יצירת סוכן באמצעות ADK ו-Agents CLI בפלטפורמת הסוכנים

במאמר הזה נדגים איך ליצור, להעריך ולפרוס אב-טיפוס של סוכן AI באמצעות הערכה לפיתוח סוכנים (ADK) עם Agents CLI בפלטפורמת הסוכנים. ה-ADK הוא מסגרת קוד פתוח שמתמקדת בקוד, ומאפשרת ליצור סוכני AI מתוחכמים. ‫Agents CLI מספק ממשק אחיד שניתן לקריאה על ידי מכונה, כדי שכלי פיתוח של AI יוכלו ליצור אינטראקציה עם ה-ADK. כך אפשר לנהל את מחזור החיים של הסוכן מקצה לקצה. הוא כולל ידע מקצועי על ADK, על הערכת סוכנים ועל פריסה ב-Google Cloud, ומאפשר לכלים לפיתוח AI לבצע פעולות מורכבות מהנחיות בשפה טבעית.

באמצעות Agents CLI עם כלי הפיתוח המועדף שלכם שמבוסס על AI, כמו Gemini CLI,‏ Claude Code או Codex, אתם יכולים להשתמש בהנחיות בשפה טבעית כדי להגדיר סוכן אב טיפוס, לבדוק אותו באופן מקומי ולפרוס אותו בסביבת זמן ריצהGoogle Cloud .

במדריך הזה מוסבר איך ליצור סוכן 'דחיסה של איש מערות', שממיר טקסט מפורט לסיכומים תמציתיים, בהשראת איש המערות.

לפני שמתחילים

צריך לוודא שמתקיימות הדרישות המוקדמות הבאות:

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

  2. מתקינים כלי פיתוח 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 Python. הוראות מופיעות במדריך להתקנת uv.

  2. מריצים את פקודת ההגדרה של Agents CLI באמצעות uvx (שכלולה 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

נותנים לכלי הפיתוח מבוסס ה-AI את ההנחיה הבאה:

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

כלי הפיתוח מבוסס ה-AI מפעיל את המיומנויות google-agents-cli-workflow וgoogle-agents-cli-scaffold. הוא מבצע את הפעולות הבאות:

  • שואל שאלות הבהרה, כמו יעד הפריסה ומגבלות הבטיחות.
  • כותב קובץ DESIGN_SPEC.md שמתעד את המטרה של הסוכן.

  • יוצר את התשתית של הפרויקט:

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

במהלך התהליך הזה נוצר פרויקט עם קוד סוכן סטנדרטי, בדיקות וקבוצות הערכה.

סוכן ליצירת מפות

כלי הפיתוח של ה-AI עורך את app/agent.py ומחליף את הסוכן שמוגדר כברירת מחדל בלוגיקה של המדחס של איש המערות. הוא משתמש בgoogle-agents-cli-adk-code skill לתבניות עיצוב של ADK.

הגדרת הסוכן שמתקבלת נראית כך:

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."
   """,
)

לאחר מכן, כלי הפיתוח של ה-AI מבצע בדיקה בסיסית של הפונקציונליות:

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

זה הפלט הצפוי מהבדיקה:

"אפשרויות פריסה: זמן ריצה של סוכן, Cloud Run, ‏ GKE. בוחרים אחת מהאפשרויות. תשלח".

הערכת הסוכן

כדי להעריך את הסוכן, מזינים את ההנחיה הבאה לכלי הפיתוח של ה-AI:

Write evaluations for the caveman agent and run them.

כלי ה-AI למפתחים מפעיל את google-agents-cli-eval המיומנות ומבצע את המשימות הבאות:

  • יוצר tests/eval/evalsets/caveman.evalset.json עם תרחישי בדיקה שכוללים איכות דחיסה, שמירה על מונחים טכניים וטון.
  • הגדרת קריטריונים של LLM-as-judge ב-tests/eval/eval_config.json.

  • הפעלת ההערכה:

    agents-cli eval run

אם תרחישי הבדיקה נכשלים, צריך לספק משוב מתקן לכלי לפיתוח AI. לדוגמה:

התשובה לבדיקת הברכה מנומסת מדי. תנסח את זה בצורה יותר בוטה.

כלי הפיתוח של ה-AI מתאים את ההוראות של הנציג, מריץ מחדש את agents-cli eval run וחוזר על הפעולה עד להשגת האיכות הרצויה.

פריסת הסוכן

כדי לפרוס ולהפעיל את הסוכן ב- Google Cloud, נותנים לכלי לפיתוח AI את ההוראות הבאות:

Deploy this agent to Cloud Run.

כלי ה-AI למפתחים מפעיל את מיומנות google-agents-cli-deploy ו:

  • הוספת ההגדרה של תשתית הפריסה הנדרשת:

    agents-cli scaffold enhance --deployment-target cloud_run

  • פריסת הסוכן:

    agents-cli deploy

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

התבוננות בנציג

‫Cloud Trace מופעל כברירת מחדל. כדי לראות את העקבות, פותחים את Cloud Trace explorer במסוף Google Cloud ושולחים בקשות לסוכן הפרוס. יוצגו טווחי זמן של קריאות ל-LLM ושל הפעלות כלים.

כדי להפעיל יכולת תצפית מפורטת יותר, צריך להנחות את כלי ה-AI למפתחים:

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 בנושא יכולת צפייה.

סיכום הפעולות

בטבלה הזו מפורטות ההנחיות והפעולות התואמות שבוצעו על ידי כלי הפיתוח מבוסס ה-AI:

הוראות למשתמשים הפעולות של כלי ה-AI למפתחים
‫"Build a caveman compressor agent" (יצירת סוכן דחיסה של איש מערות) יוצר תבנית לפרויקט, כותב קוד לסוכן ובודק באופן מקומי.
‫"Write evals and run them" ‏(כתיבת הערכות והרצה שלהן) יוצר evalset, מגדיר LLM-as-judge ומריץ את agents-cli eval run.
‫"Deploy this to Cloud Run" (פריסה של הקוד הזה ב-Cloud Run) הוספת הגדרות של יעד פריסה, פריסה ב-Cloud Run.
"הגדרת יכולת תצפית" הכלי מקצה חשבון שירות, קטגוריה של Cloud Storage ומערך נתונים ב-BigQuery.

היכולות של Agents CLI מספקות את ההקשר הנדרש לכלי פיתוח ה-AI שלכם כדי להשתמש בדפוסי ADK מתאימים, לבצע הערכות של מבנים ולהגדיר פריסות.

המאמרים הבאים

אפשר להשתמש בהנחיות הבאות כדי לחקור עיצובים מורכבים יותר של סוכנים:

  • הוספת כלים: "שילוב כלי של חיפוש Google כדי שהסוכן יוכל לגשת למידע עדכני".
  • מערכות מרובות סוכנים: "תצור סוכן שיכול לקיים אינטראקציה עם סוכנים אחרים באמצעות התבנית adk_a2a".
  • ‫RAG: "תבנה סוכן שעונה על שאלות על סמך התיעוד שלנו באמצעות תבנית agentic_rag".

מידע נוסף על פלטפורמת Agent: