GSP532

Ringkasan tantangan

Dalam challenge lab, Anda diberi sebuah skenario dan serangkaian tugas. Tidak ada petunjuk langkah demi langkah. Anda akan menggunakan keahlian yang dipelajari dari lab dalam kursus untuk mencari cara menyelesaikan sendiri tugas-tugas tersebut. Sistem pemberian skor otomatis (ditampilkan pada halaman ini) akan memberikan masukan tentang apakah Anda telah menyelesaikan tugas dengan benar atau tidak.

Saat mengikuti challenge lab, Anda tidak akan diajari konsep-konsep baru Google Cloud. Anda diharapkan dapat memperluas keahlian yang dipelajari, seperti mengubah nilai default dan membaca serta mengkaji pesan error untuk memperbaiki kesalahan Anda sendiri.

Untuk meraih skor 100%, Anda harus berhasil menyelesaikan semua tugas dalam jangka waktu tertentu.

Lab ini direkomendasikan bagi peserta yang sudah mendaftar dalam kursus Membangun Aplikasi Cloud Cerdas dengan Vibe Coding. Apakah Anda siap menghadapi tantangan ini?

Topik yang diujikan

• Mengaktifkan API dan menetapkan variabel lingkungan.
• Lakukan binding kebijakan IAM.
• Men-deploy server MCP secara lokal untuk pengujian dan men-deploy ke Cloud Run.
• Gunakan Agent Development Kit (ADK) untuk mengupdate aplikasi Python agar menggunakan MCP.
• Melakukan Dockerisasi dan men-deploy server MCP dan agen ADK ke Cloud Run.

Penyiapan dan persyaratan

Sebelum mengklik tombol Start Lab

Baca petunjuk ini. Lab memiliki timer dan Anda tidak dapat menjedanya. Timer yang dimulai saat Anda mengklik Start Lab akan menampilkan durasi ketersediaan resource Google Cloud untuk Anda.

Lab interaktif ini dapat Anda gunakan untuk melakukan aktivitas lab di lingkungan cloud sungguhan, bukan di lingkungan demo atau simulasi. Untuk mengakses lab ini, Anda akan diberi kredensial baru yang bersifat sementara dan dapat digunakan untuk login serta mengakses Google Cloud selama durasi lab.

Untuk menyelesaikan lab ini, Anda memerlukan:

• Akses ke browser internet standar (disarankan browser Chrome).

Catatan: Gunakan jendela Samaran (direkomendasikan) atau browser pribadi untuk menjalankan lab ini. Hal ini akan mencegah konflik antara akun pribadi Anda dan akun siswa yang dapat menyebabkan tagihan ekstra pada akun pribadi Anda.

• Waktu untuk menyelesaikan lab. Ingat, setelah dimulai, lab tidak dapat dijeda.

Catatan: Hanya gunakan akun siswa untuk lab ini. Jika Anda menggunakan akun Google Cloud yang berbeda, Anda mungkin akan dikenai tagihan ke akun tersebut.

Skenario tantangan

Kebun Binatang Cloud Creek telah mengontrak divisi konsultasi 'Pengalaman Digital' Cymbal Group untuk mengimplementasikan sistem interaksi pengunjung yang canggih. Tujuan utama Cloud Creek Zoo adalah membuat Pemandu Wisata yang sangat akurat, dinamis, dan menarik yang didukung oleh AI yang dapat memberikan jawaban mendalam dan kontekstual atas pertanyaan pengunjung. Inti dari upgrade sistem ini adalah implementasi dan upgrade agen AI "pemandu tur kebun binatang" yang dapat melakukan pencarian informasi hewan melalui server Model Context Protocol (MCP) jarak jauh, yaitu "server kebun binatang".

Selain menggunakan Wikipedia untuk konteks saat menjawab pertanyaan pengunjung, agen "pemandu tur kebun binatang" harus memiliki akses ke informasi real-time yang luas melalui alat Server MCP Google Penelusuran khusus. Hal ini akan memberi agen kemampuan untuk menjawab pertanyaan seperti, "Beri saya berita konservasi terbaru tentang spesies singa."

Seorang konsultan junior melakukan beberapa kesalahan saat mengupgrade "server kebun binatang" yang ada, sehingga server Python menjadi sedikit rusak dan tidak berfungsi. Selain itu, arsitektur project belum diselesaikan sesuai dengan kebijakan IAM Cymbal Group yang ketat.

Anda dipanggil untuk mengatasi masalah ini.

Tantangan Anda

Di lab ini, misi Anda sebagai Spesialis Integrasi AI Senior untuk Cymbal Group adalah sebagai berikut:

• Menyiapkan project dan mengaktifkan API serta layanan yang diperlukan.
• Menerapkan kebijakan IAM perusahaan.
• Memperbaiki kode server MCP yang rusak dan men-deploy server ke Cloud Run untuk pengujian.
• Mengintegrasikan dan mengupgrade fungsi serta alur kerja agen AI ADK "pemandu tur kebun binatang" untuk mendukung Penelusuran Google.
• Melakukan Dockerisasi paket agen ADK dan men-deploy ke Cloud Run untuk mencapai kesiapan produksi.

Tugas 1. Menyiapkan lingkungan dan mengaktifkan API yang diperlukan

Dalam tugas ini, Anda akan membuat fondasi khusus project di Google Cloud untuk mendukung deployment AI dalam skala besar.

Pastikan project Google Cloud Anda dikonfigurasi untuk mengizinkan layanan yang diperlukan berfungsi dan berkomunikasi secara efektif.

Mendownload file kode

1. Di Cloud Shell, klik Open Editor untuk membuka Cloud Shell Editor ke direktori utama Anda.

2. Di panel tindakan Cloud Shell Editor, klik View > Terminal.

   Catatan: Anda mungkin harus memperpanjang jendela browser atau mengklik More options () untuk melihat opsi menu View.

Gunakan jendela ini sebagai IDE Anda, dengan Cloud Shell Editor (atas) dan Cloud Shell Terminal (bawah), untuk sisa lab ini.

Tutup panel Gemini atau tutorial tambahan yang muncul di sisi kanan layar agar ruang jendela bagi editor kode Anda lebih besar.

3. Di terminal, masukkan perintah berikut untuk menyiapkan project Anda:

   gcloud config set project {{{primary_project.project_id | filled in at lab start}}}

   Output yang diharapkan: Anda akan mendapatkan pesan output yang mengonfirmasi properti yang diperbarui.

4. Di terminal, jalankan perintah berikut untuk mendownload dan mengekstrak file kode boilerplate:

   gcloud storage cp gs://{{{primary_project.project_id | filled in at lab start}}}-labconfig-bucket/labs_code.zip . unzip labs_code.zip

5. Jalankan perintah berikut untuk membuat variabel lingkungan:

   cd ~/zoo_guide_agent cat <<EOF > .env MODEL="{{{primary_project.startup_script.gemini_flash_model_id |filled in at lab start}}}" SERVICE_ACCOUNT="{{{primary_project.startup_script.project_number | filled in at lab start}}}-compute@developer.gserviceaccount.com" MCP_SERVER_URL="https://{{{primary_project.startup_script.mcp_server_name | filled in at lab start}}}-{{{primary_project.startup_script.project_number | filled in at lab start}}}.{{{primary_project.default_region | filled in at lab start}}}.run.app/mcp/" GOOGLE_GENAI_USE_ENTERPRISE=1 GOOGLE_CLOUD_PROJECT={{{primary_project.project_id | filled in at lab start}}} PROJECT_NUMBER={{{primary_project.startup_script.project_number | filled in at lab start}}} GOOGLE_CLOUD_LOCATION={{{primary_project.default_region | filled in at lab start}}} EOF

   Struktur direktori akhir Anda akan terlihat seperti berikut.

   Output:

   . ├── mcp-on-cloudrun │ ├── Dockerfile │ ├── local_mcp_call.py │ ├── pyproject.toml │ ├── server.py │ └── uv.lock └── zoo_guide_agent ├── agent.py ├── __init__.py ├── .env └── requirements.txt

6. Terakhir, aktifkan API yang diperlukan—Agent Platform API, Artifact Registry API, Compute Engine API, Cloud Build API, dan Cloud Run Admin API.

Klik Periksa progres saya untuk memverifikasi tujuan. Mengaktifkan API yang diperlukan

Tugas 2. Melakukan binding kebijakan yang diperlukan (penyiapan IAM)

Layanan otomatis (Cloud Build dan Cloud Run) memerlukan izin khusus untuk berinteraksi satu sama lain dan dengan AI Platform.

Dalam tugas ini, Anda harus melakukan binding kebijakan yang diperlukan untuk memberikan izin kepada pengguna/akun layanan untuk memanggil Cloud Run dan menggunakan AI Platform.

Anda perlu memberikan peran IAM berikut ke akun layanan terkait:

• Berikan peran Cloud Run Admin dan Agent Platform User kepada pengguna agar dapat men-deploy layanan ke Cloud Run.

Klik Periksa progres saya untuk memverifikasi tujuan. Melakukan binding kebijakan yang diperlukan

Tugas 3. Memperbaiki dan men-deploy server MCP ke Cloud Run

Dalam tugas ini, Anda harus menggunakan Gemini CLI untuk memecahkan masalah dan merevitalisasi server MCP, yang bertindak sebagai tulang punggung aplikasi dan mengorkestrasi penggunaan alat AI.

Setelah Anda memperbaiki masalah dalam kode, pastikan Anda menggunakan perintah integrasi Cloud Build yang relevan di Gemini CLI untuk men-deploy server MCP jarak jauh yang sudah ada sebelumnya ke repositori Gemini CLI untuk pengujian.

Men-deploy dan menguji secara lokal

1. Di terminal, jalankan perintah berikut untuk menjalankan ~/mcp-on-cloudrun/server.py:

   cd ~/mcp-on-cloudrun uv run server.py

   Anda akan mendapatkan error; Anda perlu memperbaiki error tersebut menggunakan Gemini di Cloud Shell.

   Catatan: Gemini CLI mungkin memerlukan waktu untuk memperbarui dan membuat perubahan kode di file Python yang sebenarnya. Jika Gemini CLI meminta izin Anda untuk menjalankan file Python yang telah diperbaiki, tekan ESC untuk membatalkan, dan keluar dari Gemini CLI untuk kembali ke terminal. Kemudian, lakukan langkah-langkah lab berikutnya untuk melanjutkan lab.

2. Setelah error diperbaiki, jalankan kembali perintah sebelumnya. Perintah ini akan memulai server MCP secara lokal dan Anda akan mendapatkan output yang mengonfirmasi hal tersebut.

3. Buka instance terminal lain dan jalankan ~/mcp-on-cloudrun/local_mcp_call.py untuk menguji agen yang di-deploy secara lokal:

   Catatan: Jika Anda mendapatkan error google.logging.v2.WriteLogEntriesPartialErrors, tetapkan project Anda menggunakan perintah gcloud config set project . cd ~/mcp-on-cloudrun uv run local_mcp_call.py

   Output yang diharapkan: Output yang dihasilkan, yang ditampilkan sebagai CallToolResult, akan menunjukkan keberhasilan pengambilan data terstruktur tentang spesies walrus.

Klik Periksa progres saya untuk memverifikasi tujuan. Men-deploy dan menguji MCP secara lokal

Men-deploy ke Cloud Run

Catatan: Anda perlu melakukan otorisasi Cloud Shell selama proses deployment jika diminta.

