ADK agentų, turinčių galingų įgūdžių, kūrimo vadovas

Pagrindinis » Pitonas » ADK agentų, turinčių galingų įgūdžių, kūrimo vadovas

Išmanieji agentai, sukurti naudojant agentų kūrimo rinkinį (ADK), sparčiai tampa šiuolaikinių dirbtinio intelekto valdomų programų pagrindu., tai gerokai daugiau nei vienkartiniai pokalbių robotai, kurie tik atsako į klausimus. Turėdami tinkamą įgūdžių sistemą, šie agentai gali samprotauti, planuoti, iškviesti įrankius, bendradarbiauti su kitais agentais ir netgi tobulinti savo darbą cikliškai, tuo pačiu metu kontroliuodami žetonų naudojimą ir delsą dėl progresyvių atskleidimo metodų.

Šiame išsamiame vadove sužinosite, kaip suprojektuoti, struktūrizuoti ir valdyti ADK agentus, turint reikiamus įgūdžius., nuo pagrindinio vieno agento iki kelių agentų darbo eigų, veikiančių nuosekliai, cikliškai ir lygiagrečiai. Taip pat pamatysite, kaip realaus pasaulio sistemos, tokios kaip „Google“ ADK kodo laboratorijos, bendruomenės įgūdžiai ir orkestravimo sistemos, tokios kaip „AgentKit 2.0“, naudoja tokius modelius kaip „Router“, „SequentialAgent“, „LoopAgent“ ir „ParallelAgent“, ir kaip tokios įmonės kaip „Q2BSTUDIO“ derina tai su debesijos platformomis ir kibernetiniu saugumu, kad sukurtų gamybai paruoštas sistemas.

Kodėl ADK agentai su įgūdžiais yra svarbūs šiuolaikinėms programinės įrangos komandoms

Dirbtinio intelekto išpopuliarėjimas programinės įrangos kūrime paskatino komandas ieškoti būdų, kaip sujungti patirtį ir darbo eigą į daugkartinio naudojimo, komponuojamus vienetus.ADK atsako į šį poreikį leisdami jums supakuoti elgseną, domeno taisykles ir įrankius į agentus, kuriuos galima pakartotinai naudoti įvairiuose projektuose, komandose ir net produktuose.

Šio požiūrio pagrindas yra agento įgūdžiai, kurie yra savarankiški žinių moduliai, kuriuos agentas gali įkelti pagal poreikį. Užuot sutalpinęs visas gaires ir taisykles į vieną didžiulį raginimą, įgūdžiai taiko laipsniškas atskleidimas architektūra: instrukcijos, ištekliai ir scenarijai rodomi tik tada, kai to reikia, todėl kontekstas yra minimalus, o našumas – aukštas, net jei įdiegta šimtai įgūdžių.

Šis efektyvumas yra labai svarbus pasaulyje, kuriame žetonų biudžetai, delsa ir skaičiavimo išlaidos yra realūs apribojimai.Visų stiliaus vadovų, API specifikacijų ir veikimo taisyklių įkėlimas į vieną eilutę nėra keičiamo dydžio. Įgūdžiai leidžia laikyti „šaltas“ žinias diske (arba saugyklose) ir įtraukti jas į agento kontekstą tik tada, kai konkreti funkcija yra svarbi.

Tokios įmonės kaip „Q2BSTUDIO“ naudoja šį modelį kurdamos pritaikytas dirbtinio intelekto sistemas įmonėms., sujungiant verslo analitiką, srities žinias ir šiuolaikines kibernetinio saugumo praktikas. Tokiu būdu agentai yra ne tik pajėgūs ir supranta kontekstą, bet ir apsaugoti nuo įprastų atakų vektorių šiandienos grėsmių aplinkoje.

ADK įgūdžių laipsniško atskleidimo architektūros supratimas

ADK stiliaus įgūdžiai paprastai atitinka trijų pakopų įkėlimo modelį, kuris išlaiko agento kontekstą orientuotą. tuo pačiu leidžiant gilią srities specializaciją, kai to reikia. Galite tai įsivaizduoti kaip etapinį žinių srautą:

1 lygis – AtradimasPrasidėjus pokalbiui, agentas mato tik galimų įgūdžių katalogą: jų pavadinimus ir trumpus aprašymus. Dar neįkelta jokių sudėtingų duomenų. To pakanka, kad agentas nuspręstų, kuris įgūdis gali būti aktualus vartotojo užklausai.

2 lygis – instrukcijosKai įgūdis laikomas atitinkančiu, agentas nuskaito jo SKILL.md arba lygiavertis instrukcijų failas. Šiame dokumente pateikiamos išsamios gairės, modeliai ir taisyklės tam įgūdžiui, ir jis įtraukiamas į modelio kontekstą tik tada, kai tai būtina.

3 lygis – ištekliaiDidelės apimties ištekliai, pvz., didelės schemos, ilgi kontroliniai sąrašai, scenarijai arba išplėstiniai dokumentai, lieka failų sistemoje kaip nuorodos

ir yra atkuriami pagal pareikalavimą tik jei įgūdis į juos konkrečiai nurodo. Agentas nuskaito arba vykdo šiuos išteklius pagal poreikį, o ne visada juos rodo pagrindiniame lange.

Šis modelis yra esminis tokiose sistemose kaip „AgentKit 2.0“ ir antigravitacijos pagrindu sukurtose sistemose.Galite įdiegti įgūdžius tiesiai į suderinamus agentus („Claude Code“, „Cursor“, „Antigravity“ ir kitus) naudodami tokias komandas kaip npx add-skill vercel-labs/agent-skills, kurie klonuoja įgūdžių saugyklas, įdeda jas į tinkamus katalogus ir leidžia jas rasti be rankinio redagavimo raginimų.

ADK įgūdžių struktūrizavimo projektavimo modeliai

Naujo įgūdžio kūrimas nuo nulio dažnai mažiau susijęs su įrankiais ir daugiau su turinio dizainu.ADK specifikacijoje paprastai nurodoma, kaip struktūrizuoti paketą („frontmatter“ YAML kalboje, references/, assets/, scripts/ katalogus ir pan.), tačiau nenurodoma, kaip parašyti pačias instrukcijas. Čia praverčia daugkartinio naudojimo projektavimo šablonai.

Praktikai, įgiję dešimtis įgūdžių, teigia, kad keli struktūriniai modeliai apima daugumą realaus pasaulio naudojimo atvejų.Penki naudingiausi yra šie:

Įrankių įvynioklis: šis modelis apibendrina tam tikros bibliotekos ar platformos konvencijas ir geriausią praktiką įgūdyje. Instrukcijose aprašomos taisyklės, kurių reikia laikytis, o references/ saugo oficialią dokumentaciją. Paprastai nėra jokių šablonų ar scenarijų; esmė – suteikti agentui „mentalinį modelį“ apie įrankį, pvz., „FastAPI“, „React“ ar „Postgres“.

Generatorius: čia įgūdis sukuria nuoseklią struktūrizuotą išvestį, naudodamas šablonus, saugomus assets/Pavyzdžiai: API dokumentai, pakeitimų pranešimai, techninės ataskaitos arba pakeitimų žurnalai. Instrukcijos apibrėžia kokybės taisykles, o šablonai – išvesties formą, todėl kiekvieną kartą gaunate pasikartojančius formatus su skirtingu turiniu.

Recenzentas: šis modelis atskiria kas patikrinti iš kaip kad jį patikrintumėte. Kontrolinio sąrašo failas references/ išdėstomi tikrinami elementai (saugumas, stilius, architektūra ir kt.), o instrukcijose apibrėžiamas peržiūros protokolas: išvadų grupavimas pagal sunkumą, pagrindimo reikalavimas, pataisymų siūlymas. Pakeiskite kontrolinio sąrašo failą ir iš esmės gausite visiškai naują recenzentą neperrašydami įgūdžio.

Interviu (inversija)Užuot veikęs nedelsiant, įgūdis pirmiausia apklausia vartotoją, naudodamas struktūrizuotus klausimus etapais, taikant tokius kriterijus kaip „nepradėkite kurti, kol nebus baigti visi etapai“. Tai neleidžia agentui daryti didelių prielaidų ir priverčia jį išsiaiškinti tikslus ir apribojimus prieš generuojant išsamius rezultatus.

NaftotiekisŠis šablonas koduoja kelių etapų darbo eigas su aiškiais apribojimais tarp etapų, pvz., „nepereiti prie 3 veiksmo, kol vartotojas nepatvirtins“. Jis sudėtingesnis nei kiti, tačiau vienintelis patikimai neleidžia agentams praleisti patvirtinimo etapų. Srauto įgūdžiai gali apimti peržiūrėtojo veiksmus, generatoriaus rezultatus arba pokalbio etapus tame pačiame sraute.

„Google“, „Vercel“ ir „Supabase“ teikiami realaus pasaulio įgūdžiai dažnai apjungia du ar daugiau šių modelių kiekvienam įgūdžiui.Pavyzdžiui, valdymo įgūdis gali apklausti vartotoją apie projekto apribojimus, tada paleisti peržiūros procesą naudodamas atskirus kontrolinius sąrašus ir sugeneruoti valdymo ataskaitą naudodamas šablonais pagrįstą generatorių.

Nuo vieno agento iki kelių agentų sistemų su ADK

Kai suprasite, kaip įgūdžiai sujungia žinias, kitas žingsnis bus išsiaiškinti, kaip ADK agentai šias žinias sujungia į darbo eigas.Oficialios „Google“ ADK kodo laboratorijos yra puikus šaltinis: jose pateikiami praktiniai „Colab“ užrašų sąsiuviniai, kuriuose aprašomas vieno agento kūrimas, įrankiai, atmintis ir kelių agentų koordinavimas.

Kelionė prasideda nuo jūsų pirmojo agento, sukurto naudojant „Runner“.Kodo laboratorijoje jūs apibrėžiate day_trip_agent kurio misija – sudaryti vienos dienos kelionės maršrutą, atsižvelgiant į naudotojo pageidavimus ir biudžetą. Trys komponentai iliustruoja bendrą ADK sąveikos modelį:

Agentas yra „smegenys“, apibrėžtos jo instrukcijomis, pagrindiniu modeliu (pavyzdžiui, „Gemini“) ir įrankiais, kuriuos jis gali iškviesti. Šiame pavyzdyje agentas turi išsamias gaires ir prieigą prie „Google“ paieškos.

Sesija veikia kaip pokalbių atminties saugykla, kurioje saugoma visa naudotojų pranešimų ir agentų atsakymų istorija. Pakartotinis to paties seanso objekto naudojimas išsaugo kontekstą gyvą skirtinguose pokalbių etapuose.

Takeliai koordinuoja vykdymą, paimdamas agentą ir seansą, apdorodamas kiekvieną vartotojo užklausą ir grąžindamas atsakymą

atnaujinant sesiją pakeliuiKomunalinių paslaugų pagalbininkai, pvz. run_agent_query() Apibendrinkite šį ciklą, kad galėtumėte lengvai suaktyvinti agentus per testus arba vartotojo sąsajos integracijas.

Perskaičius šį pirmąjį pavyzdį, matyti, kaip geros instrukcijos tiesiogiai susijusios su vartotojo raginimais.Bandomoji užklausa gali prašyti „ebaimingos“ ir „atpalaiduojančios“ dienos išvykos, ir kadangi instrukcijose pabrėžiamas išlaidų sąmoningumas, agentas patikimai į savo atsakymus įpina biudžeto aspektus.

Prijungimas pasirinktinių įrankių prie ADK agentų

Agentai tampa išties galingi, kai gali kreiptis į jūsų API ir vidines paslaugas, o ne tik į bendrinius įrankius, tokius kaip žiniatinklio paieška.ADK tai supaprastina, paversdami įprastas funkcijas įrankiais, pagrįstais jų parašais ir dokumentacijos eilutėmis.

Kodo laboratorijose paprastas pavyzdys naudoja „Python“ funkciją, kuri iškviečia realaus laiko orų API.Funkcija, tokia kaip get_live_weather_forecast(location: str) nuskaito dabartinius duomenis iš viešosios orų tarnybos ir grąžina struktūrizuotą informaciją, pvz., temperatūrą ir sąlygas žodyne.

