יצירת סוכן באמצעות ADK ו-Agents CLI בפלטפורמת הסוכנים

במאמר הזה מוסבר איך ליצור, להעריך ולפרוס אב טיפוס של סוכן AI באמצעות הערכה לפיתוח סוכנים (ADK) עם Agents CLI ב-Agent Platform. ה-ADK הוא מסגרת קוד פתוח שמתמקדת בקוד, ומיועדת ליצירת סוכני AI מתוחכמים. ‫Agents CLI מספק ממשק אחיד בפורמט קריא למכונה, שמאפשר לכלי פיתוח של AI לתקשר עם ה-ADK, וכך לנהל את מחזור החיים של הסוכן מקצה לקצה. הוא כולל ידע מומחה על ADK, הערכת תפקוד הסוכנים ופריסה ב-Google Cloud, ומאפשר לכלי פיתוח מבוססי-AI לבצע פעולות מורכבות באמצעות הנחיות בשפה טבעית.

כשמשתמשים ב-Agents CLI עם כלי למפתחים המועדף שמבוסס-AI, כמו Gemini CLI,‏ Claude Code או Codex, אפשר להשתמש בפרומפטים בשפה טבעית כדי להגדיר, לבדוק באופן מקומי ולפרוס אב טיפוס של סוכן בסביבת זמן ריצה שלGoogle Cloud .

במדריך הזה נסביר איך ליצור סוכן "דוחס איש מערות", שהופך טקסט מפורט לסיכומים תמציתיים, בהשראת איש המערות.

לפני שמתחילים

מבצעים את הפעולות הבאות:

  1. מוודאים שיש לכם פרויקט ב- Google Cloud ושהפעלתם את Agent Platform API. אם לא, צריך להשלים את אחד מהמדריכים למתחילים הבאים:

  2. מתקינים כלי למפתחים מבוסס-AI, כמו Antigravity,‏ Gemini CLI,‏ Claude Code או Codex. הכלי הזה נדרש כדי לקיים אינטראקציה עם Agents CLI.

הגדרה

  1. מתקינים את uv, כלי להתקנת חבילות של Python. הוראות מפורטות זמינות במדריך ההתקנה של uv.

  2. מריצים את פקודת ההגדרה של Agents CLI באמצעות uvx (כלול ב-uv). זו הפקודה היחידה של Agents CLI שמריצים ישירות:

    uvx google-agents-cli setup

  3. פותחים את הכלי לפיתוח AI, כמו Antigravity.

פרויקט פיגומים

מזינים את ההנחיה הבאה בכלי הפיתוח מבוסס ה-AI:

Use agents-cli to build an agent that compresses verbose text into concise, caveman-style summaries.

הכלי למפתחים מבוסס-ה-AI מפעיל את הסקילים של google-agents-cli-workflow ו-google-agents-cli-scaffold. הוא מבצע את הפעולות הבאות:

  • שואל שאלות הבהרה, כמו יעד הפריסה ומגבלות הבטיחות.
  • כותב קובץ DESIGN_SPEC.md שמתעד את מטרת הנציג.

  • מכין את הפרויקט:

    agents-cli create caveman-agent --prototype --yes
cd caveman-agent && agents-cli install

התהליך הזה יוצר פרויקט עם קוד סטנדרטי של נציג, בדיקות וקבוצות הערכה.

סוכן build

כלי הפיתוח מבוסס ה-AI עורך את app/agent.py, ומחליף את הסוכן שמוגדר כברירת מחדל בלוגיקה של דוחס איש המערות. הוא משתמש במיומנות google-agents-cli-adk-code לתבניות עיצוב של ADK.

הגדרת הנציג שנוצרת דומה לזו:

root_agent = Agent(
   name="caveman_agent",
   model=Gemini(model="gemini-3.5-flash"),
   instruction="""You are a text compressor. Convert verbose input text into short, simple summaries with a caveman-like tone. Rules:
   - Omit articles, filler words, and politeness.
   - Use short sentences and simple words.
   - Preserve technical terms.
   - The tone should be abrupt and funny, but the core meaning must be retained.

   Example input:  "I would like to deploy the application to production environment."
   Example output: "Me deploy. Production. Now."
   """,
)

כלי הפיתוח של ה-AI מבצע בדיקת פונקציונליות בסיסית:

agents-cli run "Please help me understand the deployment options available for my project"

זה הפלט הצפוי מהבדיקה הזו:

"אפשרויות פריסה: Agent Runtime, ‏ Cloud Run, ‏ GKE. בוחרים אפשרות אחת. Ship."

הערכת הסוכן

כדי להעריך את הנציג, מנחים את כלי הפיתוח מבוסס ה-AI באמצעות ההנחיה הבאה:

Write evaluations for the caveman agent and run them.

כלי למפתחים מבוסס AI מפעיל את הסקיל google-agents-cli-eval ומבצע את המשימות הבאות:

  • יוצר tests/eval/evalsets/caveman.evalset.json עם מקרי בדיקה שכוללים איכות דחיסה, שימור מונחים טכניים וטון.
  • הגדרת קריטריונים ל-LLM-as-a-Judge ב-tests/eval/eval_config.json.

  • מריץ את ההערכה:

    agents-cli eval run

אם מקרי הבדיקה נכשלים, צריך לתת משוב מתקן לכלי למפתחים מבוסס AI. לדוגמה:

התשובה לבדיקת הברכה מנומסת מדי. תנסח את זה בצורה יותר קצרה ובוטה.

כלי הפיתוח מבוסס ה-AI משנה את ההוראות של הסוכן, מריץ מחדש את agents-cli eval run וחוזר על הפעולה עד שמגיעים לאיכות הרצויה.

פריסת הסוכן

כדי לפרוס ולהריץ את הסוכן ב- Google Cloud, צריך לתת לכלי הפיתוח מבוסס ה-AI את ההוראות הבאות:

Deploy this agent to Cloud Run.

הכלי למפתחים מבוסס ה-AI מפעיל את המיומנות google-agents-cli-deploy וגם:

  • מוסיפה את הגדרת התשתית הנדרשת לפריסה:

    agents-cli scaffold enhance --deployment-target cloud_run

  • פריסת הסוכן:

    agents-cli deploy

הסוכן נפרס ב-Cloud Run. הפלט כולל את כתובת ה-URL של השירות, שמשמשת לגישה לנציג.

צפייה בנציג

‫Cloud Trace מופעל כברירת מחדל. כדי לראות את המעקבים, פותחים את Cloud Trace explorer במסוף Google Cloud ושולחים בקשות לסוכן שנפרס. יוצגו טווחי זמן של קריאות ל-LLM והפעלות של כלים.

כדי לאפשר תצפיתיות מפורטת יותר, צריך להנחות את כלי הפיתוח מבוסס ה-AI:

Set up observability infrastructure for my agent.

כלי הפיתוח של ה-AI מקצה חשבון שירות, קטגוריה של Cloud Storage ומערך נתונים של BigQuery, ומעדכן את השירות שנפרס כדי להשתמש במשאבים האלה. פרטים נוספים זמינים במדריך לתצפיתיות.

סיכום הפעולות

בטבלה הבאה מפורטות ההנחיות והפעולות התואמות שבוצעו על ידי הכלי למפתחים מבוסס ה-AI:

הוראות למשתמש הפעולות של כלי הפיתוח מבוססי-AI
"בניית סוכן דחיסה פרימיטיבי" מכין את הפרויקט, כותב את קוד הסוכן, בודק באופן מקומי.
"Write evals and run them" יוצר evalset, מגדיר LLM-as-judge, מריץ את agents-cli eval run.
"Deploy this to Cloud Run" מוסיפה הגדרה של יעד פריסה, פורסת ב-Cloud Run.
"הגדרת ניראות" מקצה חשבון שירות, קטגוריה של Cloud Storage ומערך נתונים ב-BigQuery.

מיומנויות של Agents CLI מספקות את ההקשר הנדרש לכלי הפיתוח מבוסס ה-AI כדי להשתמש בתבניות ADK מתאימות, להעריך מבנים ולהגדיר פריסות.

המאמרים הבאים

כדי ליצור סוכנים מורכבים יותר, אפשר להשתמש בהנחיות הבאות:

  • הוספת כלים: "שלב כלי חיפוש Google כדי שהסוכן יוכל לגשת למידע עדכני".
  • מערכות מרובות סוכנים: "צור סוכן שיכול לקיים אינטראקציה עם סוכנים אחרים באמצעות התבנית adk_a2a".
  • ‫RAG: "Build an agent that answers questions based on our documentation using the agentic_rag template."‎

מידע נוסף על פלטפורמת הסוכנים: