GENAI104

Übersicht: Vorteile des Agent Development Kit

Das Agent Development Kit bietet mehrere entscheidende Vorteile für Entwicklerinnen und Entwickler, die agentische Anwendungen erstellen:

1. Multi-Agenten-Systeme: Erstellen Sie modulare und skalierbare Anwendungen, indem Sie mehrere spezialisierte Agenten in einer Hierarchie zusammenstellen. Ermöglichen Sie komplexe Koordination und Delegation.
2. Umfangreiches Tool-Ökosystem: Statten Sie Agenten mit verschiedenen Kompetenzen aus. Verwenden Sie vorgefertigte Tools (Suche, Code-Ausführung usw.), erstellen Sie benutzerdefinierte Funktionen, integrieren Sie Tools aus Agenten-Frameworks von Drittanbietern (LangChain, CrewAI) oder nutzen Sie sogar andere Agenten als Tools.
3. Flexible Orchestrierung: Definieren Sie Workflows mit Workflow-Agenten (SequentialAgent, ParallelAgent und LoopAgent) für vorhersagbare Pipelines oder nutzen Sie LLM-basiertes dynamisches Routing (LlmAgent-Transfer) für adaptives Verhalten.
4. Integrierte Entwicklungsumgebung: Entwickeln, testen und debuggen Sie lokal mit einer leistungsstarken Befehlszeile und einer interaktiven Entwicklungs-UI. Prüfen Sie Ereignisse, Status und Agentenausführung Schritt für Schritt.
5. Integrierte Bewertung: Bewerten Sie die Leistung des Agenten systematisch, indem Sie sowohl die Qualität der endgültigen Antwort als auch den schrittweisen Ausführungsablauf anhand vordefinierter Testläufe bewerten.
6. Schnelle Bereitstellung: Sie können Ihre Agenten überall containerisieren und bereitstellen. Führen Sie sie lokal aus, skalieren Sie sie mit der Vertex AI Agent Engine oder integrieren Sie sie mit Cloud Run oder Docker in Ihre eigene Infrastruktur.

Während andere SDKs oder Agenten-Frameworks auf Basis generativer KI Ihnen ebenfalls ermöglichen, Modelle abzufragen und sie sogar mit Tools auszustatten, erfordert die dynamische Koordination zwischen mehreren Modellen einen erheblichen Arbeitsaufwand Ihrerseits.

Das Agent Development Kit bietet ein übergeordnetes Framework, mit dem Sie problemlos mehrere Agenten miteinander verbinden können, um komplexe, aber einfach zu wartende Workflows zu erstellen.

Darüber hinaus können Sie diese komplexen Agentensysteme auf einem vollständig verwalteten Endpunkt in der Agent Engine bereitstellen. So können Sie sich auf die Logik der Agenten konzentrieren, während die Infrastruktur für Sie bereitgestellt und skaliert wird.

Ziele

In diesem Lab erstellen Sie einen einzelnen Agenten, der ein Suchtool verwenden kann. Sie testen Agenten in der Browser-UI des ADK, über eine Befehlszeilen-Chat-Oberfläche und programmatisch über ein Script.

Dabei werden Sie die folgenden Faktoren berücksichtigen:

• Die wichtigsten Funktionen des Agent Development Kit
• Die wichtigsten Konzepte des ADK
• Wie Sie Projektverzeichnisse für das ADK strukturieren
• Die grundlegendsten Parameter von Agenten im ADK, einschließlich der Angabe von Modellnamen und Tools
• Ausgewählte Funktionen der Browser-UI des ADK
• Steuerung des Ausgabeschemas eines Agenten
• Wie Sie Agenten auf drei Arten ausführen (über die Browser-UI, programmatisch und über die Befehlszeilen-Chat-Oberfläche)

Einrichtung und Anforderungen

Vor dem Klick auf "Start Lab" (Lab starten)

Lesen Sie diese Anleitung. Labs sind zeitlich begrenzt und können nicht pausiert werden. Der Timer, der mit dem Klick auf "Start Lab" (Lab starten) gestartet wird, gibt an, wie lange die Ressourcen für das Lab verfügbar sind.

In diesem praxisorientierten Qwiklabs-Lab können Sie die Lab-Aktivitäten selbst in einer echten Cloud-Umgebung durchführen, nicht in einer Simulations- oder Demo-Umgebung. Dazu erhalten Sie neue, temporäre Anmeldedaten, mit denen Sie für die Dauer des Labs auf die Google Cloud Platform zugreifen können.

Voraussetzungen

Für dieses Lab benötigen Sie Folgendes:

• Einen Standardbrowser (empfohlen wird Chrome)
• Genügend Zeit, um das Lab abzuschließen

Hinweis: Auch wenn Sie bereits ein eigenes GCP-Konto oder -Projekt haben, sollten Sie es nicht für das Lab verwenden.

Lab starten und bei der Google Cloud Console anmelden

1. Klicken Sie auf Lab starten. Wenn Sie für das Lab bezahlen müssen, wird ein Dialogfeld geöffnet, in dem Sie Ihre Zahlungsmethode auswählen können. Auf der linken Seite befindet sich der Bereich „Details zum Lab“ mit diesen Informationen:

   • Schaltfläche „Google Cloud Console öffnen“
   • Restzeit
   • Temporäre Anmeldedaten für das Lab
   • Ggf. weitere Informationen für dieses Lab

2. Klicken Sie auf Google Cloud Console öffnen (oder klicken Sie mit der rechten Maustaste und wählen Sie Link in Inkognitofenster öffnen aus, wenn Sie Chrome verwenden).

   Im Lab werden Ressourcen aktiviert. Anschließend wird ein weiterer Tab mit der Seite „Anmelden“ geöffnet.

   Tipp: Ordnen Sie die Tabs nebeneinander in separaten Fenstern an.

   Hinweis: Wird das Dialogfeld Konto auswählen angezeigt, klicken Sie auf Anderes Konto verwenden.

3. Kopieren Sie bei Bedarf den folgenden Nutzernamen und fügen Sie ihn in das Dialogfeld Anmelden ein.

   {{{user_0.username | "Username"}}}

   Sie finden den Nutzernamen auch im Bereich „Details zum Lab“.

4. Klicken Sie auf Weiter.

5. Kopieren Sie das folgende Passwort und fügen Sie es in das Dialogfeld Willkommen ein.

   {{{user_0.password | "Password"}}}

   Sie finden das Passwort auch im Bereich „Details zum Lab“.

6. Klicken Sie auf Weiter.

   Wichtig: Sie müssen die für das Lab bereitgestellten Anmeldedaten verwenden. Nutzen Sie nicht die Anmeldedaten Ihres Google Cloud-Kontos. Hinweis: Wenn Sie Ihr eigenes Google Cloud-Konto für dieses Lab nutzen, können zusätzliche Kosten anfallen.

7. Klicken Sie sich durch die nachfolgenden Seiten:

   • Akzeptieren Sie die Nutzungsbedingungen.
   • Fügen Sie keine Wiederherstellungsoptionen oder Zwei-Faktor-Authentifizierung hinzu (da dies nur ein temporäres Konto ist).
   • Melden Sie sich nicht für kostenlose Testversionen an.

Nach wenigen Augenblicken wird die Google Cloud Console in diesem Tab geöffnet.

Hinweis: Wenn Sie auf Google Cloud-Produkte und ‑Dienste zugreifen möchten, klicken Sie auf das Navigationsmenü oder geben Sie den Namen des Produkts oder Dienstes in das Feld Suchen ein.

Aufgabe 1: ADK installieren und Umgebung einrichten

Von Vertex AI empfohlene APIs aktivieren

1. In dieser Lab-Umgebung wurde die Vertex AI API für Sie aktiviert. Wenn Sie diese Schritte in Ihrem eigenen Projekt ausführen, können Sie die API aktivieren, indem Sie zu Vertex AI wechseln und der Aufforderung zum Aktivieren folgen.

Cloud Shell-Editor-Tab vorbereiten

1. Wählen Sie das Google Cloud Console-Fenster aus und öffnen Sie die Cloud Shell, indem Sie auf der Tastatur die Taste G und dann die Taste S drücken. Alternativ können Sie rechts oben in der Cloud Console auf „Cloud Shell aktivieren“ () klicken.

2. Klicken Sie auf Weiter.

3. Wenn Sie zur Autorisierung der Cloud Shell aufgefordert werden, klicken Sie auf Autorisieren.

4. Klicken Sie oben rechts im Cloud Shell-Terminalbereich auf In neuem Fenster öffnen .

5. Geben Sie im Cloud Shell-Terminal Folgendes ein, um den Cloud Shell-Editor in Ihrem Basisverzeichnis zu öffnen:

   cloudshell workspace ~

6. Schließen Sie alle zusätzlichen Tutorials oder Gemini-Felder, die auf der rechten Seite des Bildschirms angezeigt werden, damit mehr Platz für den Code-Editor bleibt.
7. Im weiteren Verlauf dieses Labs dient dieses Fenster als IDE für das Arbeiten im Cloud Shell-Editor und Cloud Shell-Terminal.

ADK und Codebeispiele für dieses Lab herunterladen und installieren

1. Aktualisieren Sie die Umgebungsvariable PATH und installieren Sie das ADK, indem Sie die folgenden Befehle im Cloud Shell-Terminal ausführen. Hinweis: Sie geben die Version an, damit die von Ihnen installierte ADK-Version der in diesem Lab verwendeten Version entspricht:

   export PATH=$PATH:"/home/${USER}/.local/bin" python3 -m pip install google-adk

2. Fügen Sie die folgenden Befehle in das Cloud Shell-Terminal ein, um eine Datei aus einem Cloud Storage-Bucket zu kopieren und zu entzippen. Dadurch wird ein Projektverzeichnis mit Code für dieses Lab erstellt:

   gcloud storage cp gs://{{{project_0.project_id| YOUR_GCP_PROJECT_ID}}}-bucket/adk_project.zip ./adk_project.zip unzip adk_project.zip

3. Installieren Sie zusätzliche Lab-Anforderungen mit dem folgenden Befehl:

   python3 -m pip install -r adk_project/requirements.txt

Grundlegende Konzepte des Agent Development Kit

Das Google ADK basiert auf einigen Kernkonzepten, die es leistungsstark und flexibel machen:

• Agenten: Agenten sind die wichtigsten Bausteine, mit denen sich bestimmte Aufgaben erledigen lassen. Sie können mithilfe von LLMs Überlegungen anstellen, planen und Tools einsetzen, um ihre Ziele zu erreichen. Und bei komplexen Projekten können sie sogar zusammenarbeiten.
• Tools: Tools verleihen Agenten zusätzliche Fähigkeiten, die über eine Unterhaltung hinausgehen. So können sie mit externen APIs interagieren, Informationen suchen, Code ausführen oder andere Dienste aufrufen.
• Sitzungsservices: Sitzungsservices verarbeiten den Kontext einer einzelnen Unterhaltung (Sitzung), einschließlich des Verlaufs (Ereignisse) und des Arbeitsspeichers des Agenten für diese Unterhaltung (Status).
• Callbacks: Benutzerdefinierte Code-Snippets, die Sie während der Ausführung des Agenten an bestimmten Punkten bereitstellen, um Prüfungen, Logging oder Verhaltensänderungen zu ermöglichen.
• Artefaktverwaltung: Mit Artefakten können Agenten Dateien oder Binärdaten (z. B. Bilder oder PDFs) speichern, laden und verwalten, die mit einer Sitzung oder einem Nutzer bzw. einer Nutzerin verknüpft sind.
• Runner: Die Engine, die den Ablauf der Ausführung verwaltet, Agenteninteraktionen basierend auf Ereignissen orchestriert und mit Backend-Diensten koordiniert.

Aufgabe 2: Struktur von Projektverzeichnissen im Agent Development Kit verstehen

1. Suchen Sie im Datei-Explorer des Cloud Shell-Editors nach dem Ordner adk_project. Klicken Sie darauf, um ihn zu öffnen.

2. Dieses Verzeichnis enthält drei weitere Verzeichnisse: my_google_search_agent, app_agent und llm_auditor. Jedes dieser Verzeichnisse stellt einen separaten Agenten dar. Die Aufteilung der Agenten in eigene Verzeichnisse innerhalb eines Projektverzeichnisses schafft Übersichtlichkeit. Darüber hinaus kann das Agent Development Kit dadurch nachvollziehen, welche Agenten vorhanden sind.

3. Klicken Sie auf my_google_search_agent, um ein Agentenverzeichnis aufzurufen.

4. Sie werden sehen, dass das Verzeichnis eine __init__.py-Datei und eine agent.py-Datei enthält. Eine __init__.py-Datei wird normalerweise verwendet, um ein Verzeichnis als Python-Paket zu identifizieren, das von anderem Python-Code importiert werden kann. Klicken Sie auf die Datei __init__.py, um ihren Inhalt aufzurufen.

5. Beachten Sie, dass die Datei __init__.py nur eine Zeile enthält, die aus der Datei agent.py importiert wird. Das ADK verwendet diese Datei, um das Verzeichnis als Agentenpaket zu identifizieren:

   from . import agent

6. Klicken Sie jetzt auf die Datei agent.py. Diese Datei enthält einen einfachen Agenten. Sie werden ihn mit einem leistungsstarken Tool ausstatten: der Möglichkeit, mit der Google Suche im Internet zu suchen. Achten Sie bei der Datei auf Folgendes:

   • Beachten Sie die Importe aus google.adk: die Klasse Agent und das Tool google_search aus dem Modul tools.
   • Lesen Sie die Codekommentare, in denen die Parameter beschrieben werden, mit denen dieser einfache Agent konfiguriert wird.

7. Damit das importierte Tool google_search verwendet werden kann, muss es an den Agenten übergeben werden. Fügen Sie dazu die folgende Zeile in die Datei agent.py ein, wie am Ende der Erstellung des Agent-Objekts angegeben:

   tools=[google_search]

8. Speichern Sie die Datei.

Aufgabe 3: Agenten über die Entwicklungs-UI des ADK ausführen

Das ADK enthält eine Entwicklungs-UI, die lokal ausgeführt werden kann, um Ihnen bei der Entwicklung und dem Testen Ihrer Agenten zu helfen. Mit der UI können Sie visualisieren, was die einzelnen Agenten tun und wie mehrere Agenten miteinander interagieren. In dieser Aufgabe sehen Sie sich diese Benutzeroberfläche an.

1. Wählen Sie in den Menüs des Cloud Shell-Editors die Option Ansicht > Versteckte Dateien umschalten aus, um Ihre versteckten Dateien anzuzeigen oder auszublenden (Dateien mit einem Punkt am Anfang ihres Dateinamens sind in den meisten Dateisystemen standardmäßig ausgeblendet). Eventuell müssen Sie in diesem Menü nach unten scrollen, um die Option „Versteckte Dateien einblenden“ zu finden.

2. Rufen Sie im Datei-Explorer-Bereich des Cloud Shell-Editors das Verzeichnis adk_project/my_google_search_agent auf.

3. Wählen Sie im Verzeichnis my_google_search_agent die Datei .env aus.

4. Fügen Sie diese Werte in die Datei ein, um die Datei mit Ihrer Projekt-ID zu aktualisieren:

   GOOGLE_GENAI_USE_VERTEXAI=TRUE GOOGLE_CLOUD_PROJECT={{{project_0.project_id| YOUR_GCP_PROJECT_ID}}} GOOGLE_CLOUD_LOCATION={{{project_0.default_region| GCP_LOCATION}}} MODEL=gemini-2.5-flash

5. Speichern Sie die Datei.

6. Prüfen Sie im Cloud Shell-Terminal, ob Sie sich im Verzeichnis adk_project befinden, wo auch Ihre Agenten-Unterverzeichnisse zu finden sind. Führen Sie dazu folgenden Befehl aus:

   cd ~/adk_project

7. Starten Sie die Entwicklungs-UI des Agent Development Kit mit dem folgenden Befehl:

   adk web

   Ausgabe:

   INFO: Started server process [2434] INFO: Waiting for application startup. +-------------------------------------------------------+ | ADK Web Server started | | | | For local testing, access at http://localhost:8000. | +-------------------------------------------------------+ INFO: Application startup complete. INFO: Uvicorn running on http://127.0.0.1:8000 (Press CTRL+C to quit)

8. Wenn Sie die Weboberfläche auf einem neuen Tab aufrufen möchten, klicken Sie in der Terminalausgabe auf den Link http://127.0.0.1:8000. Sie werden dann über einen Proxy zu dieser App weitergeleitet, die lokal auf Ihrer Cloud Shell-Instanz ausgeführt wird.

9. Ein neuer Browsertab mit der ADK-Entwicklungs-UI wird geöffnet.

10. Wählen Sie links im Drop-down-Menü KI-Agent auswählen die Option my_google_search_agent aus.

    

11. Um den Agenten zur Verwendung der Google Suche zu animieren, geben Sie folgende Frage ein:

    Was sind die neuesten globalen Nachrichten?

12. Anhand der Ergebnisse werden Sie feststellen, dass der Agent die Google Suche zum Abrufen aktueller Informationen nutzen kann, anstatt nur auf dem Wissensstand zum Zeitpunkt des Modelltrainings zu bleiben.

    Eine Antwort, für die eine Fundierung mit der Google Suche verwendet wird, enthält anzeigefertige HTML-„Suchvorschläge“ wie die, die Sie unten in der Antwort des Agenten sehen. Wenn Sie die Fundierung mit der Google Suche verwenden, müssen Sie diese Vorschläge anzeigen. Damit können Nutzerinnen und Nutzer den Informationen nachgehen, die das Modell für seine Antwort verwendet hat.

13. Beachten Sie, dass Sie sich in der linken Seitenleiste standardmäßig auf dem Tab Trace befinden. Klicken Sie auf den Text Ihrer letzten Abfrage (Was sind die neuesten globalen Nachrichten?), um zu sehen, wie lange die verschiedenen Teile Ihrer Abfrage für die Ausführung gebraucht haben. Damit können Sie komplexere Ausführungen mit Toolaufrufen debuggen, um zu verstehen, wie verschiedene Prozesse zur Latenz Ihrer Antworten beitragen.

    

14. Klicken Sie auf das Agentensymbol () neben der Antwort des Agenten (oder auf ein Ereignis aus der Liste auf dem Tab Ereignisse), um das vom Agent zurückgegebene Ereignis zu prüfen. Es enthält den Inhalt, der zurückgegeben wurde, und groundingMetadata, in dem die für die Antwort zugrunde liegenden Suchergebnisse aufgeführt sind.

15. Wenn Sie die Entwicklungs-UI nicht mehr benötigen, schließen Sie diesen Browsertab und kehren Sie zum Browsertab mit dem Cloud Shell-Terminal zurück. Klicken Sie auf den Bereich des Terminals und drücken Sie Strg + C zum Beenden des Webservers.

Klicken Sie auf Fortschritt prüfen. Agenten über die Web-UI des ADK ausführen

Aufgabe 4: Agenten programmatisch ausführen

Die Entwicklungs-UI eignet sich hervorragend zum Testen und Debuggen. Sie ist jedoch nicht für die Präsentation Ihres Agenten für mehrere Nutzerinnen und Nutzer in der Produktion geeignet.

Um einen Agenten als Teil einer größeren Anwendung auszuführen, müssen Sie einige zusätzliche Komponenten in Ihr agent.py-Script aufnehmen, welche die Web-App in der vorherigen Aufgabe für Sie bereitgestellt hat. Fahren Sie mit den folgenden Schritten fort, um ein Script mit diesen Komponenten zu öffnen und sie zu überprüfen.

1. Führen Sie im Cloud Shell-Terminal die folgenden Befehle aus, um Umgebungsvariablen zu exportieren. Mit diesem Ansatz können Sie Umgebungsvariablen für alle Ihre Agenten festlegen, wenn sie keine .env-Datei in ihrem Verzeichnis haben:

   export GOOGLE_GENAI_USE_VERTEXAI=TRUE export GOOGLE_CLOUD_PROJECT={{{project_0.project_id| YOUR_GCP_PROJECT_ID}}} export GOOGLE_CLOUD_LOCATION={{{project_0.default_region| GCP_LOCATION}}} export MODEL=gemini-2.5-flash

2. Wählen Sie im Dateibrowser des Cloud Shell-Editors das Verzeichnis adk_project/app_agent aus.

3. Wählen Sie in diesem Verzeichnis die Datei agent.py aus.

4. Dieser Agent ist für die Ausführung als Teil einer Anwendung konzipiert. Lesen Sie den kommentierten Code in agent.py und achten Sie dabei besonders auf die folgenden Komponenten im Code:

   Komponente	Funktion	Beschreibung
   InMemoryRunner()	Aufsicht über die Agentenausführung	Der Runner ist der Code, der Nutzeranfragen empfängt, sie an den entsprechenden Agenten weiterleitet, dessen Antwortereignis entgegennimmt, es an die aufrufende Anwendung oder UI zurückgibt und das nächste Ereignis auslöst. Weitere Informationen finden Sie in der ADK-Dokumentation zur Ereignisschleife.
   runner.session_service.create_session()	Unterhaltungsverlauf und gemeinsamer Status	Mithilfe von Sitzungen kann ein Agent seinen Zustand bewahren, indem er sich an eine Liste von Objekten, den aktuellen Status einer Aufgabe oder andere „aktuelle“ Informationen erinnert. Zur Vereinfachung erstellt diese Klasse einen lokalen Sitzungsdienst, wobei dies in der Produktion auch von einer Datenbank übernommen werden könnte.
   types.Content() und types.Part()	Strukturierte, multimodale Nachrichten	Statt eines einfachen Strings wird dem Agenten ein Content-Objekt übergeben, das aus mehreren Teilen bestehen kann. Dadurch können komplexe Nachrichten, einschließlich Text und multimodaler Inhalte, in einer bestimmten Reihenfolge an den Agenten übergeben werden.

5. Das Script enthält eine hartcodierte Anfrage, in der der Agent Folgendes gefragt wird: Was ist die Hauptstadt Frankreichs?

6. Führen Sie im Cloud Shell-Terminal den folgenden Befehl aus, um diesen Agenten programmatisch auszuführen:

   python3 app_agent/agent.py

   Ausgewählte Ausgabe:

   trivia_agent: Die Hauptstadt von Frankreich ist Paris.

7. Sie können auch ein bestimmtes Ein- und/oder Ausgabeschema für einen Agenten definieren.

   Fügen Sie nun Importe für die Pydantic-Schemaklassen BaseModel und Field hinzu. Diese verwenden Sie, um eine Schemaklasse zu definieren, die nur aus einem Feld mit dem Schlüssel „capital“ und einem String-Wert besteht, der für den Namen der Hauptstadt eines Landes bestimmt ist. Sie können diese Zeilen unmittelbar nach Ihren anderen Importen in Ihre Datei app_agent/agent.py einfügen:

   from pydantic import BaseModel, Field class CountryCapital(BaseModel): capital: str = Field(description="A country's capital.") Wichtiger Hinweis: Wenn Sie ein Ausgabeschema definieren, können Sie keine Tools oder Agenten-Transfers verwenden.

8. Fügen Sie in der Agent-Definition Ihres root_agent die folgenden Parameter hinzu, um Weiterleitungen zu deaktivieren (was bei Verwendung eines Ausgabeschemas erforderlich ist) und die Ausgabe gemäß dem oben definierten CountryCapital-Schema zu generieren:

   disallow_transfer_to_parent=True, disallow_transfer_to_peers=True, output_schema=CountryCapital,

9. Führen Sie das Agenten-Script noch einmal aus, um die Antwort gemäß output_schema zu erhalten:

   python3 app_agent/agent.py

   Ausgewählte Ausgabe:

   ** User says {'parts': [{'text': 'Was ist die Hauptstadt Frankreichs?'}], 'role': 'user'} ** trivia_agent: {"capital": "Paris"}

Klicken Sie auf Fortschritt prüfen. Agenten programmatisch ausführen

Aufgabe 5: Mit einem Agenten über die Befehlszeile chatten

Sie können auch über die Befehlszeile mit einem Agenten in Ihrer lokalen Entwicklungsumgebung chatten. Das kann sehr praktisch sein, um Agenten während der Entwicklung schnell zu debuggen und zu testen.

Wie bei der Weboberfläche werden auch bei der Befehlszeile der Sitzungsservice, der Artefaktservice und der Runner für Ihren Agenten erstellt.

So führen Sie eine interaktive Sitzung über die Befehlszeile aus:

1. Führen Sie im Cloud Shell-Terminal den folgenden Befehl aus:

   adk run my_google_search_agent

   Ausgabe:

   Log setup complete: /tmp/agents_log/agent.20250322_010300.log To access latest log: tail -F /tmp/agents_log/agent.latest.log Running agent basic_search_agent, type exit to exit. user:

2. Geben Sie die folgende Nachricht ein:

   Welche neuen Filme sind im letzten Monat in Indien angelaufen?

   Beispielausgabe (Ihre Ausgabe kann davon abweichen):

   [google_search_agent]: Hier sind einige Filme, die im letzten Monat (August bis September 2025) in Indien angelaufen sind: * **Param Sundari** Angelaufen am 29. August 2025. * **Ek Chatur Naar**: Angelaufen am 12. September 2025. * **Jolly LLB 3**: Angelaufen am 19. September 2025. * **Ajey: The Untold Story of a Yogi** Angelaufen am 19. September 2025. * **Antha 7 Naatkal** Angelaufen am 25. September 2025.

3. Wenn Sie die Unterhaltung mit der Befehlszeile beenden möchten, geben Sie beim nächsten Prompt exit ein.

Klicken Sie auf Fortschritt prüfen. Mit einem Agenten über die Befehlszeile chatten

Aufgabe 6: Beispiel für ein System mit mehreren Agenten ansehen

Weitere Informationen zum Erstellen von Multi-Agenten-Systemen finden Sie im Lab Multi-Agenten-Systeme mit dem ADK erstellen. Da die entsprechenden Funktionen jedoch ein wichtiger Bestandteil des Agent Development Kit sind, können Sie sich jetzt ein Multi-Agenten-System ansehen.

Dieses Agentensystem bewertet und verbessert die faktische Fundierung von Antworten, die von LLMs generiert werden. Dazu gehören: – ein critic_agent, der als automatisierter Faktenchecker dient – ein reviser_agent, der Antworten bei Bedarf neu schreibt, um Ungenauigkeiten auf Grundlage von verifizierten Ergebnissen zu korrigieren

So können Sie diesen Agenten ausprobieren:

1. Um den Code dieses Multi-Agenten-Systems zu untersuchen, gehen Sie über den Datei-Explorer des Cloud Shell-Editors zum Verzeichnis adk_project/llm_auditor.

2. Wählen Sie im Verzeichnis llm_auditor die Datei agent.py aus.

3. Bei diesem Beispiel mit mehreren Agenten sind einige Dinge zu beachten:

   • Beachten Sie den Import und die Verwendung der Klasse SequentialAgent. Dies ist ein Beispiel für eine Workflow-Klasse, bei der die Kontrolle über die Unterhaltung der Reihe nach von einem Agenten an den nächsten weitergegeben wird, ohne zwischendurch auf eine Nutzeraktion zu warten. Wenn Sie den Agenten ausführen, sehen Sie Antworten vom critic_agent und vom reviser_agent in dieser Reihenfolge, ohne dass auf eine Nutzeraktion gewartet wird.
   • Beachten Sie, dass diese untergeordneten Agenten jeweils aus eigenen Verzeichnissen innerhalb eines sub_agents-Verzeichnisses importiert werden.
   • In den Verzeichnissen der Sub-Agenten finden Sie die Dateien __init__.py und agent.py, die Sie bereits in der Verzeichnisstruktur kennengelernt haben, sowie eine Datei prompt.py. Diese bietet einen dedizierten Ort, an dem ein vollständiger, gut strukturierter Prompt gespeichert und bearbeitet werden kann, bevor er in die Datei agent.py importiert wird.

4. Erstellen Sie eine .env-Datei für diesen Agenten und starten Sie die Entwicklungs-UI noch einmal, indem Sie folgenden Befehl im Cloud Shell-Terminal ausführen:

   cd ~/adk_project cat << EOF > llm_auditor/.env GOOGLE_GENAI_USE_VERTEXAI=TRUE GOOGLE_CLOUD_PROJECT={{{project_0.project_id| YOUR_GCP_PROJECT_ID}}} GOOGLE_CLOUD_LOCATION={{{project_0.default_region| GCP_LOCATION}}} MODEL=gemini-2.5-flash EOF adk web Hinweis: Wenn Sie Ihre vorherige adk web-Sitzung nicht beendet haben, ist der Standardport 8000 blockiert. Sie können die Entwicklungs-UI jedoch mit einem neuen Port starten, indem Sie beispielsweise adk web --port 8001 verwenden.

5. Klicken Sie in der Terminalausgabe auf den Link http://127.0.0.1:8000. Ein neuer Browsertab mit der ADK-Entwicklungs-UI wird geöffnet.

6. Wählen Sie links im Drop-down-Menü KI-Agent auswählen die Option llm_auditor aus.

7. Beginnen Sie die Unterhaltung mit der folgenden falschen Aussage:

   Überprüfe diese Aussage: Die Erde ist weiter von der Sonne entfernt als der Mars.

8. Im Chatbereich sollten zwei Antworten vom Agenten angezeigt werden:

   • Zuerst eine detaillierte Antwort des critic_agent, in der die Richtigkeit der Aussage auf Grundlage von Faktenchecks mit der Google Suche überprüft wird.
   • Anschließend eine kurze überarbeitete Aussage des reviser_agent mit einer korrigierten Version Ihrer falschen Eingabe, z. B. „Die Erde ist näher an der Sonne als der Mars.“

9. Klicken Sie neben jeder Antwort auf das Symbol für den Agenten (), um das Ereignisfeld für diese Antwort zu öffnen. Alternativ können Sie das entsprechende nummerierte Ereignis im Bereich „Ereignisse“ suchen und auswählen. Oben in der Ereignisansicht sehen Sie ein Diagramm, in dem die Beziehungen zwischen den Agenten und Tools in diesem Multi-Agenten-System visualisiert werden. Der für diese Antwort verantwortliche Agent wird hervorgehoben.

10. Sie können den Code weiter untersuchen oder in der Entwicklungs-UI weitere Beispiele für einen Faktencheck anfordern. Ein weiteres Beispiel:

    F: Warum ist der Himmel blau? A: Weil der Himmel die Farbe des Ozeans widerspiegelt.

11. Wenn Sie die Unterhaltung zurücksetzen möchten, klicken Sie oben rechts in der ADK-Entwicklungs-UI auf den Link + Neue Sitzung, um die Unterhaltung neu zu starten.

12. Wenn Sie keine Fragen mehr an diesen Agenten haben, schließen Sie den Browsertab und drücken Sie im Terminal Strg + C, um den Server zu beenden.

Klicken Sie auf Fortschritt prüfen. Beispiel für ein System mit mehreren Agenten ansehen

Das wars! Sie haben das Lab erfolgreich abgeschlossen.

In diesem Lab haben Sie Folgendes gelernt:

• Die wichtigsten Funktionen des Agent Development Kit
• Die wichtigsten Konzepte des ADK
• Wie Sie Projektverzeichnisse für das ADK strukturieren
• Die grundlegendsten Parameter von Agenten im ADK, einschließlich der Angabe von Modellnamen und Tools
• Ausgewählte Funktionen der Browser-UI des ADK
• Steuerung des Ausgabeschemas eines Agenten
• Wie Sie Agenten auf drei Arten ausführen (über die Browser-UI, programmatisch und über die Befehlszeilen-Chat-Oberfläche)

Nächste Schritte

Weitere Informationen zur Erstellung und Bereitstellung von Agenten mit dem Agent Development Kit finden Sie in diesen Labs:

• ADK-Agenten mit Tools ausstatten
• Multi-Agenten-Systeme mit dem ADK erstellen
• ADK-Agenten in der Agent Engine bereitstellen

Weitere Informationen zum ADK finden Sie in der Dokumentation und im GitHub-Repository:

• Dokumentation zum Agent Development Kit
• adk-docs – GitHub-Repository

Google Cloud-Schulungen und -Zertifizierungen

In unseren Schulungen erfahren Sie alles zum optimalen Einsatz unserer Google Cloud-Technologien und können sich entsprechend zertifizieren lassen. Unsere Kurse vermitteln technische Fähigkeiten und Best Practices, damit Sie möglichst schnell mit Google Cloud loslegen und Ihr Wissen fortlaufend erweitern können. Wir bieten On-Demand-, Präsenz- und virtuelle Schulungen für Anfänger wie Fortgeschrittene an, die Sie individuell in Ihrem eigenen Zeitplan absolvieren können. Mit unseren Zertifizierungen weisen Sie nach, dass Sie Experte im Bereich Google Cloud-Technologien sind.

Anleitung zuletzt am 04. August 2025 aktualisiert

Lab zuletzt am 04. August 2025 getestet

© 2023 Google LLC. Alle Rechte vorbehalten. Google und das Google-Logo sind Marken von Google LLC. Alle anderen Unternehmens- und Produktnamen können Marken der jeweils mit ihnen verbundenen Unternehmen sein.