Panduan Membina Ejen ADK dengan Kemahiran Berkesan

Utama » Python » Panduan Membina Ejen ADK dengan Kemahiran Berkesan

Ejen pintar yang dibina dengan Kit Pembangunan Ejen (ADK) dengan pantas menjadi tulang belakang aplikasi berkuasa AI moden, jauh melangkaui bot sembang sekali gus yang hanya menjawab soalan. Dengan sistem kemahiran yang betul, ejen-ejen ini boleh membuat penaakulan, merancang, memanggil alatan, bekerjasama dengan ejen lain dan juga memperhalusi kerja mereka sendiri dalam gelung, semuanya sambil mengekalkan penggunaan token dan kependaman di bawah kawalan hasil daripada teknik pendedahan progresif.

Dalam panduan mendalam ini, anda akan menerangkan cara mereka bentuk, menstruktur dan mengatur ejen ADK dengan kemahiran, daripada ejen tunggal asas sehingga aliran kerja berbilang ejen yang berjalan secara berurutan, dalam gelung dan selari. Anda juga akan melihat bagaimana susunan dunia sebenar seperti makmal kod ADK Google, kemahiran komuniti dan rangka kerja orkestrasi seperti AgentKit 2.0 menggunakan corak seperti Router, SequentialAgent, LoopAgent dan ParallelAgent, serta bagaimana syarikat seperti Q2BSTUDIO menggabungkannya dengan platform awan dan keselamatan siber untuk menghantar sistem sedia pengeluaran.

Mengapa ejen ADK yang mempunyai kemahiran penting untuk pasukan perisian moden

Ledakan AI dalam pembangunan perisian telah mendorong pasukan untuk mencari cara untuk merangkum kepakaran dan aliran kerja ke dalam unit yang boleh diguna semula dan boleh dikomposkan.ADK menjawab keperluan ini dengan membolehkan anda menggabungkan tingkah laku, peraturan domain dan alatan ke dalam ejen yang boleh digunakan semula merentasi projek, pasukan dan juga produk.

Teras pendekatan ini ialah Kemahiran Ejen, yang merupakan modul pengetahuan kendiri yang boleh dimuatkan oleh ejen atas permintaan. Daripada menggabungkan setiap garis panduan dan peraturan ke dalam satu gesaan besar-besaran, kemahiran menggunakan pendedahan progresif seni bina: arahan, aset dan skrip hanya didedahkan apabila diperlukan, yang memastikan konteks tidak terganggu dan prestasi tinggi walaupun anda mempunyai ratusan kemahiran yang dipasang.

Kecekapan ini penting dalam dunia di mana belanjawan token, latensi dan kos pengiraan adalah kekangan sebenar.Memuatkan setiap panduan gaya, spesifikasi API dan peraturan operasi ke dalam satu gesaan tidak berskala. Kemahiran membolehkan anda menyimpan pengetahuan "sejuk" pada cakera (atau dalam repositori) dan menariknya ke dalam konteks ejen hanya apabila keupayaan tertentu relevan.

Syarikat seperti Q2BSTUDIO memanfaatkan model ini untuk membina sistem AI yang disesuaikan untuk perusahaan, menggabungkan risikan perniagaan, pengetahuan domain dan amalan keselamatan siber moden. Dengan cara itu, ejen bukan sahaja berkebolehan dan peka terhadap konteks, tetapi juga tahan lasak terhadap vektor serangan biasa dalam landskap ancaman hari ini.

Memahami seni bina pendedahan progresif kemahiran ADK

Kemahiran gaya ADK biasanya mengikuti model pemuatan tiga peringkat yang memastikan konteks ejen tertumpu sambil masih membenarkan pengkhususan domain mendalam apabila diperlukan. Anda boleh menganggapnya sebagai saluran paip berperingkat untuk pengetahuan:

Tahap 1 – PenemuanApabila perbualan bermula, ejen hanya melihat katalog kemahiran yang tersedia: nama dan penerangan ringkas mereka. Tiada maklumat lanjut yang dimuatkan lagi. Ini sudah cukup untuk ejen memutuskan kemahiran yang mungkin berkaitan dengan permintaan pengguna.

Tahap 2 – Arahan: sebaik sahaja kemahiran dianggap sepadan, ejen membacanya SKILL.md atau fail arahan yang setara. Dokumen ini menyediakan panduan, corak dan peraturan terperinci untuk kemahiran tersebut dan ditarik ke dalam konteks model hanya apabila perlu.

Aras 3 – Sumber: aset besar seperti skema besar, senarai semak panjang, skrip atau dokumen lanjutan kekal pada sistem fail sebagai rujukan

dan diambil atas permintaan hanya jika kemahiran tersebut secara khusus menunjukkannya. Ejen membaca atau melaksanakan sumber ini mengikut keperluan, dan bukannya sentiasa memaparkannya dalam gesaan utama.

Corak ini penting untuk rangka kerja seperti AgentKit 2.0 dan persediaan berasaskan AntigravitiAnda boleh memasang kemahiran terus ke dalam ejen yang serasi (Claude Code, Cursor, Antigravity dan lain-lain) menggunakan arahan seperti npx add-skill vercel-labs/agent-skills, yang mengklon repositori kemahiran, meletakkannya ke dalam direktori yang betul dan menjadikannya boleh ditemui tanpa gesaan penyuntingan manual.

Corak reka bentuk untuk menstrukturkan kemahiran ADK

Menulis kemahiran baharu dari awal selalunya kurang mengenai perkakasan dan lebih kepada reka bentuk kandunganSpesifikasi ADK biasanya memberitahu anda cara menstrukturkan pakej (frontmatter dalam YAML, references/, assets/, scripts/ direktori dan sebagainya), tetapi ia tidak memberitahu anda cara menulis arahan sebenar. Di situlah corak reka bentuk yang boleh diguna semula memainkan peranan.

Pengamal yang telah membina berpuluh-puluh kemahiran melaporkan bahawa segelintir corak struktur merangkumi kebanyakan kes penggunaan dunia sebenarLima daripada yang paling berguna ialah:

Pembalut Alat: corak ini merangkumi konvensyen dan amalan terbaik perpustakaan atau platform tertentu ke dalam kemahiran. Arahan menerangkan peraturan yang perlu dipatuhi, manakala references/ menyimpan dokumentasi rasmi. Biasanya tiada templat atau skrip; tujuannya adalah untuk memberi ejen "model mental" alat seperti FastAPI, React atau Postgres.

Generator: di sini, kemahiran menghasilkan output berstruktur yang konsisten menggunakan templat yang disimpan dalam assets/Contohnya termasuk dokumen API, mesej komit, laporan teknikal atau log perubahan. Arahan menentukan peraturan kualiti, manakala templat menentukan bentuk output, jadi anda mendapat format yang boleh diulang dengan kandungan yang berbeza setiap kali.

Pengulas: corak ini memisahkan apa untuk menyemak daripada bagaimana untuk menyemaknya. Fail senarai semak dalam references/ menggariskan item untuk disahkan (keselamatan, gaya, seni bina, dll.), manakala arahan menentukan protokol semakan: mengumpulkan dapatan mengikut keterukan, menuntut justifikasi, mencadangkan pembetulan. Tukar fail senarai semak dan anda secara efektif akan mendapat pengulas baharu tanpa menulis semula kemahiran tersebut.

Temu bual (Pembalikan): daripada bertindak serta-merta, kemahiran tersebut terlebih dahulu menemu bual pengguna melalui soalan berstruktur secara berfasa, dengan pintu seperti "jangan mula membina sehingga semua fasa selesai". Ini menghalang ejen daripada membuat andaian besar dan memaksanya untuk menjelaskan matlamat dan kekangan sebelum menghasilkan output terperinci.

Paip: corak ini mengekod aliran kerja berbilang langkah dengan get eksplisit merentasi langkah, seperti “jangan teruskan ke langkah 3 sehingga pengguna mengesahkan”. Ia lebih kompleks daripada yang lain, tetapi ia satu-satunya yang boleh menghalang ejen daripada melangkau peringkat pengesahan dengan andal. Kemahiran saluran paip boleh menggabungkan langkah Pengulas, output Penjana atau fasa Temu Bual dalam aliran yang sama.

Kemahiran dunia sebenar daripada Google, Vercel dan Supabase sering menggabungkan dua atau lebih corak ini bagi setiap kemahiranContohnya, kemahiran tadbir urus mungkin menemu bual pengguna tentang kekangan projek, kemudian menjalankan saluran semakan menggunakan senarai semak yang berbeza dan menjana laporan tadbir urus dengan Penjana dipacu templat.

Daripada ejen tunggal kepada sistem berbilang ejen dengan ADK

Sebaik sahaja anda memahami bagaimana kemahiran menggabungkan pengetahuan, langkah seterusnya adalah untuk melihat bagaimana ejen ADK mengatur pengetahuan tersebut dalam aliran kerja.Makmal kod ADK rasmi Google merupakan rujukan yang sangat baik: ia membimbing anda daripada ejen tunggal asas melalui alatan, memori dan koordinasi berbilang ejen, semuanya dalam buku nota Colab yang praktikal.

Perjalanan bermula dengan ejen pertama anda yang dibina dengan RunnerDalam codelab, anda mentakrifkan day_trip_agent yang misinya adalah untuk merangka jadual perjalanan satu hari yang menghormati pilihan dan bajet pengguna. Tiga komponen menggambarkan model interaksi ADK umum:

Ejen ialah "otak" yang ditakrifkan oleh arahannya, model asas (contohnya Gemini) dan alatan yang boleh dipanggilnya. Dalam contoh tersebut, ejen mempunyai garis panduan terperinci serta akses kepada Carian Google.

Sesi berfungsi sebagai stor memori perbualan, menyimpan sejarah penuh mesej pengguna dan respons ejen. Menggunakan semula objek sesi yang sama memastikan konteks hidup merentasi giliran.

Runner yang menyelaras pelaksanaan dengan mengambil ejen dan sesi, memproses setiap pertanyaan pengguna dan mengembalikan jawapan

sambil mengemas kini sesi sepanjang prosesPembantu utiliti seperti run_agent_query() rangkuman gelung ini supaya anda boleh mencetuskan ejen dengan mudah melalui ujian atau integrasi UI.

Membaca contoh pertama ini menunjukkan bagaimana arahan yang baik bersambung terus dengan gesaan penggunaPertanyaan ujian mungkin meminta lawatan sehari yang "mesra bajet" dan "santai", dan kerana arahan menekankan aspek kos yang berpatutan, ejen tersebut menggabungkan pertimbangan bajet ke dalam jawapannya dengan andal.

Menyambungkan alat tersuai kepada ejen ADK anda

Ejen menjadi benar-benar berkuasa sebaik sahaja mereka boleh memanggil API dan perkhidmatan dalaman anda sendiri dan bukannya sekadar alat generik seperti carian webADK memudahkan perkara ini dengan menukar fungsi biasa kepada alatan berdasarkan tandatangan dan rentetan dokumentasi mereka.

Dalam codelab, contoh mudah menggunakan fungsi Python yang memanggil API cuaca masa nyataFungsi seperti get_live_weather_forecast(location: str) mengambil data semasa daripada perkhidmatan cuaca awam dan mengembalikan maklumat berstruktur, katakan suhu dan keadaan dalam kamus.

Bahagian penting ialah docstringADK menghuraikan rentetan dokumentasi fungsi untuk memahami apa yang dilakukan oleh alat, argumen yang diperlukan dan apa yang dikembalikannya. Model bahasa membaca penerangan tersebut dan memutuskan bila dan cara memanggil alat semasa penaakulan.

Untuk menyambungkan alat tersebut ke dalam ejen, anda hanya perlu memasukkannya sebagai sebahagian daripada senarai alat semasa permulaan., Sebagai contoh tools=[get_live_weather_forecast]Arahan daripada weather_agent kemudian boleh secara eksplisit memberitahu model untuk memanggil alat ini sebelum mencadangkan aktiviti luar.

Semasa ujian, gesaan seperti “Saya ingin mendaki berhampiran Lake Tahoe, bagaimana cuacanya?” akan mencetuskan alat secara langsung., kerana misi dan arahan ejen berkeras untuk menggunakan ramalan langsung sebelum mengesyorkan pelan. Corak ini digeneralisasikan kepada API anda sendiri: inventori, harga, CRM, analitik atau sebarang bahagian belakang yang boleh anda bungkus sebagai fungsi.

Corak Ejen-sebagai-Alat: membina pasukan pakar

Daripada meletakkan setiap tanggungjawab ke dalam satu ejen monolitik, ADK menggalakkan anda untuk mewujudkan satu pasukan pakar yang lebih kecilKuncinya ialah corak Ejen-sebagai-Alat, yang mana seorang ejen boleh memanggil ejen lain seolah-olah ia hanyalah alat lain.

Demonstrasi tipikal dalam codelabs membina sistem perancangan perjalanan berlapis:

Ejen pakar mengendalikan domain sempit: a food_critic_agent yang hanya mencadangkan restoran, a db_agent yang menanyakan data hotel, dan a concierge_agent yang bertindak sebagai pembantu yang sopan untuk interaksi yang menghadap pengguna.

Penjaga itu sendiri menganggap pengkritik makanan sebagai alat, mendelegasikan pemilihan restoran kepada pengkritik dan kemudian menyusun semula hasilnya dalam bahasa yang lebih mesra pengguna.

Di bahagian atas terdapat ejen orkestrator, seperti trip_data_concierge_agent, yang tugasnya adalah untuk memahami permintaan keseluruhan pengguna dan memutuskan pakar mana yang hendak dipanggil melalui fungsi pembalut khusus seperti call_db_agent and call_concierge_agent.

Apabila anda menjalankan pertanyaan seperti "cari saya hotel dan restoran berdekatan", log daripada alatan menunjukkan rantaian pendelegasian: orkestrator menghubungi ejen DB untuk hotel, kemudian ejen concierge untuk nasihat restoran, dan concierge pula menghubungi pengkritik makanan. Setiap ejen kekal fokus pada domainnya sendiri sementara orkestrator mengendalikan komposisi.

Pendekatan ini sejajar dengan cara AgentKit 2.0 menstrukturkan 16 ejen khusus mereka. merentasi bahagian hadapan, bahagian belakang, keselamatan, pengujian dan infrastruktur. Setiap ejen dilengkapi dengan kemahiran khusus domain (amalan terbaik React, persediaan pangkalan data, audit keselamatan, aliran penggunaan dan banyak lagi), dan seorang orchestrator menyusunnya untuk mencapai matlamat yang lebih besar seperti "membina dan menggunakan modul pengesahan pengguna".

Memberi ingatan kepada ejen: sesi dan perancangan adaptif

Untuk berasa benar-benar bijak, ejen perlu mengingati konteks merentasi pelbagai pusingan, menyesuaikan rancangan sebagai tindak balas kepada maklum balas dan bukannya menganggap setiap mesej sebagai permulaan yang baharu. Di sinilah sesi dan pengurusan memori memainkan peranan.

Dalam codelab ADK, ejen perancang perjalanan berbilang hari menggambarkan perbezaan antara ingatan yang betul dan ingatan yang rosakFungsi seperti create_multi_day_trip_agent() menubuhkan ejen yang arahannya menekankan perancangan beransur-ansur, mengingati pilihan dan bertindak balas dengan teliti terhadap pembetulan.

Demo adaptif menggunakan semula objek sesi tunggal untuk beberapa giliran:

Pusingan 1: pengguna meminta pelan perjalanan dua hari dan ejen mencadangkan aktiviti hari 1.

Pusingan 2: pengguna mengatakan mereka tidak suka istana. Oleh kerana sesi tersebut menyimpan jadual perjalanan yang lebih awal, ejen tahu bahagian mana yang perlu diubah suai dan mencadangkan alternatif untuk segmen tersebut sambil mengekalkan butiran lain.

Pusingan 3: pengguna mengesahkan perubahan dan meminta langkah seterusnya, jadi ejen meneruskan perancangan hari ke-2 dengan menyedari semua konteks sebelumnya.

Demo "kegagalan" yang berbeza mencipta sesi baharu untuk setiap giliranEjen menjawab soalan pertama dengan betul, tetapi apabila pengguna kemudian merujuk kepada "hari ke-2", sesi baharu itu tidak mempunyai sejarah dan ejen pada dasarnya mengalami amnesia, tidak dapat mengaitkan permintaan kembali dengan pelan sebelumnya.

Kesimpulannya mudah tetapi asas: perbualan berterusan memerlukan sesi berterusanUntuk sistem pengeluaran, anda perlu mengekalkan dan mendapatkan semula keadaan sesi merentasi panggilan API, peranti dan kadangkala pengguna, terutamanya apabila aliran kerja menjangkau hari atau minggu.

Ejen Penghala: mengarahkan pertanyaan kepada pakar yang betul

Apabila katalog ejen dan kemahiran anda berkembang, anda memerlukan mekanisme untuk menghantar setiap permintaan masuk kepada pakar yang tepatItulah tugas ejen Penghala, komponen kecil tetapi penting dalam seni bina berbilang ejen.

Tanggungjawab utama penghala adalah pengelasan dan bukannya menjawab soalan pengguna secara langsungArahannya biasanya memberitahunya untuk membaca pertanyaan pengguna dan hanya mengeluarkan nama ejen (atau aliran kerja) yang paling sesuai untuk tugas tersebut.

Dalam bahagian berbilang ejen codelab, penghala memilih antara pelbagai ejen domain seperti perancang perjalanan sehari, ejen penggemar makanan atau ejen pengangkutan. Fungsi pelaksanaan pertama kali meminta laluan daripada penghala, kemudian menggunakan logik bersyarat mudah untuk memanggil pakar yang betul berdasarkan jawapan penghala.

Corak ini sejajar dengan bagaimana orkestrasi berbilang ejen diterangkan dalam AgentKit 2.0Di sana, ejen orchestrator menerima matlamat peringkat tinggi, mewakilkan reka bentuk skema kepada ejen pangkalan data, membentuk perancah kepada ejen bahagian hadapan, menjalankan semakan keselamatan, kemudian menyerahkannya kepada ejen pelaksanaan dan akhirnya mengagregatkan perbezaan dan URL menjadi ringkasan yang koheren untuk pengguna.

SequentialAgent: mengatur aliran kerja berbilang langkah yang teratur

Sesetengah tugas secara semula jadi dibahagikan kepada peringkat yang teratur di mana output daripada satu langkah akan disalurkan ke peringkat seterusnya.Contohnya, “cari sushi terbaik di Palo Alto, kemudian beritahu saya cara untuk sampai ke sana” jelas memerlukan langkah penemuan terlebih dahulu dan kemudian langkah navigasi.

ADK menawarkan ejen aliran kerja khusus, yang sering dipanggil SequentialAgent, untuk menguruskan rantaian ini dengan bersihDaripada menulis logik orkestrasi manual, anda mentakrifkan senarai sub-ejen dan kunci keadaan kongsi dan rangka kerja tersebut akan menguruskan penjujukan dan penghantaran data.

Dalam contoh codelab, ejen foodie difaktorkan semula untuk memancarkan hasilnya di bawah output_key seperti "destination"Arahan ejen pengangkutan kemudian merangkumi ruang letak seperti {destination} yang diisi secara automatik oleh ADK dengan nilai yang disimpan daripada keadaan kongsi.

Ejen aliran kerja keseluruhan, katakan find_and_navigate_agent, dikonfigurasikan sebagai SequentialAgent dengan sub-ejen dalam susunan tetap seperti [foodie_agent, transportation_agent]Apabila dipanggil, ia bertindak seperti ejen tunggal dari perspektif pemanggil sambil menyelaraskan dua langkah secara dalaman dan mengurus keadaan kongsi.

Pendekatan ini secara drastik memudahkan kod orkestrasiPokok bersyarat dan pendawaian data ad-hoc hilang, digantikan dengan definisi deklaratif bagi sub-ejen dan kunci. Ia juga menjadikan aliran kerja lebih mudah untuk diuji dan dilanjutkan, memandangkan setiap sub-ejen kekal modular dan boleh digunakan semula dalam rantai lain.

LoopAgent: penambahbaikan berulang dengan perancang, pengkritik dan penghalus

Banyak masalah dunia sebenar mendapat manfaat daripada penambahbaikan berulang dan bukannya jawapan sekali gusFikirkan untuk merangka pelan, mengkritiknya, memperhalusinya dan mengulanginya sehingga beberapa piawaian kualiti dicapai. Aliran kerja yang berulang memenuhi keperluan ini.

ADK menangkap corak ini dengan LoopAgent, ejen aliran kerja yang berulang kali menjalankan jujukan sub-ejen sehingga keadaan keluar dicetuskanIni sesuai untuk ejen "perfeksionis" yang perlu menyemak semula dan membetulkan output mereka sendiri berdasarkan kriteria formal.

Persediaan gelung klasik merangkumi tiga peranan: ejen perancang yang menghasilkan pelan awal, ejen pengkritik yang menilai pelan terhadap kekangan dan ejen penapis yang mengedit atau menulis semula pelan berdasarkan maklum balas pengkritik.

Takrifan gelung menghubungkan peranan ini ke dalam kitaran dengan bilangan lelaran maksimum untuk mengelakkan gelung tanpa henti, contohnya max_iterations=3Setiap kali lulus, pengkritik memutuskan sama ada pelan itu boleh diterima; jika tidak, penapis menghasilkan versi yang disemak semula dan gelung berterusan.

Keluar dari gelung biasanya melibatkan alat khusus, Seperti exit_loop, yang dipanggil oleh penapis apabila penilaian pengkritik menjadi positif. Pada ketika itu, pelan akhir yang disahkan dikembalikan kepada pengguna atau diserahkan kepada ejen hiliran.

Corak ini amat berguna dalam domain seperti reka bentuk seni bina, semakan keselamatan atau penciptaan kandungan, yang mana jawapan sekali gus jarang sekali cukup baik dan kitaran kritikan terbina dalam boleh meningkatkan kualiti purata dengan ketara.

ParallelAgent: mempercepatkan kerja dengan sub-ejen serentak

Apabila bahagian permintaan pengguna yang berbeza adalah bebas, menjalankannya secara berurutan akan membuang masaContohnya, “cari muzium, konsert dan restoran yang hebat untuk malam ini” tidak memerlukan setiap carian menunggu yang lain.

Aliran kerja selari menyelesaikan masalah ini dengan melancarkan berbilang pakar pada masa yang samaDalam ADK, a ParallelAgent menjalankan senarai sub-ejen secara serentak, kemudian menggabungkan hasilnya melalui keadaan kongsi dan langkah sintesis terakhir.

Persediaan biasa mentakrifkan tiga ejen khusus domain seperti museum_finder, concert_finder and restaurant_finder, masing-masing dengan sendiri output_key dalam keadaan kongsi. Ejen selari melaksanakan ketiga-tiganya secara selari, jadi jumlah masa adalah hampir dengan ejen tunggal yang paling perlahan dan bukannya jumlah ketiga-tiganya.

Selepas ejen-ejen ini selesai, ejen sintesis membaca ruang letak seperti {museum_result}, {concert_result} and {restaurant_result} daripada keadaan yang dikongsi, kemudian menghasilkan jawapan yang koheren dan mesra pengguna yang menggabungkan ketiga-tiga trek maklumat.

Corak ini mencerminkan faedah "pelaksanaan selari" yang diterangkan dalam aliran orkestrasi AgentKit 2.0Sub-ejen bebas menyampaikan kerja mereka secara serentak, diasingkan oleh kemahiran mereka sendiri supaya mereka tidak mencemarkan konteks antara satu sama lain, manakala orkestrator mengekalkan toleransi kesalahan dan kebolehauditan keseluruhan.

AgentKit 2.0, kemahiran komuniti dan orkestrasi ejen modular

AgentKit 2.0 mempamerkan bagaimana ekosistem kemahiran dan ejen ADK yang matang kelihatan dalam praktiknyaIa dihantar dengan 16 ejen khusus yang merangkumi bahagian hadapan, bahagian belakang, keselamatan, pengujian dan infrastruktur, setiap satunya dilengkapi dengan kemahiran domain supaya mereka boleh beroperasi secara autonomi pada subtugas yang kompleks.

Lebih daripada 40 kemahiran yang berfokus pada domain digabungkan sepenuhnya, meliputi bidang berulang seperti aliran pengesahan, konfigurasi pangkalan data, penggunaan masa nyata dan pemantauan prestasi. Ini adalah bahagian-bahagian tindanan moden yang biasanya memerlukan masa kejuruteraan yang paling banyak.

Selain itu, komuniti yang lebih luas menyumbang lebih daripada 1,000 kemahiran yang dikekalkanBersama-sama dengan rangka kerja seperti Agent MD, kemahiran ini membolehkan ejen mentafsir peraturan operasi terperinci dan mengaplikasikannya secara konsisten merentasi pangkalan kod yang besar dan rumit serta penggunaan berbilang lapisan.

Falsafah terasnya ialah pembangunan modular dan dipacu oleh ejenDaripada seorang ejen mega yang cuba melakukan semuanya, anda mengumpulkan satu pasukan pakar yang sempit dan mengatur mereka. Setiap ejen hanya memuatkan kemahiran yang diperlukan untuk domainnya, sepadan dengan model pendedahan progresif yang sama yang digunakan pada peringkat kemahiran.

Aliran orkestrasi biasa mengikuti corak yang jelas: ejen orkestrator menerima matlamat peringkat tertinggi, menyerahkan reka bentuk pangkalan data kepada ejen Pangkalan Data (menggunakan kemahiran skema), menghantar perancah UI kepada ejen bahagian hadapan (dengan kemahiran amalan terbaik React), menjalankan ejen keselamatan untuk audit dan akhirnya meminta ejen pelaksanaan untuk menolak ke infrastruktur seperti InForge. Sepanjang proses tersebut, orkestrator mengumpul keputusan, mencuba semula langkah yang gagal apabila perlu dan merekodkan interaksi untuk audit.

Seni bina ini bukan sahaja meningkatkan prestasi dan kebolehpercayaan, malah turut berskala apabila kemahiran komuniti berkembang menjadi ribuanAnda tidak lagi memerlukan seorang ejen "tahu segalanya"; sebaliknya, anda bergantung pada pasukan yang tenang di mana setiap ahli kekal tajam dalam set kemahirannya sendiri.

Amalan: menjalankan ejen web ADK secara setempat pada macOS, Linux dan Windows

Semua konsep ini menjadi lebih jelas apabila anda menggunakan ejen berkuasa ADK sebenar pada mesin anda sendiriPersediaan Web ADK yang disediakan dalam repositori contoh membolehkan anda menjalankan ejen perancangan perjalanan sehari secara setempat dengan antara muka web yang mudah.

Sebelum bermula, anda memerlukan beberapa prasyaratPython 3.8 atau lebih baharu (3.9+ disyorkan), kunci API Google AI Studio dan sambungan internet. Untuk versi Python terkini, anda boleh memasangnya google-adk==1.5.0, manakala pengguna Python 3.8 harus menggunakan versi yang serasi seperti google-adk==0.3.0.

Aliran asas untuk macOS dan Linux bermula dengan mengklon repositori dan menyediakan persekitaran maya. Selepas berlari git clone and cd ke dalam projek ini, anda boleh melaksanakan skrip automatik seperti ./setup_venv.sh (selepas memberikan kebenaran pelaksanaan) atau mencipta dan mengaktifkan persekitaran maya secara manual dengan python3 -m venv .adk_env and source .adk_env/bin/activate, diikuti oleh pip install -r requirements.txt.

Satu langkah penting ialah menetapkan pembolehubah persekitaran melalui .env fail dalam agent/ direktoriAnda mencipta fail ini, membukanya dalam editor dan menambah baris seperti GOOGLE_GENAI_USE_VERTEXAI=FALSE and GOOGLE_API_KEY=your_actual_api_key_here, menggantikan ruang letak dengan kunci API sebenar anda. Melangkau langkah ini akan menghalang ejen daripada memanggil model asas.

Sebaik sahaja persekitaran aktif, anda hanya perlu menjalankan adk web untuk memulakan antara muka web setempatTerminal menunjukkan URL, biasanya http://localhost:8000, tempat anda boleh membuka pelayar anda, pilih agent pilihan daripada menu lungsur turun dan mula berbual dengan perancang perjalanan sehari. Setelah selesai, anda akan menyahaktifkan persekitaran maya dengan deactivate perintah.

Pengguna Windows mengikuti corak yang sangat serupa menggunakan Command Prompt atau PowerShellSelepas mengklon repositori dan menukarnya ke dalamnya, anda boleh menjalankan skrip kemudahan seperti setup_venv.bat atau buat venv secara manual dengan python -m venv .adk_env dan aktifkannya melalui .adk_env\Scripts\activate dalam Prompt Perintah atau .adk_env\Scripts\Activate.ps1 dalam PowerShell.

. .env fail pada Windows hidup dalam keadaan yang sama agent\ direktori, dicipta sebagai contoh dengan type nul > agent\.env dan disunting menggunakan Notepad. Anda kemudian menambah pasangan kunci-nilai yang sama untuk mengkonfigurasi akses Google AI. Jika anda menghadapi masalah dasar pelaksanaan dalam PowerShell, arahan seperti Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser menyelesaikannya untuk skrip tempatan.

Selepas memasang kebergantungan dan mengkonfigurasi pembolehubah persekitaran anda, jalankan adk web memberikan anda pengalaman ejen berasaskan pelayar yang sama pada Windows seperti pada macOS atau Linux, dengan keupayaan untuk menyahaktifkan persekitaran pada bila-bila masa menggunakan deactivate.

Dengan menggabungkan semuanya, ejen ADK dengan kemahiran, pendedahan progresif dan orkestrasi berbilang ejen menawarkan cara yang ampuh untuk membina sistem AI yang boleh diskala, selamat dan sangat khusus. yang sejajar dengan aliran kerja perisian sebenar. Dengan menstrukturkan kemahiran dengan corak reka bentuk yang kukuh, menghubungkan ejen dengan alatan dan API anda sendiri, memanfaatkan ejen Penghala, Berjujukan, Gelung dan Selari serta menjalankan persediaan secara tempatan atau dalam awan, pasukan boleh beralih daripada bot sembang mudah kepada kolaborator AI yang mantap yang bekerjasama dengan pembangun, penganalisis dan pengendali dalam kerja seharian.