Svarbiausia dalis yra dokumentacijos eilutėADK analizuoja funkcijos dokumentacijos eilutę, kad suprastų, ką įrankis daro, kokius argumentus priima ir ką grąžina. Kalbos modelis perskaito šį aprašymą ir nusprendžia, kada ir kaip iškviesti įrankį samprotavimo metu.

Norėdami prijungti įrankį prie agento, tiesiog perduokite jį kaip įrankių sąrašo dalį inicijavimo metu., Pavyzdžiui, tools=[get_live_weather_forecast]Nurodymai weather_agent tada galima aiškiai nurodyti modeliui iškviesti šį įrankį prieš siūlant veiklą lauke.

Testų metu tokie klausimai kaip „Noriu žygiuoti netoli Tahoe ežero, koks oras?“ tiesiogiai suaktyvina įrankį., nes agento misija ir instrukcijos reikalauja naudoti tiesioginę prognozę prieš rekomenduojant planą. Šis modelis apibendrinamas jūsų API: atsargoms, kainodarai, CRM, analitikai ar bet kuriai kitai posistemei, kurią galite apjungti kaip funkciją.

Agento kaip įrankio modelis: specialistų komandų kūrimas

Užuot sugrūdus visas pareigas į vieną monolitinį agentą, ADK skatina jus suburti mažesnių ekspertų komandą.Svarbiausia yra agento kaip įrankio modelis, kai vienas agentas gali iškviesti kitą agentą taip, tarsi jis būtų tiesiog dar vienas įrankis.

Tipinė demonstracija kodų laboratorijose sukuria daugiasluoksnę kelionių planavimo sistemą.:

Specializuoti agentai tvarkyti siaurus domenus: a food_critic_agent kuris siūlo tik restoranus, a db_agent kuri užklausia viešbučio duomenis ir concierge_agent kuris veikia kaip mandagus asistentas sąveikai su naudotojais.

Pats konsjeržas maisto kritiką traktuoja kaip įrankį, restorano pasirinkimą pavedant kritikui, o tada rezultatą performuluojant patogesne vartotojui kalba.

Viršuje sėdi orkestravimo agentas, pvz. trip_data_concierge_agent, kurio užduotis – suprasti bendrą vartotojo užklausą ir nuspręsti, kurį specialistą iškviesti, naudojant specialias apvalkalo funkcijas, pvz., call_db_agent bei call_concierge_agent.

Kai vykdote užklausą, pvz., „suraskite man viešbutį ir netoliese esantį restoraną“Įrankių žurnalai rodo delegavimo grandinę: orkestratorius skambina duomenų bazės agentui dėl viešbučių, tada konsjeržo agentui dėl restoranų patarimų, o konsjeržas savo ruožtu skambina maisto kritikui. Kiekvienas agentas susitelkia į savo sritį, o orkestratorius tvarko komponavimą.

Šis metodas glaudžiai atitinka tai, kaip „AgentKit 2.0“ struktūrizuoja savo 16 specializuotų agentų. apima ir priekinės, ir vidinės dalies, saugumo, testavimo bei infrastruktūros sritis. Kiekvienas agentas turi konkrečiai sričiai būdingų įgūdžių (geriausia „React“ praktika, duomenų bazės sąranka, saugumo auditai, diegimo srautai ir kita), o koordinatorius juos sudaro, kad pasiektų platesnius tikslus, pvz., „sukurti ir įdiegti vartotojo autentifikavimo modulį“.

Agentų atminties suteikimas: sesijos ir adaptyvus planavimas

Kad agentas jaustųsi tikrai protingas, jis turi prisiminti kontekstą per kelis etapus., pritaikant planus pagal atsiliepimus, o ne vertinant kiekvieną pranešimą kaip naują pradžią. Čia praverčia sesijos ir atminties valdymas.

ADK kodų laboratorijoje kelių dienų kelionių planavimo agentas iliustruoja skirtumą tarp tinkamos ir sugadintos atminties.Funkcija, tokia kaip create_multi_day_trip_agent() paskiria agentą, kurio instrukcijose pabrėžiamas laipsniškas planavimas, pasirinkimų įsiminimas ir apgalvotas reagavimas į pataisymus.

Adaptyvi demonstracinė versija pakartotinai naudoja vieną sesijos objektą kelis kartus.:

Pasukite 1Vartotojas prašo dviejų dienų kelionės plano, o agentas pasiūlo pirmos dienos veiklas.

Pasukite 2Vartotojas teigia, kad jam nepatinka pilys. Kadangi sesijoje yra ankstesnis maršrutas, agentas žino, kurią dalį koreguoti, ir pasiūlo alternatyvą tam segmentui, išsaugodamas kitas detales.

Pasukite 3Vartotojas patvirtina pakeitimą ir paklausia apie tolesnius veiksmus, todėl agentas tęsia 2 dienos planavimą, žinodamas visą ankstesnį kontekstą.

Kontrastinga „nesėkmės“ demonstracija kiekvienam posūkiui sukuria naują sesijąAgentas teisingai atsako į pirmąjį klausimą, bet kai vartotojas vėliau nurodo „2 dieną“, naujoji sesija neturi jokios istorijos ir agentas iš esmės praranda atmintį, negalėdamas susieti užklausos su ankstesniu planu.

Išvada paprasta, bet esminė: nuolatiniai pokalbiai reikalauja nuolatinių sesijųGamybos sistemose reikia išsaugoti ir gauti seanso būseną tarp API iškvietimų, įrenginių ir kartais net tarp naudotojų, ypač kai darbo eigos trunka dienas ar savaites.

Maršrutizatoriaus agentas: užklausų nukreipimas tinkamam specialistui

Augant jūsų agentų ir įgūdžių katalogui, jums reikia mechanizmo, kaip kiekvieną gaunamą užklausą nukreipti tinkamam ekspertui.Tai maršrutizatoriaus agento, mažo, bet labai svarbaus komponento daugiaagentėse architektūrose, darbas.

Pagrindinė maršrutizatoriaus atsakomybė yra klasifikavimas, o ne tiesioginis atsakymas į vartotojų klausimus.Paprastai instrukcijose nurodoma nuskaityti vartotojo užklausą ir išvesti tik geriausiai tam darbui tinkamo agento (arba darbo eigos) pavadinimą.

Kodo laboratorijos daugiaagentinėse sekcijose maršrutizatorius pasirenka iš įvairių domeno agentų. pavyzdžiui, dienos išvykų planuotojas, maisto agentas ar transporto agentas. Vykdymo funkcija pirmiausia paklausia maršrutizatoriaus apie maršrutą, o tada, remdamasi maršrutizatoriaus atsakymu, naudoja paprastą sąlyginę logiką, kad iškviestų tinkamą specialistą.

Šis modelis atitinka tai, kaip kelių agentų orkestravimas aprašytas „AgentKit 2.0“.Ten orkestravimo agentas gauna aukšto lygio tikslą, deleguoja schemos kūrimą duomenų bazės agentui, formos pastolių kūrimą – priekinės dalies agentui, atlieka saugumo peržiūrą, tada perduoda diegimo agentui ir galiausiai sujungia skirtumus ir URL į nuoseklią santrauką vartotojui.

„SequentialAgent“: tvarkingų kelių žingsnių darbo eigų organizavimas

Kai kurios užduotys natūraliai suskaidomos į tvarkingus etapus, kur vieno etapo rezultatai perduodami kitam.Pavyzdžiui, „surask geriausius sušius Palo Alte, o tada pasakyk, kaip ten nuvykti“ pirmiausia reikalauja paieškos žingsnio, o tada – naršymo žingsnio.

ADK siūlo specializuotą darbo eigos agentą, dažnai vadinamą SequentialAgent, kad šios grandinės būtų valdomos tvarkingaiUžuot rašę rankinę orkestravimo logiką, jūs apibrėžiate subagentų ir bendrinamų būsenos raktų sąrašą, o sistema pasirūpina sekos nustatymu ir duomenų perdavimu.

Kodo laboratorijos pavyzdyje gurmanų agentas yra pertvarkomas taip, kad jo rezultatas būtų rodomas pagal output_key kaip "destination"Transporto agento instrukcijose tada yra vietos žymeklis, pvz. {destination} kurį ADK automatiškai užpildo išsaugota reikšme iš bendrinamos būsenos.

Bendras darbo eigos agentas, tarkime find_and_navigate_agent, yra sukonfigūruotas kaip SequentialAgent su subagentais fiksuota tvarka kaip [foodie_agent, transportation_agent]Kai iškviečiamas, iš skambinančiojo perspektyvos jis elgiasi kaip vienas agentas, viduje koordinuodamas du veiksmus ir valdydamas bendrą būseną.

Šis metodas smarkiai supaprastina orkestravimo kodąSąlyginiai medžiai ir ad hoc duomenų sujungimas išnyksta, juos pakeičia deklaratyvūs subagentų ir raktų apibrėžimai. Tai taip pat palengvina darbo eigų testavimą ir išplėtimą, nes kiekvienas subagentas išlieka modulinis ir gali būti pakartotinai naudojamas kituose grandinėse.

„LoopAgent“: iteracinis patikslinimas su planuotoju, kritiku ir patikslintuvu

Daugeliui realaus pasaulio problemų naudingesnis iteracinis tobulinimas, o ne vienkartiniai sprendimaiĮsivaizduokite plano parengimą, jo kritiką, tobulinimą ir kartojimą, kol bus pasiektas tam tikras kokybės standartas. Cikliniai darbo eigos sprendimai atitinka šį poreikį.

ADK fiksuoja šį modelį su LoopAgent, darbo eigos agentas, kuris pakartotinai vykdo subagentų seką, kol suveikia išėjimo sąlygaTai idealiai tinka „perfekcionistams“ agentams, kuriems reikia savarankiškai peržiūrėti ir pataisyti savo rezultatus pagal formalius kriterijus.

Klasikinė ciklo sąranka apima tris vaidmenisPlanuotojas – tai agentas, kuris sukuria pradinį planą, kritikas – tai agentas, kuris įvertina planą pagal apribojimus, ir tikslintojas – tai agentas, kuris redaguoja arba perrašo planą remdamasis kritiko atsiliepimais.

Ciklo apibrėžimas sujungia šiuos vaidmenis į ciklą su maksimaliu iteracijų skaičiumi. pavyzdžiui, norint išvengti begalinių ciklų max_iterations=3Kiekvieną kartą atlikus patikrinimą, kritikas nusprendžia, ar planas priimtinas; jei ne, patikslintojas sugeneruoja pataisytą versiją ir ciklas tęsiasi.

Išėjimas iš ciklo paprastai reikalauja specialaus įrankio, Pavyzdžiui, exit_loop, kurį patikslinimo programa iškviečia, kai kritiko vertinimas tampa teigiamas. Tuomet galutinis patvirtintas planas grąžinamas vartotojui arba perduodamas tolesniems agentams.

Šis modelis ypač naudingas tokiose srityse kaip architektūros projektavimas, saugumo peržiūra ar turinio kūrimas, kur vienkartiniai atsakymai retai kada būna pakankamai geri, o integruoti kritikos ciklai gali gerokai pagerinti vidutinę kokybę.

„ParallelAgent“: pagreitina darbą su lygiagrečiai veikiančiais subagentais

Kai skirtingos vartotojo užklausos dalys yra nepriklausomos, jų vykdymas nuosekliai švaisto laiką.Pavyzdžiui, „rasti muziejų, koncertą ir puikų restoraną šiam vakarui“ nereikalauja, kad kiekviena paieška lauktų kitų.

Lygiagrečios darbo eigos išsprendžia šią problemą, vienu metu paleisdamos kelis specialistusADK atveju, a ParallelAgent vienu metu paleidžia subagentų sąrašą, tada sujungia jų rezultatus per bendrą būseną ir galutinį sintezės etapą.

Įprasta konfigūracija apibrėžia tris konkrečiai sričiai skirtus agentus kaip museum_finder, concert_finder bei restaurant_finder, kiekvienas turi savo output_key bendroje būsenoje. Lygiagretus agentas vykdo visus tris lygiagrečiai, todėl bendras laikas yra artimas lėčiausio pavienio agento laikui, o ne visų trijų sumai.

Kai šie agentai baigia sintezę, sintezės agentas nuskaito vietos žymeklius, pvz. {museum_result}, {concert_result} bei {restaurant_result} iš bendros būsenos, tada parengia nuoseklų, patogų vartotojui atsakymą, apjungiantį visas tris informacijos grupes.

Šis modelis atspindi „lygiagretaus vykdymo“ privalumus, aprašytus „AgentKit 2.0“ orkestravimo srautuose.Nepriklausomi subagentai atlieka savo darbą vienu metu, izoliuoti savo įgūdžiais, kad neužterštų vienas kito konteksto, o koordinatorius palaiko bendrą gedimų toleranciją ir audituojamumą.

AgentKit 2.0, bendruomenės įgūdžiai ir modulinis agentų orkestravimas

„AgentKit 2.0“ praktiškai parodo, kaip atrodo brandi ADK įgūdžių ir agentų ekosistema.Jis tiekiamas su 16 specializuotų agentų, apimančių priekinės ir vidinės dalies, saugumo, testavimo ir infrastruktūros sritis, kiekvienas iš jų iš anksto aprūpintas srities įgūdžiais, kad galėtų autonomiškai atlikti sudėtingas dalines užduotis.

Daugiau nei 40 konkrečioms sritims skirtų įgūdžių yra iš karto sujungti į vieną rinkinį, apimančios tokias pasikartojančias sritis kaip autentifikavimo srautai, duomenų bazių konfigūracija, diegimas realiuoju laiku ir našumo stebėjimas. Būtent šios šiuolaikinių stekų dalys paprastai reikalauja daugiausiai inžinerijos laiko.

Be to, platesnė bendruomenė prisideda prie daugiau nei 1,000 palaikomų įgūdžiųKartu su tokiomis sistemomis kaip „Agent MD“, šie įgūdžiai leidžia agentams interpretuoti išsamias veikimo taisykles ir nuosekliai jas taikyti didelėse, sudėtingose ​​kodų bazėse ir daugiasluoksniuose diegimuose.

Pagrindinė filosofija yra modulinis, agentų valdomas kūrimasUžuot bandę viską atlikti vieną megagentą, jūs suburiate siauros srities specialistų komandą ir ją koordinuojate. Kiekvienas agentas įjungia tik tas žinias, kurių jam reikia jo sričiai, pagal tą patį laipsniško atskleidimo modelį, naudojamą įgūdžių lygmenyje.

Tipiniai orkestravimo srautai atitinka aiškų modelįOrkestravimo agentas gauna aukščiausio lygio tikslą, perduoda duomenų bazės dizainą duomenų bazės agentui (naudodamas schemos įgūdį), siunčia vartotojo sąsajos pastolius priekinės dalies agentui (turinčiam „React“ geriausios praktikos įgūdžius), paleidžia saugos agentą auditams ir galiausiai paprašo diegimo agento perduoti duomenis infrastruktūrai, pvz., „InForge“. Viso proceso metu orkestravimo agentas renka rezultatus, prireikus pakartotinai bando atlikti nepavykusius veiksmus ir registruoja sąveikas auditui.

Ši architektūra ne tik pagerina našumą ir patikimumą, bet ir plečiasi, bendruomenės įgūdžiams išaugus iki tūkstančių.Jums nebereikia vieno visažinio agento; vietoj to pasikliaujate darnia komanda, kurioje kiekvienas narys išlieka aštrus savo įgūdžių srityje.

Praktinis darbas: ADK žiniatinklio agentų paleidimas lokaliai „macOS“, „Linux“ ir „Windows“ sistemose

Visos šios sąvokos tampa daug aiškesnės, kai savo kompiuteryje paleidžiate tikrą ADK pagrindu veikiantį agentą.Pavyzdinių saugyklų ADK žiniatinklio sąranka leidžia vietoje paleisti vienos dienos kelionių planavimo agentą naudojant paprastą žiniatinklio sąsają.

Prieš pradėdami, jums reikės kelių išankstinių sąlygų„Python 3.8“ arba naujesnė versija (rekomenduojama 3.9+), „Google AI Studio“ API raktas ir interneto ryšys. Naujausias „Python“ versijas galite įdiegti google-adk==1.5.0, o „Python 3.8“ naudotojai turėtų naudoti suderinamą versiją, pvz. google-adk==0.3.0.

Pagrindinis „macOS“ ir „Linux“ srautas prasideda nuo saugyklos klonavimo ir virtualios aplinkos nustatymo.Po bėgimo git clone bei cd į projektą galite vykdyti automatinį scenarijų, pvz. ./setup_venv.sh (suteikus vykdymo teises) arba rankiniu būdu sukurkite ir aktyvuokite virtualią aplinką su python3 -m venv .adk_env bei source .adk_env/bin/activate, po to pip install -r requirements.txt.

Svarbus žingsnis yra aplinkos kintamųjų nustatymas naudojant .env failą agent/ katalogasSukuriate šį failą, atidarote jį redaktoriuje ir pridedate eilutes, pvz. GOOGLE_GENAI_USE_VERTEXAI=FALSE bei GOOGLE_API_KEY=your_actual_api_key_here, pakeisdami vietos žymeklį savo tikruoju API raktu. Praleidus šį veiksmą, agentas negalės iškviesti esamų modelių.

Kai aplinka suaktyvinama, tiesiog paleiskite adk web paleisti vietinę žiniatinklio sąsająTerminalas rodo URL, paprastai http://localhost:8000, kur galite atidaryti naršyklę, pasirinkite agent parinktį išskleidžiamajame meniu ir pradėkite pokalbį su dienos išvykos ​​planuotoju. Baigę, virtualią aplinką išaktyvinkite naudodami deactivate komanda

„Windows“ vartotojai laikosi labai panašaus modelio naudodami komandinę eilutę arba „PowerShell“Klonavę saugyklą ir į ją įdiegę, galite paleisti patogų scenarijų, pvz. setup_venv.bat arba sukurkite venv rankiniu būdu naudodami python -m venv .adk_env ir aktyvuokite jį per .adk_env\Scripts\activate komandinėje eilutėje arba .adk_env\Scripts\Activate.ps1 „PowerShell“ programoje.

Geriausios .env failas sistemoje „Windows“ yra toje pačioje vietoje agent\ katalogas, sukurtas, pavyzdžiui, su type nul > agent\.env ir redaguota naudojant „Notepad“. Tada pridedate tas pačias rakto ir reikšmės poras, kad sukonfigūruotumėte „Google AI“ prieigą. Jei „PowerShell“ susiduriate su vykdymo politikos problemomis, tokia komanda kaip Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser išsprendžia juos vietiniams scenarijams.

Įdiegę priklausomybes ir sukonfigūravę aplinkos kintamuosius, paleiskite adk web suteikia tokią pačią naršyklėje veikiančio agento patirtį „Windows“ sistemose, kaip ir „macOS“ ar „Linux“, su galimybe bet kuriuo metu išjungti aplinką naudojant deactivate.

Apjungus viską kartu, ADK agentai, turintys įgūdžių, laipsniško atskleidimo ir daugiaagentinio orkestravimo, siūlo galingą būdą kurti keičiamo dydžio, saugias ir labai specializuotas dirbtinio intelekto sistemas. kurie atitinka realius programinės įrangos darbo eigą. Struktūrizuodamos įgūdžius su tvirtais projektavimo šablonais, sujungdamos agentus su savo įrankiais ir API, panaudodamos maršrutizatorių, nuosekliuosius, ciklinius ir lygiagrečius agentus bei vykdydamos sąrankas vietoje arba debesyje, komandos gali pereiti nuo paprastų pokalbių robotų prie patikimų dirbtinio intelekto bendradarbių, kurie kasdieniame darbe dirba kartu su kūrėjais, analitikais ir operatoriais.