Vodnik za izgradnjo ADK agentov z zmogljivimi veščinami

Domov » Python » Vodnik za izgradnjo ADK agentov z zmogljivimi veščinami

Inteligentni agenti, zgrajeni s kompletom za razvoj agentov (ADK), hitro postajajo hrbtenica sodobnih aplikacij, ki jih poganja umetna inteligenca., kar daleč presega enkratne klepetalne robote, ki zgolj odgovarjajo na vprašanja. S pravim sistemom veščin lahko ti agenti sklepajo, načrtujejo, kličejo orodja, sodelujejo z drugimi agenti in celo izpopolnjujejo svoje delo v zankah, hkrati pa zaradi progresivnih tehnik razkrivanja nadzorujejo uporabo žetonov in zakasnitev.

V tem poglobljenem vodniku si boste ogledali, kako oblikovati, strukturirati in orkestrirati agente ADK z veščinami, od osnovnih enoagentnih delovnih procesov do večagentnih delovnih procesov, ki se izvajajo zaporedno, v zankah in vzporedno. Videli boste tudi, kako resnični skladi, kot so Googlovi laboratoriji za kodo ADK, skupnostne spretnosti in ogrodja za orkestracijo, kot je AgentKit 2.0, uporabljajo vzorce, kot so Router, SequentialAgent, LoopAgent in ParallelAgent, ter kako podjetja, kot je Q2BSTUDIO, to združujejo s platformami v oblaku in kibernetsko varnostjo za dobavo sistemov, pripravljenih za produkcijo.

Zakaj so agenti ADK z veščinami pomembni za sodobne ekipe za programsko opremo

Eksplozija umetne inteligence v razvoju programske opreme je ekipe spodbudila k iskanju načinov za združevanje strokovnega znanja in delovnih procesov v enote, ki jih je mogoče ponovno uporabiti in sestaviti.ADK-ji odgovarjajo na to potrebo tako, da vam omogočajo, da vedenje, pravila domene in orodja zapakirate v agente, ki jih je mogoče ponovno uporabiti v različnih projektih, ekipah in celo izdelkih.

V središču tega pristopa so veščine agentov, ki so samostojni moduli znanja, ki jih lahko agent naloži na zahtevo. Namesto da bi vse smernice in pravila strnili v en sam ogromen poziv, spretnosti uporabljajo postopno razkritje arhitektura: navodila, sredstva in skripti se razkrijejo le, kadar je to potrebno, kar ohranja kontekst vitkejši in zmogljivost visoko, tudi če imate nameščenih na stotine znanj.

Ta učinkovitost je ključnega pomena v svetu, kjer so proračuni za žetone, latenca in stroški računanja resnične omejitve.Nalaganje vseh slogovnih vodnikov, specifikacij API-ja in operativnih pravil v en sam poziv se ne skalira. Spretnosti vam omogočajo, da »hladno« znanje shranite na disku (ali v repozitorijih) in ga v kontekst agenta povlečete le, kadar je določena zmogljivost pomembna.

Podjetja, kot je Q2BSTUDIO, izkoriščajo ta model za gradnjo prilagojenih sistemov umetne inteligence za podjetja., ki prepleta poslovno inteligenco, domensko znanje in sodobne prakse kibernetske varnosti. Na ta način agenti niso le sposobni in se zavedajo konteksta, temveč so tudi odporni na pogoste vektorje napadov v današnjem okolju groženj.

Razumevanje arhitekture progresivnega razkrivanja veščin ADK

Spretnosti v slogu ADK običajno sledijo tristopenjskemu modelu nalaganja, ki ohranja osredotočenost agenta na kontekst. hkrati pa omogoča globoko specializacijo domene, kadar koli je to potrebno. Lahko si ga predstavljate kot postopni cevovod za znanje:

1. stopnja – OdkritjeKo se pogovor začne, agent vidi le katalog razpoložljivih znanj in spretnosti: njihova imena in kratke opise. Nič težkega še ni naloženo. To je dovolj, da se agent odloči, katera veščina bi lahko bila pomembna za uporabnikovo zahtevo.

2. stopnja – NavodilaKo se veščina oceni kot ujemajoča, agent prebere njeno SKILL.md ali enakovredna datoteka z navodili. Ta dokument vsebuje podrobna navodila, vzorce in pravila za to veščino in je v kontekst modela vključen le, kadar je to potrebno.

3. stopnja – Viri: obsežna sredstva, kot so velike sheme, dolgi kontrolni seznami, skripti ali razširjena dokumentacija, ostanejo v datotečnem sistemu kot reference

in se pridobijo na zahtevo le če veščina posebej kaže nanje. Agent te vire prebere ali izvede po potrebi, namesto da bi jih imel vedno v glavnem pozivu.

Ta vzorec je osrednjega pomena za ogrodja, kot sta AgentKit 2.0 in nastavitve, ki temeljijo na antigravitaciji.Spretnosti lahko namestite neposredno v združljive agente (Claude Code, Cursor, Antigravity in druge) z uporabo ukazov, kot so npx add-skill vercel-labs/agent-skills, ki klonirajo repozitorije spretnosti, jih postavijo v pravilne imenike in jih naredijo odkrite brez ročnega urejanja pozivov.

Vzorci oblikovanja za strukturiranje veščin ADK

Pisanje nove veščine iz nič pogosto ni toliko povezano z orodjem in bolj z oblikovanjem vsebine.Specifikacija ADK običajno pove, kako strukturirati paket (frontmatter v YAML, references/, assets/, scripts/ imeniki in tako naprej), vendar vam ne pove, kako napisati dejanska navodila. Tukaj pridejo v poštev vzorci načrtovanja za večkratno uporabo.

Strokovnjaki, ki so razvili na desetine veščin, poročajo, da peščica strukturnih vzorcev pokriva večino primerov uporabe v resničnem svetu.Pet najbolj uporabnih je:

Ovoj orodja: ta vzorec združuje konvencije in najboljše prakse dane knjižnice ali platforme v veščino. Navodila opisujejo pravila, ki jih je treba upoštevati, medtem ko references/ vsebuje uradno dokumentacijo. Običajno ni predlog ali skriptov; bistvo je, da se agentu da »miselni model« orodja, kot so FastAPI, React ali Postgres.

Generator: tukaj spretnost ustvari dosleden strukturiran izhod z uporabo predlog, shranjenih v assets/Primeri vključujejo dokumentacijo API-ja, sporočila o potrditvah, tehnična poročila ali dnevnike sprememb. Navodila določajo pravila kakovosti, predloge pa obliko izhoda, tako da dobite ponovljive formate z vsakim novim elementom.

Recenzent: ta vzorec ločuje kaj preveriti iz kako da ga preverite. Datoteka s kontrolnim seznamom v references/ določa elemente, ki jih je treba preveriti (varnost, slog, arhitektura itd.), medtem ko navodila opredeljujejo protokol pregleda: združevanje ugotovitev po resnosti, zahtevanje utemeljitve, predlaganje popravkov. Zamenjajte datoteko s kontrolnim seznamom in dejansko dobite povsem novega pregledovalca, ne da bi morali prepisati veščino.

Intervju (inverzija)Namesto takojšnjega ukrepanja veščina najprej intervjuva uporabnika s strukturiranimi vprašanji v fazah, z vrati, kot je »ne začnite graditi, dokler niso vse faze končane«. To preprečuje agentu, da bi postavljal velike predpostavke, in ga sili, da pred generiranjem podrobnih rezultatov pojasni cilje in omejitve.

Pipeline: ta vzorec kodira večstopenjske poteke dela z eksplicitnimi omejitvami med koraki, kot je »ne nadaljujte s 3. korakom, dokler uporabnik ne potrdi«. Je bolj zapleten kot drugi, vendar je edini, ki zanesljivo preprečuje agentom, da bi preskočili faze validacije. Spretnosti cevovoda lahko vključujejo korake pregledovalca, izhode generatorja ali faze intervjuja znotraj istega toka.

Praktične spretnosti iz Googla, Vercela in Supabase pogosto združujejo dva ali več teh vzorcev na spretnost.Na primer, veščina upravljanja lahko uporabnika intervjuva o omejitvah projekta, nato pa zažene postopek pregleda z uporabo različnih kontrolnih seznamov in ustvari poročilo o upravljanju z generatorjem, ki ga poganja predloga.

Od enoagentnih do večagentnih sistemov z ADK

Ko razumete, kako veščine združujejo znanje, je naslednji korak videti, kako agenti ADK to znanje orkestrirajo v delovnih procesih.Googlovi uradni kodni laboratoriji ADK so odlična referenca: vodijo vas od osnovnega enojnega agenta skozi orodja, pomnilnik in koordinacijo več agentov, vse v praktičnih zvezkih Colab.

Potovanje se začne z vašim prvim agentom, zgrajenim z RunnerjemV kodnem laboratoriju definirate day_trip_agent čigar poslanstvo je oblikovati enodnevni potovalni načrt, ki upošteva uporabnikove preference in proračun. Tri komponente ponazarjajo splošni model interakcije ADK:

Agent so »možgani«, ki jih definirajo njegova navodila, osnovni model (na primer Gemini) in orodja, ki jih lahko pokliče. V primeru ima agent podrobna navodila in dostop do Iskanja Google.

Seja deluje kot shramba pogovornega pomnilnika, ki hrani celotno zgodovino uporabniških sporočil in odgovorov agentov. Ponovna uporaba istega objekta seje ohranja kontekst živ med sejami.

Runner koordinira izvajanje tako, da vzame agenta in sejo, obdela vsako uporabniško poizvedbo in vrne odgovor

med posodabljanjem sejeKomunalni pomočniki, kot so run_agent_query() Zajemite to zanko, da lahko preprosto sprožite agente prek testov ali integracij uporabniškega vmesnika.

Branje tega prvega primera prikazuje, kako se dobra navodila neposredno povezujejo z uporabniškimi poziviTestna poizvedba lahko zahteva »proračunsko ugoden« in »sproščujoč« enodnevni izlet, in ker navodila poudarjajo stroškovno ozaveščenost, agent v svoje odgovore zanesljivo vključi proračunske vidike.

Povezovanje orodij po meri z vašimi agenti ADK

Agenti postanejo resnično močni, ko lahko kličejo vaše lastne API-je in notranje storitve, namesto le generičnih orodij, kot je spletno iskanje.ADK-ji to poenostavijo tako, da običajne funkcije na podlagi svojih podpisov in dokumentacijskih nizov pretvorijo v orodja.

V kodnih laboratorijih preprost primer uporablja funkcijo Python, ki kliče API za vreme v realnem času.Funkcija, kot je get_live_weather_forecast(location: str) pridobi trenutne podatke iz javne vremenske službe in vrne strukturirane informacije, na primer temperaturo in razmere v slovarju.

Ključni del je dokumentacijski nizADK razčleni dokumentacijski niz funkcije, da bi razumel, kaj orodje počne, katere argumente sprejema in kaj vrne. Jezikovni model prebere ta opis in se odloči, kdaj in kako poklicati orodje med sklepanjem.

Če želite orodje povezati z agentom, ga preprosto posredujete kot del seznama orodij med inicializacijo., Na primer tools=[get_live_weather_forecast]Navodila za weather_agent lahko nato modelu izrecno naroči, naj pokliče to orodje, preden predlaga dejavnosti na prostem.

Med testi pozivi, kot je »Želim se odpraviti na pohod v bližini jezera Tahoe, kakšno je vreme?«, neposredno sprožijo orodje., ker poslanstvo in navodila agenta vztrajajo pri uporabi napovedi v živo, preden se priporoči načrt. Ta vzorec se posploši na vaše lastne API-je: zaloge, cene, CRM, analitiko ali kateri koli zaledni sistem, ki ga lahko zavijete kot funkcijo.

Vzorec Agent-kot-orodje: gradnja ekip specialistov

Namesto da bi vse odgovornosti strpali v enega samega monolitnega agenta, vas ADK spodbuja k ustvarjanju ekipe manjših strokovnjakov.Ključen je vzorec Agent-kot-orodje, kjer lahko en agent pokliče drugega agenta, kot da bi bil le še eno orodje.

Tipična demonstracija v programskih laboratorijih gradi večplastni sistem načrtovanja potovanj:

Specializirani agenti obravnava ozkih domen: a food_critic_agent kar nakazuje le restavracije, db_agent ki poizveduje po hotelskih podatkih in concierge_agent ki deluje kot vljuden pomočnik pri interakcijah z uporabniki.

Recepcionist sam obravnava kulinaričnega kritika kot orodje, pri čemer izbiro restavracije prepustijo kritiku in nato rezultat preoblikujejo v uporabniku prijaznejši jezik.

Na vrhu sedi orkestratorski agent, kot je npr. trip_data_concierge_agent, katerega naloga je razumeti celotno zahtevo uporabnika in se odločiti, katerega strokovnjaka poklicati prek namenskih ovojnih funkcij, kot je call_db_agent in call_concierge_agent.

Ko zaženete poizvedbo, kot je »najdi mi hotel in bližnjo restavracijo«Dnevniki orodij kažejo verigo delegiranja: orkestrator pokliče agenta baze podatkov za nasvete glede hotelov, nato agenta concierge za nasvete glede restavracij, concierge pa nato pokliče kulinaričnega kritika. Vsak agent ostane osredotočen na svojo domeno, medtem ko orkestrator obravnava kompozicijo.

Ta pristop se tesno ujema s tem, kako AgentKit 2.0 strukturira svojih 16 specializiranih agentov. na področju frontenda, backenda, varnosti, testiranja in infrastrukture. Vsak agent ima domensko specifične veščine (najboljše prakse Reacta, nastavitev baze podatkov, varnostni pregledi, poteki uvajanja in drugo), orkestrator pa jih sestavi za doseganje večjih ciljev, kot je »izdelava in uvajanje modula za preverjanje pristnosti uporabnikov«.

Dajanje agentom spomina: seje in prilagodljivo načrtovanje

Da bi se agent počutil resnično inteligentnega, si mora zapomniti kontekst skozi več potez., prilagajanje načrtov kot odziv na povratne informacije namesto obravnavanja vsakega sporočila kot novega začetka. Tukaj pridejo na vrsto seje in upravljanje spomina.

V kodnem laboratoriju ADK agent za načrtovanje večdnevnih potovanj ponazarja razliko med pravilnim in pokvarjenim spominom.Funkcija, kot je create_multi_day_trip_agent() vzpostavi agenta, čigar navodila poudarjajo postopno načrtovanje, pomnjenje izbir in premišljeno odzivanje na popravke.

Prilagodljiva predstavitev večkrat ponovno uporabi en sam objekt seje.:

Vklopite 1: uporabnik zahteva dvodnevni načrt potovanja, agent pa predlaga aktivnosti za 1. dan.

Vklopite 2: uporabnik pravi, da ga gradovi ne zanimajo. Ker seja vsebuje prejšnji načrt potovanja, agent ve, kateri del je treba prilagoditi, in predlaga alternativo za ta segment, pri čemer ohrani druge podrobnosti nedotaknjene.

Vklopite 3: uporabnik potrdi spremembo in vpraša po naslednjih korakih, zato agent nadaljuje z načrtovanjem za 2. dan, pri čemer se zaveda vsega prejšnjega konteksta.

Kontrastni demo "neuspeha" ustvari novo sejo za vsak obratAgent pravilno odgovori na prvo vprašanje, ko pa se uporabnik kasneje sklicuje na »2. dan«, nova seja nima zgodovine in agent ima v bistvu amnezijo, saj zahteve ne more povezati s prejšnjim načrtom.

Izhodišče je preprosto, a temeljno: neprekinjeni pogovori zahtevajo neprekinjene seje.Pri produkcijskih sistemih morate ohraniti in pridobiti stanje seje med klici API-ja, napravami in včasih celo uporabniki, zlasti kadar delovni tokovi trajajo več dni ali tednov.

Agent usmerjevalnika: usmerjanje poizvedb k pravemu strokovnjaku

Ko se vaš katalog agentov in znanj povečuje, potrebujete mehanizem za pošiljanje vsake dohodne zahteve pravemu strokovnjaku.To je naloga usmerjevalnega agenta, majhne, ​​a ključne komponente v večagentnih arhitekturah.

Glavna odgovornost usmerjevalnika je klasifikacija in ne neposredno odgovarjanje na uporabniška vprašanjaNjegova navodila mu običajno povedo, naj prebere uporabniško poizvedbo in izpiše le ime najprimernejšega agenta (ali poteka dela) za to opravilo.

V večagentnih razdelkih kodnega laboratorija usmerjevalnik izbira med različnimi domenskimi agenti na primer načrtovalec dnevnih izletov, agent za gurmane ali agent za prevoz. Izvedbena funkcija najprej vpraša usmerjevalnik za pot, nato pa na podlagi odgovora usmerjevalnika uporabi preprosto pogojno logiko, da pokliče pravilnega strokovnjaka.

Ta vzorec se ujema z opisom orkestracije več agentov v AgentKit 2.0.Tam orkestratorski agent prejme cilj na visoki ravni, delegira načrtovanje sheme agentu baze podatkov, oblikovanje odra agentu frontenda, izvede varnostni pregled, nato preda nalogo agentu za uvajanje in na koncu združi razlike in URL-je v koherenten povzetek za uporabnika.

SequentialAgent: orkestriranje urejenih večstopenjskih delovnih procesov

Nekatere naloge se naravno razdelijo na urejene faze, kjer se rezultati enega koraka prevajajo v naslednjegaNa primer, »najdi najboljši suši v Palo Altu in mi nato povej, kako pridem tja« očitno najprej zahteva korak odkrivanja in nato korak navigacije.

ADK-ji ponujajo specializiranega agenta za delovni tok, pogosto imenovanega SequentialAgent, za čisto upravljanje teh verigNamesto pisanja ročne logike orkestracije definirate seznam podagentov in skupnih ključev stanja, ogrodje pa poskrbi za zaporedje in posredovanje podatkov.

V primeru kodnega laboratorija je agent foodie preoblikovan tako, da oddaja svoj rezultat pod output_key kot "destination"Navodila prevoznega agenta nato vključujejo nadomestno besedilo, kot je {destination} ki ga ADK samodejno napolni s shranjeno vrednostjo iz deljenega stanja.

Recimo, agent celotnega delovnega toka find_and_navigate_agent, je konfiguriran kot SequentialAgent s podagenti v fiksnem vrstnem redu kot [foodie_agent, transportation_agent]Ko je klicana, se z vidika klicatelja obnaša kot en sam agent, medtem ko interno usklajuje oba koraka in upravlja skupno stanje.

Ta pristop drastično poenostavi orkestrsko kodoPogojna drevesa in ad-hoc ožičenje podatkov izginejo, nadomestijo jih deklarativne definicije podagentov in ključev. Prav tako olajša testiranje in razširjanje delovnih procesov, saj vsak podagent ostane modularen in ga je mogoče ponovno uporabiti v drugih verigah.

LoopAgent: iterativno izpopolnjevanje z načrtovalcem, kritikom in izpopolnjevalnikom

Številni problemi iz resničnega sveta imajo koristi od iterativnega izboljšanja namesto od enkratnih rešitev.Predstavljajte si, da bi napisali načrt, ga kritizirali, izpopolnili in ponavljali, dokler ni dosežen določen standard kakovosti. Zankanje delovnih procesov rešuje to potrebo.

ADK-ji zajamejo ta vzorec z LoopAgent, agent delovnega toka, ki večkrat zažene zaporedje podagentov, dokler se ne sproži izhodni pogojTo je idealno za »perfekcionistične« agente, ki morajo sami pregledati in popraviti svoje rezultate na podlagi formalnih meril.

Klasična postavitev zanke vključuje tri vloge: agent za načrtovanje, ki ustvari začetni načrt, agent za kritiko, ki oceni načrt glede na omejitve, in agent za izpopolnjevanje, ki uredi ali prepiše načrt na podlagi povratnih informacij kritika.

Definicija zanke povezuje te vloge v cikel z največjim številom iteracij da se izognemo neskončnim zankam, na primer max_iterations=3Pri vsakem prehodu kritik odloči, ali je načrt sprejemljiv; če ni, izpopolnjevalec ustvari revidirano različico in zanka se nadaljuje.

Izhod iz zanke običajno vključuje specializirano orodje, Kot je exit_loop, ki ga izpopolnjevalec pokliče, ko kritikova ocena postane pozitivna. Na tej točki se končni potrjeni načrt vrne uporabniku ali posreduje nadaljnjim agentom.

Ta vzorec je še posebej uporaben na področjih, kot so načrtovanje arhitekture, varnostni pregled ali ustvarjanje vsebin, kjer so enkratni odgovori le redko dovolj dobri in lahko vgrajeni cikli kritike znatno dvignejo povprečno kakovost.

ParallelAgent: pospešitev dela s sočasnimi podagenti

Ko so različni deli uporabnikove zahteve neodvisni, njihovo zaporedno izvajanje izgublja čas.Na primer, za »najdi muzej, koncert in odlično restavracijo za nocoj« ni treba, da vsako iskanje čaka na druga.

Vzporedni delovni toki rešujejo tako, da hkrati uvedejo več specialistovV ADK-jih, a ParallelAgent hkrati izvaja seznam podagentov, nato pa združi njihove rezultate prek skupnega stanja in zadnjega koraka sinteze.

Tipična postavitev definira tri domensko specifične agente kot museum_finder, concert_finder in restaurant_finder, vsak s svojim output_key v deljenem stanju. Vzporedni agent izvaja vse tri vzporedno, zato je skupni čas blizu najpočasnejšega posameznega agenta in ne vsote vseh treh.

Ko ti agenti zaključijo, sintetični agent prebere nadomestne oznake, kot so {museum_result}, {concert_result} in {restaurant_result} iz skupnega stanja, nato pa oblikuje koherenten, uporabniku prijazen odgovor, ki združuje vse tri informacije.

Ta vzorec odraža prednosti »vzporednega izvajanja«, opisane v orkestracijskih poteh AgentKit 2.0.Neodvisni podagenti opravljajo svoje delo sočasno, izolirani s svojimi veščinami, da ne bi kontaminirali konteksta drug drugega, medtem ko orkestrator ohranja splošno toleranco napak in možnost revizije.

AgentKit 2.0, skupnostne veščine in modularna orkestracija agentov

AgentKit 2.0 prikazuje, kako v praksi izgleda zrel ekosistem znanj in agentov ADK.Priloženih je 16 specializiranih agentov, ki zajemajo frontend, backend, varnost, testiranje in infrastrukturo, vsak od njih pa je predhodno opremljen z domenskimi znanji, tako da lahko samostojno delujejo na kompleksnih podnalogah.

Več kot 40 domensko osredotočenih veščin je vključenih takoj po namestitvi, ki zajema ponavljajoča se področja, kot so poteki preverjanja pristnosti, konfiguracija baze podatkov, uvajanje v realnem času in spremljanje delovanja. To so ravno tisti deli sodobnih skladov, ki običajno zahtevajo največ inženirskega časa.

Poleg tega širša skupnost prispeva več kot 1,000 ohranjenih znanj in spretnosti.Skupaj z ogrodji, kot je Agent MD, te veščine omogočajo agentom interpretacijo podrobnih operativnih pravil in njihovo dosledno uporabo v velikih, zapletenih kodnih bazah in večplastnih uvedbah.

Osrednja filozofija je modularni, agentno voden razvojNamesto enega mega-agenta, ki bi poskušal narediti vse, sestavite ekipo ozko specializiranih strokovnjakov in jih orkestrirate. Vsak agent naloži le znanja, ki jih potrebuje za svoje področje, kar ustreza istemu modelu progresivnega razkrivanja, ki se uporablja na ravni znanja.

Tipični poteki orkestracije sledijo jasnemu vzorcu: orkestratorski agent prejme cilj najvišje ravni, preda zasnovo baze podatkov agentu baze podatkov (z uporabo znanja sheme), pošlje oder uporabniškega vmesnika agentu za prednji del (z znanji najboljših praks Reacta), zažene varnostnega agenta za revizije in na koncu prosi agenta za uvajanje, da izvede prenos v infrastrukturo, kot je InForge. Orkestrator ves čas procesa zbira rezultate, po potrebi ponovi neuspešne korake in beleži interakcije za revizijo.

Ta arhitektura ne le izboljša zmogljivost in zanesljivost, temveč se tudi skalira, ko se skupnostno znanje poveča na tisoče.Ne potrebujete več enega samega vsevednega agenta; namesto tega se zanašate na sestavljeno ekipo, kjer vsak član ostaja oster znotraj svojega nabora znanj in spretnosti.

Praktični del: lokalno izvajanje spletnih agentov ADK v sistemih macOS, Linux in Windows

Vsi ti koncepti postanejo veliko bolj jasni, ko na svojem računalniku zaženete pravega agenta, ki ga poganja ADK.Spletna nastavitev ADK, ki je na voljo v vzorčnih repozitorijih, vam omogoča, da agenta za načrtovanje dnevnih izletov zaženete lokalno s preprostim spletnim vmesnikom.

Preden začnete, boste potrebovali nekaj predpogojevPython 3.8 ali novejši (priporočljiva je različica 3.9 ali novejša), ključ API-ja za Google AI Studio in internetna povezava. Za novejše različice Pythona lahko namestite google-adk==1.5.0, medtem ko bi morali uporabniki Pythona 3.8 uporabljati združljivo različico, kot je google-adk==0.3.0.

Osnovni postopek za macOS in Linux se začne s kloniranjem repozitorija in nastavitvijo virtualnega okolja.Po teku git clone in cd v projekt lahko zaženete samodejni skript, kot je ./setup_venv.sh (po dodelitvi dovoljenj za izvajanje) ali ročno ustvarite in aktivirajte virtualno okolje z python3 -m venv .adk_env in source .adk_env/bin/activate, sledi pip install -r requirements.txt.

Pomemben korak je nastavitev okoljskih spremenljivk prek .env datoteko v agent/ imenikTo datoteko ustvarite, jo odprete v urejevalniku in vanjo dodate vrstice, kot so GOOGLE_GENAI_USE_VERTEXAI=FALSE in GOOGLE_API_KEY=your_actual_api_key_here, pri čemer nadomestno besedilo zamenjate z vašim dejanskim ključem API-ja. Če ta korak preskočite, agent ne bo mogel klicati osnovnih modelov.

Ko je okolje aktivno, preprosto zaženete adk web za zagon lokalnega spletnega vmesnikaTerminal običajno prikaže URL http://localhost:8000, kjer lahko odprete brskalnik, izberite agent možnost iz spustnega menija in začnite klepetati z načrtovalcem dnevnega izleta. Ko končate, deaktivirate virtualno okolje z deactivate ukaz.

Uporabniki sistema Windows sledijo zelo podobnemu vzorcu z uporabo ukaznega poziva ali PowerShellaPo kloniranju repozitorija in spreminjanju vanj lahko zaženete priročni skript, kot je setup_venv.bat ali pa ročno ustvarite venv z python -m venv .adk_env in ga aktivirajte prek .adk_env\Scripts\activate v ukaznem pozivu ali .adk_env\Scripts\Activate.ps1 v PowerShellu.

Naš .env datoteka v sistemu Windows se nahaja v istem agent\ imenik, ustvarjeno na primer z type nul > agent\.env in urejeno z Notepadom. Nato dodate iste pare ključ-vrednost za konfiguriranje dostopa do Google AI. Če v PowerShellu naletite na težave s pravilnikom izvajanja, ukaz, kot je Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser jih razreši za lokalne skripte.

Po namestitvi odvisnosti in konfiguriranju okoljskih spremenljivk zaženite adk web vam ponuja enako izkušnjo agenta v brskalniku v sistemu Windows, kot tudi v sistemu macOS ali Linux, z možnostjo deaktivacije okolja kadar koli z uporabo deactivate.

Z združitvijo vseh elementov agenti ADK z veščinami, progresivnim razkritjem in večagentno orkestracijo ponujajo zmogljiv način za izgradnjo skalabilnih, varnih in visoko specializiranih sistemov umetne inteligence. ki so usklajeni z resničnimi delovnimi procesi programske opreme. Z združevanjem znanj in spretnosti s trdnimi vzorci oblikovanja, povezovanjem agentov z lastnimi orodji in API-ji, izkoriščanjem usmerjevalnih, zaporednih, zančnih in vzporednih agentov ter izvajanjem nastavitev lokalno ali v oblaku se lahko ekipe premaknejo od preprostih klepetalnih robotov do robustnih sodelavcev z umetno inteligenco, ki sodelujejo z razvijalci, analitiki in operaterji pri vsakodnevnem delu.