Membangun agen dengan ADK dan Agents CLI di Agent Platform

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

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

Tutorial ini memandu Anda membuat agen "kompresor manusia gua", yang mengubah teks panjang menjadi ringkasan singkat, yang terinspirasi oleh manusia gua.

Sebelum memulai

Selesaikan prasyarat berikut:

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

  2. Instal alat developer 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 pemasangan 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

Berikan perintah berikut kepada alat developer AI Anda:

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

Alat developer AI Anda mengaktifkan keahlian 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 mencatat tujuan agen.

  • Membuat scaffold project:

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

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

Agen build

Alat developer AI Anda akan mengedit app/agent.py, mengganti agen default dengan logika kompresor manusia gua. Agen ini menggunakan skill google-agents-cli-adk-code untuk pola desain 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 developer AI Anda kemudian melakukan pengujian fungsionalitas 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: Agent Runtime, Cloud Run, GKE. Pilih satu. Kapal."

Mengevaluasi agen

Untuk mengevaluasi agen, instruksikan alat developer AI Anda dengan perintah berikut:

Write evaluations for the caveman agent and run them.

Alat developer AI Anda mengaktifkan keahlian 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-as-judge 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 salam terlalu sopan. Buat lebih singkat.

Alat developer AI Anda akan 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, instruksikan alat pengembangan AI Anda sebagai berikut:

Deploy this agent to Cloud Run.

Alat pengembangan AI Anda mengaktifkan kemampuan 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-nya mencakup URL layanan, yang Anda gunakan untuk mengakses agen.

Mengamati agen

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

Untuk mengaktifkan kemampuan observasi yang lebih mendetail, instruksikan alat pengembangan AI Anda:

Set up observability infrastructure for my agent.

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

Ringkasan tindakan

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

Petunjuk pengguna Tindakan alat developer AI Anda
"Membangun agen kompresor manusia gua" Membuat scaffold project, menulis kode agen, menguji secara lokal.
"Menulis evaluasi dan menjalankannya" Membuat evalset, mengonfigurasi LLM-as-judge, menjalankan agents-cli eval run.
"Deploy this to Cloud Run" Menambahkan konfigurasi target deployment, men-deploy ke Cloud Run.
"Menyiapkan kemampuan observasi" Menyediakan akun layanan, bucket Cloud Storage, dan set data BigQuery.

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

Langkah berikutnya

Pelajari desain agen yang lebih kompleks dengan perintah berikut:

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

Pelajari lebih lanjut Agent Platform: