GENAI104

Ringkasan: Manfaat Agent Development Kit

Agent Development Kit menawarkan beberapa keuntungan utama bagi developer yang membangun aplikasi berbasis agen:

1. Sistem Multi-Agen: Bangun aplikasi modular dan skalabel dengan menyusun beberapa agen khusus dalam hierarki. Memungkinkan koordinasi dan pendelegasian yang kompleks.
2. Ekosistem Alat yang Lengkap: Lengkapi agen dengan berbagai kemampuan: gunakan alat bawaan (Penelusuran, Eksekusi Kode, dll.), buat fungsi kustom, integrasikan alat dari framework agen pihak ketiga (LangChain, CrewAI), atau bahkan gunakan agen lain sebagai alat.
3. Orkestrasi yang Fleksibel: Tentukan alur kerja menggunakan agen alur kerja (SequentialAgent, ParallelAgent, dan LoopAgent) untuk pipeline yang dapat diprediksi, atau manfaatkan pemilihan rute dinamis berbasis LLM (transfer LlmAgent) untuk perilaku adaptif.
4. Pengalaman Developer yang Terintegrasi: Kembangkan, uji, dan lakukan debug secara lokal dengan CLI yang andal dan UI dev yang interaktif. Periksa peristiwa, status, dan eksekusi agen langkah demi langkah.
5. Evaluasi Bawaan: Menilai performa agen secara sistematis dengan mengevaluasi kualitas respons akhir dan arah eksekusi langkah demi langkah terhadap kasus pengujian yang telah ditentukan sebelumnya.
6. Siap Di-deploy: Masukkan agen Anda ke dalam container dan deploy di mana saja — jalankan secara lokal, lakukan penskalaan dengan Vertex AI Agent Engine, atau lakukan integrasi ke dalam infrastruktur kustom menggunakan Cloud Run atau Docker.

Meskipun SDK atau framework agen AI Generatif lainnya juga memungkinkan Anda membuat kueri model dan bahkan melengkapinya dengan alat, koordinasi dinamis antara beberapa model memerlukan upaya yang signifikan di pihak Anda.

Agent Development Kit menawarkan framework tingkat yang lebih tinggi daripada alat ini. Dengan begitu, Anda dapat dengan mudah menghubungkan beberapa agen satu sama lain untuk alur kerja yang kompleks tetapi mudah dikelola.

Selain itu, Anda dapat men-deploy sistem agen yang kompleks ini ke endpoint yang terkelola sepenuhnya di Agent Engine, sehingga Anda dapat berfokus pada logika agen, sementara infrastruktur dialokasikan dan diskalakan untuk Anda.

Tujuan

Di lab ini, Anda akan membuat satu agen yang dapat menggunakan alat penelusuran. Anda akan menguji agen di UI browser ADK, dari antarmuka percakapan CLI, dan secara terprogram dari dalam skrip.

Anda akan mempertimbangkan:

• Kemampuan utama Agent Development Kit
• Konsep inti ADK
• Cara menyusun direktori project untuk ADK
• Parameter paling mendasar dari agen di ADK, termasuk cara menentukan nama model dan alat
• Beberapa fitur UI browser ADK
• Cara mengontrol skema output agen
• Cara menjalankan agen dengan tiga cara (melalui UI browser, secara terprogram, dan melalui antarmuka percakapan CLI)

Penyiapan dan persyaratan

Sebelum mengklik tombol Start Lab (Mulai Lab)

Baca petunjuk ini. Lab memiliki timer dan Anda tidak dapat menjedanya. Timer, yang dimulai saat Anda mengklik Start Lab (Mulai Lab), menampilkan lamanya resource Cloud akan tersedia untuk Anda.

Lab praktis Qwiklabs ini memungkinkan Anda melakukan aktivitas lab sendiri di lingkungan cloud nyata, bukan di lingkungan demo atau simulasi. Yaitu dengan cara memberi Anda kredensial sementara yang baru yang digunakan untuk login dan mengakses Google Cloud Platform selama durasi lab.

Yang diperlukan

Untuk menyelesaikan lab ini, Anda memerlukan:

• Akses ke browser internet standar (disarankan browser Chrome).
• Waktu untuk menyelesaikan lab.

Catatan: Jika Anda sudah memiliki project atau akun GCP pribadi, jangan gunakan project atau akun tersebut untuk lab ini.

Cara memulai lab dan login ke Google Cloud Console

1. Klik tombol Start Lab. Jika Anda perlu membayar lab, dialog akan terbuka untuk memilih metode pembayaran. Di sebelah kiri ada panel Lab Details yang berisi hal-hal berikut:

   • Tombol Open Google Cloud console
   • Waktu tersisa
   • Kredensial sementara yang harus Anda gunakan untuk lab ini
   • Informasi lain, jika diperlukan, untuk menyelesaikan lab ini

2. Klik Open Google Cloud console (atau klik kanan dan pilih Open Link in Incognito Window jika Anda menjalankan browser Chrome).

   Lab akan menjalankan resource, lalu membuka tab lain yang menampilkan halaman Sign in.

   Tips: Atur tab di jendela terpisah secara berdampingan.

   Catatan: Jika Anda melihat dialog Choose an account, klik Use Another Account.

3. Jika perlu, salin Username di bawah dan tempel ke dialog Sign in.

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

   Anda juga dapat menemukan Username di panel Lab Details.

4. Klik Next.

5. Salin Password di bawah dan tempel ke dialog Welcome.

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

   Anda juga dapat menemukan Password di panel Lab Details.

6. Klik Next.

   Penting: Anda harus menggunakan kredensial yang diberikan lab. Jangan menggunakan kredensial akun Google Cloud Anda. Catatan: Menggunakan akun Google Cloud sendiri untuk lab ini dapat dikenai biaya tambahan.

7. Klik halaman berikutnya:

   • Setujui persyaratan dan ketentuan.
   • Jangan tambahkan opsi pemulihan atau autentikasi 2 langkah (karena ini akun sementara).
   • Jangan mendaftar uji coba gratis.

Setelah beberapa saat, Konsol Google Cloud akan terbuka di tab ini.

Catatan: Untuk mengakses produk dan layanan Google Cloud, klik Navigation menu atau ketik nama layanan atau produk di kolom Search.

Tugas 1. Menginstal ADK dan menyiapkan lingkungan Anda

Mengaktifkan API yang direkomendasikan Vertex AI

1. Di lingkungan lab ini, Vertex AI API telah diaktifkan untuk Anda. Jika mengikuti langkah-langkah ini di project Anda sendiri, Anda dapat mengaktifkannya dengan membuka Vertex AI dan mengikuti prompt untuk mengaktifkannya.

Menyiapkan tab Cloud Shell Editor

1. Di jendela Konsol Google Cloud yang aktif, buka Cloud Shell dengan menekan tombol G, lalu tombol S di keyboard Anda. Atau, Anda dapat mengklik tombol Activate Cloud Shell () di kanan atas Konsol Cloud.

2. Klik Continue.

3. Jika diminta untuk memberikan otorisasi pada Cloud Shell, klik Authorize.

4. Di pojok kanan atas panel Cloud Shell Terminal, klik tombol Open in new window .

5. Di Cloud Shell Terminal, masukkan perintah berikut untuk membuka Cloud Shell Editor ke direktori utama Anda:

   cloudshell workspace ~

6. Tutup panel Gemini atau tutorial tambahan yang muncul di sisi kanan layar untuk meluangkan ruang jendela bagi editor kode Anda.
7. Di sepanjang lab, Anda dapat memanfaatkan jendela ini sebagai IDE dengan Cloud Shell Editor dan Cloud Shell Terminal.

Mendownload dan menginstal ADK serta contoh kode untuk lab ini

1. Perbarui variabel lingkungan PATH dan instal ADK dengan menjalankan perintah berikut di Cloud Shell Terminal. Catatan: Anda akan menentukan versi untuk memastikan bahwa versi ADK yang Anda instal sesuai dengan versi yang digunakan dalam lab ini:

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

2. Tempel perintah berikut ke Cloud Shell Terminal untuk menyalin file dari bucket Cloud Storage, dan mengekstraknya, sehingga akan membuat direktori project dengan kode untuk lab ini:

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

3. Instal persyaratan lab tambahan dengan:

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

Konsep Inti Agent Development Kit

Google ADK dibangun berdasarkan beberapa konsep inti yang membuatnya efektif dan fleksibel:

• Agen: Agen adalah elemen penyusun inti yang dirancang untuk menyelesaikan tugas tertentu. Agen ini dapat didukung oleh LLM untuk melakukan penalaran, membuat rencana, dan menggunakan alat untuk mencapai tujuan, bahkan dapat berkolaborasi dalam project yang kompleks.
• Alat: Alat memberi kemampuan lebih dari sekedar percakapan bagi agen, sehingga mereka dapat berinteraksi dengan API eksternal, menelusuri informasi, menjalankan kode, atau memanggil layanan lain.
• Layanan Sesi: Layanan sesi menangani konteks satu percakapan (Session), termasuk histori (Events) dan memori kerja agen untuk percakapan tersebut (State).
• Callback: Cuplikan kode kustom yang Anda berikan untuk dijalankan pada titik tertentu dalam proses agen, sehingga memungkinkan pemeriksaan, logging, atau modifikasi perilaku.
• Pengelolaan Artefak: Artefak memungkinkan agen menyimpan, memuat, dan mengelola file atau data biner (seperti gambar atau PDF) yang terkait dengan sesi atau pengguna.
• Runner: Mesin yang mengelola alur eksekusi, mengatur interaksi agen berdasarkan Peristiwa, dan berkoordinasi dengan layanan backend.

Tugas 2. Meninjau struktur direktori project Agent Development Kit

1. Di panel file explorer Cloud Shell Editor, temukan folder adk_project. Klik untuk membukanya.

2. Direktori ini berisi tiga direktori lainnya: my_google_search_agent, app_agent, dan llm_auditor. Setiap direktori ini mewakili agen yang berbeda. Memisahkan agen ke dalam direktori masing-masing dalam direktori project akan mengatur agen dan memungkinkan Agent Development Kit memahami agen yang ada.

3. Klik my_google_search_agent untuk menjelajahi direktori agen.

4. Perhatikan bahwa direktori berisi file __init__.py dan file agent.py. File __init__.py biasanya digunakan untuk mengidentifikasi direktori sebagai paket Python yang dapat diimpor oleh kode Python lainnya. Klik file init.py untuk melihat isinya.

5. Perhatikan bahwa file __init__.py berisi satu baris, yang melakukan impor dari file agent.py. ADK menggunakan ini untuk mengidentifikasi direktori berikut ini sebagai paket agen:

   from . import agent

6. Sekarang klik file agent.py. File ini terdiri dari agen sederhana. Anda akan melengkapinya dengan alat yang andal: kemampuan untuk menelusuri internet menggunakan Google Penelusuran. Perhatikan beberapa hal tentang file ini:

   • Perhatikan impor dari google.adk: class Agent dan alat google_search dari modul tools
   • Baca komentar kode yang menjelaskan parameter yang mengonfigurasi agen sederhana ini.

7. Untuk menggunakan alat google_search yang diimpor, alat tersebut harus diteruskan ke agen. Lakukan dengan menempelkan baris berikut ke file agent.py di tempat yang ditunjukkan di akhir pembuatan objek Agent:

   tools=[google_search]

8. Simpan file dengan mengklik tombol Save.

Tugas 3. Menjalankan agen menggunakan UI Dev ADK

ADK menyertakan UI pengembangan yang dirancang untuk berjalan secara lokal guna membantu Anda mengembangkan dan menguji agen. Laporan ini dapat membantu Anda memvisualisasikan tindakan setiap agen dan cara beberapa agen dalam berinteraksi satu sama lain. Anda akan menjelajahi antarmuka ini dalam tugas ini.

1. Di menu Cloud Shell Editor, pilih View > Toggle Hidden Files untuk melihat atau menyembunyikan file tersembunyi Anda (secara default, file yang diawali dengan titik pada nama filenya akan disembunyikan di sebagian besar sistem file). Anda mungkin perlu men-scroll ke bawah di menu ini untuk menemukan opsi Toggle Hidden Files.

2. Di panel file explorer Cloud Shell Editor, buka direktori adk_project/my_google_search_agent.

3. Pilih file .env di direktori my_google_search_agent.

4. Tempelkan nilai berikut ke file yang ada saat ini untuk memperbarui file agar menyertakan project ID Anda:

   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. Simpan file dengan mengklik tombol Save.

6. Di Cloud Shell Terminal, pastikan Anda berada di direktori adk_project tempat subdirektori agen Anda berada dengan menjalankan:

   cd ~/adk_project

7. Luncurkan UI Dev Agent Development Kit dengan perintah berikut:

   adk web

   Output

   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. Untuk melihat antarmuka web di tab baru, klik link http://127.0.0.1:8000 di output Terminal, yang akan menghubungkan Anda melalui proxy ke aplikasi ini yang berjalan secara lokal di instance Cloud Shell Anda.

9. Tab browser baru akan terbuka dengan UI Dev ADK.

10. Dari dropdown Select an agent di sebelah kiri, pilih my_google_search_agent.

    

11. Untuk mendorong agen menggunakan alat Google Penelusuran, masukkan pertanyaan:

    Apa saja berita global terbaru?

12. Dari hasil penelusuran, Anda akan melihat bahwa agen dapat menggunakan Google Penelusuran untuk mendapatkan informasi terbaru, alih-alih informasinya berhenti pada tanggal saat modelnya dilatih.

    Respons yang menggunakan grounding dengan Google Penelusuran mencakup "Saran Penelusuran" HTML yang siap ditampilkan seperti yang Anda lihat di bagian bawah respons agen. Saat Anda menggunakan grounding dengan Google Penelusuran, Anda diwajibkan untuk menampilkan saran ini. Hal tersebut membantu pengguna menindaklanjuti informasi yang digunakan model untuk memberikan respons.

13. Perlu diperhatikan bahwa di sidebar sebelah kiri, Anda berada di tab Trace secara default. Klik teks kueri terakhir Anda (Apa saja berita global terbaru?) untuk melihat rekaman aktivitas terkait durasi eksekusi setiap bagian dari kueri tersebut. Anda dapat menggunakannya untuk men-debug eksekusi yang lebih kompleks yang melibatkan panggilan alat untuk memahami kontribusi berbagai proses terhadap latensi respons Anda.

    

14. Klik ikon agen () di samping respons agen (atau peristiwa dari daftar di tab Event) untuk memeriksa peristiwa yang ditampilkan oleh agen, yang mencakup content yang ditampilkan kepada pengguna dan groundingMetadata yang menjelaskan hasil penelusuran yang menjadi dasar respons.

15. Setelah selesai menjelajahi UI Dev, tutup tab browser ini dan kembali ke tab browser Anda dengan Cloud Shell Terminal, klik panel terminal, lalu tekan CTRL + C untuk menghentikan server web.

Klik Periksa progres saya untuk memverifikasi tujuan. Menjalankan agen menggunakan UI Web ADK.

Tugas 4. Menjalankan agen secara terprogram

Meskipun UI Dev sangat bagus untuk pengujian dan proses debug, UI ini tidak cocok untuk menampilkan agen Anda kepada beberapa pengguna dalam produksi.

Untuk menjalankan agen sebagai bagian dari aplikasi yang lebih besar, Anda harus menyertakan beberapa komponen tambahan dalam skrip agent.py yang ditangani aplikasi web dalam tugas sebelumnya. Ikuti langkah-langkah berikut untuk membuka skrip yang berisi komponen-komponen ini dan meninjau isinya.

1. Di Cloud Shell Terminal, jalankan perintah berikut untuk mengekspor variabel lingkungan. Anda dapat menggunakan pendekatan ini untuk menetapkan variabel lingkungan yang akan digunakan semua agen jika mereka tidak memiliki file .env di direktori mereka:

   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. Di file browser Cloud Shell Editor, pilih direktori adk_project/app_agent.

3. Pilih file agent.py di direktori ini.

4. Agen ini dirancang untuk berjalan sebagai bagian dari aplikasi. Baca kode yang diberi komentar di agent.py, dengan memberikan perhatian khusus pada komponen berikut dalam kode:

   Komponen	Fitur	Deskripsi
   InMemoryRunner()	Pengawasan eksekusi agen	Runner adalah kode yang bertanggung jawab untuk menerima kueri pengguna, meneruskannya ke agen yang sesuai, menerima peristiwa respons agen dan meneruskannya kembali ke aplikasi atau UI yang melakukan panggilan, lalu memicu peristiwa berikutnya. Anda dapat membacanya lebih lanjut di dokumentasi ADK tentang loop peristiwa.
   runner.session_service.create_session()	Histori percakapan & status bersama	Sesi memungkinkan agen mempertahankan status, mengingat daftar item, status tugas saat ini, atau informasi 'saat ini' lainnya. Class ini akan membuat layanan sesi lokal demi kemudahan. Namun, ini dapat dikelola oleh database dalam lingkungan produksi.
   types.Content() dan types.Part()	Pesan multimodal terstruktur	Alih-alih string sederhana, agen akan menerima objek Konten yang dapat terdiri dari beberapa Komponen. Hal ini memungkinkan pesan yang kompleks, termasuk teks dan konten multimodal yang akan diteruskan ke agen dalam urutan tertentu.

5. Perlu diperhatikan bahwa skrip akan menyertakan kueri hardcode, yang menanyakan kepada agen: "Apa ibu kota Prancis?"

6. Jalankan perintah berikut di Cloud Shell Terminal untuk menjalankan agen ini secara terprogram:

   python3 app_agent/agent.py

   Output yang Dipilih:

   trivia_agent: Ibu kota Prancis adalah Paris.

7. Anda juga dapat menentukan skema input dan/atau output tertentu untuk agen.

   Sekarang Anda akan menambahkan impor untuk class skema Pydantic BaseModel dan Field, serta menggunakannya untuk menentukan class skema yang hanya terdiri dari satu kolom, dengan kunci "capital" dan nilai string yang ditujukan untuk nama ibu kota suatu negara. Anda dapat menempelkan baris berikut ke file app_agent/agent.py, tepat setelah impor lainnya:

   from pydantic import BaseModel, Field class CountryCapital(BaseModel): capital: str = Field(description="A country's capital.") Catatan penting: Saat menentukan skema output, Anda tidak dapat menggunakan alat atau transfer agen.

8. Dalam definisi Agent root_agent, tambahkan parameter ini untuk menonaktifkan transfer (seperti yang harus Anda lakukan saat menggunakan skema output) dan untuk menetapkan output yang akan dibuat sesuai dengan skema CountryCapital yang Anda tentukan di atas:

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

9. Jalankan skrip agen lagi untuk melihat respons setelah output_schema:

   python3 app_agent/agent.py

   Output yang Dipilih:

   ** User says: {'parts': [{'text': 'Apa ibu kota Prancis?'}], 'role': 'user'} ** trivia_agent: {"capital": "Paris"}

Klik Periksa progres saya untuk memverifikasi tujuan. Menjalankan agen secara terprogram.

Tugas 5. Melakukan percakapan dengan agen melalui antarmuka command line

Anda juga dapat memulai percakapan dengan agen di lingkungan pengembangan lokal menggunakan antarmuka command line. Hal ini dapat sangat berguna untuk melakukan proses debug dan pengujian agen dengan cepat saat Anda mengembangkannya.

Seperti antarmuka web, antarmuka command line juga menangani pembuatan layanan sesi, layanan artefak, dan runner untuk agen Anda.

Untuk menjalankan sesi interaktif menggunakan antarmuka command line:

1. Jalankan perintah berikut di Cloud Shell Terminal:

   adk run my_google_search_agent

   Output:

   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. Masukkan pesan berikut:

   Apa saja film baru yang dirilis di India dalam sebulan terakhir?

   Contoh output (output Anda mungkin sedikit berbeda):

   [google_search_agent]: Here are some movies that have been released in India in the past month (August-September 2025): * **Param Sundari** Released on 29 August 2025. * **Ek Chatur Naar** Released on 12 September 2025. * **Jolly LLB 3** Released on 19 September 2025. * **Ajey: The Untold Story of a Yogi** Released on 19 September 2025. * **Antha 7 Naatkal** Released on Sep 25 2025.

3. Setelah Anda selesai melakukan percakapan dengan antarmuka command line, masukkan exit pada perintah pengguna berikutnya untuk mengakhiri percakapan.

Klik Periksa progres saya untuk memverifikasi tujuan. Melakukan percakapan dengan agen melalui antarmuka command line.

Tugas 6. Melihat pratinjau contoh multi-agen

Anda akan mempelajari lebih lanjut cara membangun sistem multi-agen di lab Membangun sistem multi-agen dengan ADK. Namun, karena kemampuan multi-agen adalah inti dari pengalaman Agent Development Kit, kini Anda dapat mempelajari satu sistem multi-agen.

Sistem agentic ini mengevaluasi dan meningkatkan grounding faktual respons yang dihasilkan oleh LLM. Hal ini mencakup: - critic_agent untuk berfungsi sebagai pemeriksa fakta otomatis - reviser_agent untuk menulis ulang respons jika diperlukan guna memperbaiki ketidakakuratan berdasarkan temuan yang terverifikasi

Untuk mempelajari agen ini:

1. Untuk mempelajari kode sistem multi-agen ini, gunakan file explorer Cloud Shell Editor untuk membuka direktori adk_project/llm_auditor.

2. Dalam direktori llm_auditor, pilih file agent.py.

3. Berikut beberapa hal yang perlu diperhatikan tentang contoh multi-agen ini:

   • Perhatikan impor dan penggunaan class SequentialAgent. Berikut adalah contoh kelas alur kerja yang meneruskan kontrol percakapan dari satu agen ke agen berikutnya secara berurutan tanpa menunggu giliran pengguna di antaranya. Saat menjalankan agen, Anda akan melihat respons dari critic_agent dan reviser_agent, dalam urutan tersebut, tanpa menunggu giliran pengguna.
   • Perlu diperhatikan bahwa setiap sub-agen diimpor dari direktori masing-masing dalam direktori sub_agents.
   • Di direktori sub-agen, Anda akan melihat file __init__.py dan agent.py seperti yang Anda jelajahi dalam struktur direktori sebelumnya, beserta file prompt.py, yang menyediakan tempat khusus untuk menyimpan dan mengedit perintah yang lengkap dan terstruktur dengan baik sebelum diimpor ke file agent.py.

4. Buat file .env untuk agen ini dan luncurkan kembali UI Dev dengan menjalankan perintah berikut di Cloud Shell Terminal:

   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 Catatan: Jika Anda tidak menutup sesi adk web sebelumnya, port default 8000 akan diblokir, tetapi Anda dapat meluncurkan UI Dev dengan port baru menggunakan, misalnya adk web --port 8001.

5. Klik link http://127.0.0.1:8000 di output Terminal. Tab browser baru akan terbuka dengan UI Dev ADK.

6. Dari dropdown Select an agent di sebelah kiri, pilih llm_auditor.

7. Mulai percakapan dengan pernyataan salah berikut:

   Periksa kembali: Bumi lebih jauh dari Matahari daripada Mars.

8. Anda akan melihat dua respons dari agen di area percakapan:

   • Pertama, respons mendetail dari critic_agent yang memeriksa kebenaran pernyataan berdasarkan pengecekan fakta dengan Google Penelusuran.
   • Kedua, pernyataan singkat yang direvisi dari reviser_agent dengan versi yang dikoreksi dari pernyataan input salah Anda, misalnya, "Bumi lebih dekat ke Matahari daripada Mars".

9. Di samping setiap respons, klik ikon agen () untuk membuka panel peristiwa untuk respons tersebut (atau temukan peristiwa bernomor yang sesuai di panel Events dan pilih peristiwa tersebut). Di bagian atas tampilan peristiwa, ada grafik yang memvisualisasikan hubungan antara agen dan alat dalam sistem multi-agen ini. Agen yang bertanggung jawab atas respons ini akan ditandai.

10. Anda dapat menjelajahi kode lebih lanjut atau meminta contoh pengecekan fakta lainnya di UI Dev. Contoh lain yang dapat Anda coba adalah:

    T: Mengapa langit berwarna biru? J: Karena langit memantulkan warna laut.

11. Jika Anda ingin mengulang percakapan dari awal, gunakan link + New Session di kanan atas UI Dev ADK untuk memulai ulang percakapan.

12. Setelah Anda selesai mengajukan pertanyaan kepada agen ini, tutup tab browser dan tekan CTRL + C di Terminal untuk menghentikan server.

Klik Periksa progres saya untuk memverifikasi tujuan. Melihat pratinjau contoh multi-agen.

Selamat!

Di lab ini, Anda telah mempelajari:

• Kemampuan utama Agent Development Kit
• Konsep inti ADK
• Cara menyusun direktori project untuk ADK
• Parameter paling mendasar dari agen di ADK, termasuk cara menentukan nama model dan alat
• Beberapa fitur UI browser ADK
• Cara mengontrol skema output agen
• Cara menjalankan agen dengan tiga cara (melalui UI browser, secara terprogram, dan melalui antarmuka percakapan CLI)

Langkah Berikutnya

Untuk mempelajari lebih lanjut cara membuat dan men-deploy agen menggunakan Agent Development Kit, lihat lab berikut:

• Melengkapi agen ADK dengan berbagai alat
• Membangun sistem multi-agen dengan ADK
• Men-deploy agen ADK ke Agent Engine

Temukan informasi selengkapnya tentang ADK dalam dokumentasi dan repositori GitHub:

• Dokumentasi Agent Development Kit Agent Development Kit
• Repositori GitHub adk-docs adk-docs

Sertifikasi dan pelatihan Google Cloud

...membantu Anda mengoptimalkan teknologi Google Cloud. Kelas kami mencakup keterampilan teknis dan praktik terbaik untuk membantu Anda memahami dengan cepat dan melanjutkan proses pembelajaran. Kami menawarkan pelatihan tingkat dasar hingga lanjutan dengan opsi on demand, live, dan virtual untuk menyesuaikan dengan jadwal Anda yang sibuk. Sertifikasi membantu Anda memvalidasi dan membuktikan keterampilan serta keahlian Anda dalam teknologi Google Cloud.

Manual Terakhir Diperbarui pada 4 Agustus 2025

Lab Terakhir Diuji pada 4 Agustus 2025

Hak cipta 2020 Google LLC Semua hak dilindungi undang-undang. Google dan logo Google adalah merek dagang dari Google LLC. Semua nama perusahaan dan produk lain mungkin adalah merek dagang masing-masing perusahaan yang bersangkutan.