Membangun agen dengan ADK dan Agents CLI di Agent Platform

Dokumen ini menunjukkan cara membuat, mengevaluasi, dan men-deploy agen AI prototipe menggunakan Agent Development Kit (ADK) dengan CLI Agen di Agent Platform. ADK adalah framework open source berbasis kode untuk membangun agen AI canggih. CLI Agen menyediakan antarmuka terpadu yang dapat dibaca mesin untuk alat pengembangan AI berinteraksi dengan ADK, sehingga memungkinkan pengelolaan siklus proses agen end-to-end. Hal ini mencakup pengetahuan pakar tentang ADK, evaluasi agen, dan deployment ke Google Cloud, sehingga alat pengembangan AI dapat melakukan tindakan kompleks dari perintah bahasa alami.

Dengan menggunakan Agents CLI bersama alat pengembangan pilihan yang didukung AI, seperti Gemini CLI, Claude Code, atau Codex, Anda dapat menggunakan perintah bahasa alami untuk menentukan, menguji secara lokal, dan men-deploy agen prototipe ke Google Cloud runtime.

Tutorial ini akan memandu Anda membuat agen "kompresor manusia purba", yang mengubah teks panjang menjadi ringkasan singkat, yang terinspirasi dari manusia purba.

Sebelum memulai

Selesaikan prasyarat berikut:

  1. Pastikan Anda memiliki Google Cloud project dan telah mengaktifkan Agent Platform API. Jika belum, selesaikan salah satu panduan memulai berikut:

  2. Instal alat pengembangan yang didukung AI, seperti Antigravity, Gemini CLI, Claude Code, atau Codex. Alat ini diperlukan untuk berinteraksi dengan Agents CLI.

Penyiapan

  1. Instal uv, penginstal paket Python. Untuk mengetahui petunjuknya, lihat panduan penginstalan uv.

  2. Jalankan perintah penyiapan Agents CLI menggunakan uvx (disertakan dengan uv). Ini adalah satu-satunya perintah Agents CLI yang Anda jalankan secara langsung:

    uvx google-agents-cli setup

  3. Buka alat pengembangan AI Anda, seperti Antigravity.

Project scaffold

Instruksikan alat pengembangan AI Anda dengan perintah berikut:

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

Alat pengembangan AI Anda mengaktifkan keterampilan google-agents-cli-workflow dan google-agents-cli-scaffold. Blok kode tersebut akan melakukan tindakan sebagai berikut:

  • Mengajukan pertanyaan klarifikasi, seperti target deployment dan batasan keamanan.
  • Menulis file DESIGN_SPEC.md yang menjelaskan tujuan agen.

  • Membuat struktur project:

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

Proses ini akan membuat project dengan kode agen boilerplate, pengujian, dan set evaluasi.

Membangun agen

Alat pengembangan AI Anda mengedit app/agent.py, mengganti agen default dengan logika kompresor manusia purba. Menggunakan pola desain google-agents-cli-adk-code skill untuk ADK.

Definisi agen yang dihasilkan akan terlihat seperti berikut:

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."
   """,
)

Alat pengembangan AI Anda kemudian melakukan pengujian fungsi dasar:

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

Berikut adalah output yang diharapkan dari pengujian tersebut:

"Opsi deployment: Runtime Agen, Cloud Run, GKE. Pilih salah satu. Kirim."

Mengevaluasi agen

Untuk mengevaluasi agen, beri alat pengembangan AI Anda perintah berikut:

Write evaluations for the caveman agent and run them.

Alat pengembangan AI Anda mengaktifkan kemampuan google-agents-cli-eval dan melakukan tugas-tugas berikut:

  • Membuat tests/eval/evalsets/caveman.evalset.json dengan kasus pengujian yang mencakup kualitas kompresi, pelestarian istilah teknis, dan gaya bahasa.
  • Mengonfigurasi kriteria LLM sebagai penilai di tests/eval/eval_config.json.

  • Menjalankan evaluasi:

    agents-cli eval run

Jika kasus pengujian gagal, berikan masukan korektif ke alat pengembangan AI Anda. Contoh:

Respons terhadap pengujian sapaan terlalu sopan. Buat lebih kasar.

Alat pengembangan AI Anda menyesuaikan petunjuk agen, menjalankan ulang agents-cli eval run, dan melakukan iterasi hingga kualitas yang diinginkan tercapai.

Men-deploy agen

Untuk men-deploy dan menjalankan agen di Google Cloud, berikan petunjuk pada alat pengembangan AI Anda sebagai berikut:

Deploy this agent to Cloud Run.

Alat pengembangan AI Anda mengaktifkan keterampilan google-agents-cli-deploy dan:

  • Menambahkan konfigurasi infrastruktur deployment yang diperlukan:

    agents-cli scaffold enhance --deployment-target cloud_run

  • Men-deploy agen:

    agents-cli deploy

Agen kini di-deploy di Cloud Run. Output mencakup URL layanan, yang Anda gunakan untuk mengakses agen.

Agen pengamat

Cloud Trace diaktifkan secara default. Untuk melihat rekaman aktivitas, buka Cloud Trace Explorer di konsol Google Cloud dan kirim permintaan ke agen yang di-deploy. Anda akan melihat rentang untuk panggilan LLM dan eksekusi alat.

Untuk mengaktifkan kemampuan pengamatan yang lebih mendetail, berikan petunjuk pada alat pengembangan AI Anda:

Set up observability infrastructure for my agent.

Alat pengembangan AI Anda menyediakan akun layanan, bucket Cloud Storage, dan set data BigQuery, serta memperbarui layanan yang di-deploy untuk menggunakan resource ini. Lihat Panduan Observabilitas untuk mengetahui detailnya.

Ringkasan tindakan

Tabel ini merangkum perintah dan tindakan terkait yang dilakukan oleh alat pengembangan AI Anda:

Petunjuk pengguna Tindakan alat pengembangan AI Anda
"Buat agen kompresor manusia purba" Membuat project, menulis kode agen, menguji secara lokal.
"Tulis evaluasi dan jalankan" Membuat evalset, mengonfigurasi LLM sebagai hakim, menjalankan agents-cli eval run.
"Deploy this to Cloud Run" (Deploy ini ke Cloud Run) Menambahkan konfigurasi target deployment, men-deploy ke Cloud Run.
"Siapkan kemampuan pengamatan" Menyediakan akun layanan, bucket Cloud Storage, dan set data BigQuery.

Keterampilan Agents CLI memberikan konteks yang diperlukan untuk alat pengembangan AI Anda dalam menggunakan pola ADK yang sesuai, menyusun evaluasi, dan mengonfigurasi deployment.

Langkah berikutnya

Jelajahi desain agen yang lebih kompleks dengan perintah berikut:

  • Tambahkan alat: "Integrasikan alat Google Penelusuran agar agen dapat mengakses informasi terkini."
  • Sistem multi-agen: "Buat agen yang dapat berinteraksi dengan agen lain menggunakan template adk_a2a."
  • RAG: "Buat agen yang menjawab pertanyaan berdasarkan dokumentasi kami menggunakan template agentic_rag."

Pelajari lebih lanjut Agent Platform: