı getirme, durumu ayarlama |
| GeologicalAnalyst | Temsilci | {soil_url} şablonu | Toprak sınıflandırması |
| BotanicalAnalyst | Temsilci | {flora_url} şablon oluşturma | Flora sınıflandırması |
| AstronomicalAnalyst | Temsilci | {stars_url}, {project_id} | Yıldız üçgenleme |
| confirm_location | Araç | ToolContext durumuna erişim | Beacon'ı etkinleştirme |
| EvidenceAnalysisCrew | ParallelAgent | Alt temsilci bileşimi | Uzmanları eşzamanlı olarak çalıştırma |
| MissionAnalysisAI | Temsilci (Kök) | Orchestrator + geri çağırma | Koordinasyon + sentez |
| location-analyzer | FastMCP Sunucusu | Özel MCP | Jeolojik ve botanik analiz |
| bigquery.googleapis.com/mcp | OneMCP | Yönetilen MCP | BigQuery erişimi |
Uzmanlaşılan Temel Kavramlar
✅ before_agent_callback: Yapılandırmayı aracı çalışmadan önce getirme
✅ {key} State Templating: Aracı talimatlarında durum değerlerine erişme
✅ ToolContext: Araç işlevlerinde durum değerlerine erişme
✅ State Sharing: InvocationContext aracılığıyla alt aracılar için otomatik olarak kullanılabilen üst durum
✅ Multi-Agent Architecture: Tek sorumluluklara sahip özel aracılar
✅ ParallelAgent: Bağımsız görevlerin eşzamanlı olarak yürütülmesi
✅ Custom MCP Server: Cloud Run'da kendi MCP sunucunuz
✅ OneMCP BigQuery: Veritabanı erişimi için yönetilen MCP kalıbı
✅ Cloud Deployment: Ortam değişkenlerini kullanarak durumsuz dağıtım
✅ A2A Preparation: Aracılar arası iletişime hazır aracı
Oyun Oynamayanlar İçin: Gerçek Hayattaki Uygulamalar
"Konumunuzu belirleme", Uzmanların Paralel Analizi ve Uzlaşma'yı (aynı anda birden fazla uzmanlaşmış yapay zeka analizi yapma ve sonuçları sentezleme) ifade eder.
Kurumsal Uygulamalar
| Kullanım Örneği | Parallel Experts | Sentez Kuralı |
|---|---|---|
| Tıbbi Teşhis | Görüntü analisti, belirti analisti, laboratuvar analisti | 2/3 güven eşiği |
| Sahtekarlık Tespiti | İşlem analisti, davranış analisti, ağ analisti | 1 işaret = inceleme |
| Belge İşleme | OCR aracısı, sınıflandırma aracısı, ayıklama aracısı | Herkesin kabul etmesi gerekiyor |
| Kalite Kontrolü | Görsel denetçi, sensör analisti, spesifikasyon kontrolü | 2/3 geçiş |
Temel Mimari Analizler
Yapılandırma için before_agent_callback: Yapılandırmayı başlangıçta bir kez getirin, tüm alt aracıların durumunu doldurun. Alt aracılarda yapılandırma dosyası okunmaz.
{key} State Templating: Bildirimsel, temiz ve deyimseldir. f-string'ler, içe aktarmalar ve sys.path manipülasyonu yok.
Konsensüs mekanizmaları: 3'te 2 anlaşma, oybirliği gerektirmeden belirsizliği güçlü bir şekilde ele alır.
Bağımsız görevler için ParallelAgent: Analizler birbirine bağlı olmadığında, hız için bunları eşzamanlı olarak çalıştırın.
İki MCP kalıbı: Özel (kendi MCP'nizi oluşturun) ve OneMCP (Google tarafından barındırılan). Her ikisi de StreamableHTTP kullanır.
Durumsuz dağıtım: Aynı kod hem yerel olarak hem de dağıtılmış şekilde çalışır. Ortam değişkenleri + arka uç API'si = kapsayıcılarda yapılandırma dosyası yok.
Sırada ne var?
2. Seviye: SOS Sinyal İşleme →
Etkinliğe dayalı kalıpları ve daha gelişmiş aracı koordinasyonunu kullanarak diğer hayatta kalanlardan gelen tehlike sinyallerini işlemeyi öğrenin.