• Jalankan perintah gcloud berikut untuk men-deploy aplikasi ke Cloud Run:

  cd ~/mcp-on-cloudrun gcloud run deploy {{{primary_project.startup_script.mcp_server_name | filled in at lab start}}} \ --no-allow-unauthenticated \ --region={{{primary_project.default_region | filled in at lab start}}} \ --source=. \ --min=1 \ --project={{{primary_project.project_id | filled in at lab start}}} \ --labels=lab-dev=mcp-zoo-cloud-run-service

Catatan: Deployment dapat memerlukan waktu hingga 10 menit. Jika Anda mengalami error Quota exceeded for total allowable CPU per project per region selama deployment Cloud Run, harap tunggu sebentar dan coba lagi perintahnya.

Klik Periksa progres saya untuk memverifikasi tujuan. Deploy MCP ke Cloud Run

Tugas 4. Mengupdate agen untuk menggunakan MCP

Dalam tugas ini, Anda akan men-deploy kode Agen Python dan menautkannya ke server MCP yang baru di-deploy.

Menggunakan perintah ADK dalam Gemini CLI, deploy file agent.py lokal (yang telah diperbarui). Konfigurasi deployment ini untuk menggunakan Server MCP yang di-deploy di Tugas 3, sehingga panduan tur kebun binatang dapat beroperasi dalam lingkungan CLI lokal Anda.

Membuat token dan mengonfigurasi file settings.json

1. Simpan kredensial Google Cloud dan nomor project Anda dalam variabel lingkungan untuk digunakan dalam file setelan Gemini:

   export PROJECT_NUMBER=$(gcloud projects describe $GOOGLE_CLOUD_PROJECT --format="value(projectNumber)") export ID_TOKEN=$(gcloud auth print-identity-token)

Catatan: Jika Anda mendapatkan error autentikasi di Gemini CLI, ID_TOKEN Anda mungkin sudah tidak berlaku. Keluar dengan /quit dan tetapkan project Anda menggunakan perintah gcloud config set project .

2. Di Cloud Shell Editor, pilih View > Toggle hidden files, lalu buka atau buat file ~/.gemini/settings.json agar Anda dapat memperbaruinya. Isi konten file dengan setelan Gemini CLI berikut untuk menambahkan server MCP Cloud Run:

   { "mcpServers": { "zoo-remote": { "httpUrl": "https://{{{primary_project.startup_script.mcp_server_name | filled in at lab start}}}-{{{primary_project.startup_script.project_number | filled in at lab start}}}.{{{primary_project.default_region | filled in at lab start}}}.run.app/mcp/", "headers": { "Authorization": "Bearer $ID_TOKEN" } } }, "selectedAuthType": "cloud-shell", "hasSeenIdeIntegrationNudge": true }

Buka Gemini CLI

Lakukan langkah-langkah berikut untuk membuka Gemini CLI.

1. Di terminal, jalankan perintah untuk meluncurkan Gemini CLI.

   Anda mungkin perlu menekan ENTER untuk menerima beberapa setelan default.

2. Gunakan perintah garis miring yang relevan agar Gemini mencantumkan alat MCP yang tersedia untuknya sesuai konteksnya.

3. Minta Gemini menemukan sesuatu di kebun binatang:

   Di mana saya bisa menemukan penguin?

   Gemini CLI harus mengetahui cara menggunakan server MCP zoo-remote dan harus menanyakan apakah Anda mengizinkan eksekusi alat MCP.

4. Pilih always allow all tools dari server MCP zoo-remote.

   Output yang diharapkan: Output akan menampilkan jawaban yang benar dan kotak tampilan yang menunjukkan bahwa server MCP telah digunakan.

5. Prompt Gemini CLI sebagai berikut untuk menggunakan perintah kustom baru yang Anda buat:

   /find --animal="lion"

   Output yang diharapkan: Anda akan melihat bahwa Gemini CLI memanggil alat fetch_animals_by_species dan memformat respons sesuai petunjuk perintah MCP.

6. Jika Anda siap mengakhiri sesi, keluar dari Gemini CLI menggunakan perintah atau pintasan keyboard yang relevan.

Memverifikasi log server

• Di terminal, masukkan perintah berikut untuk memverifikasi log server:

  gcloud run services logs read {{{primary_project.startup_script.mcp_server_name | filled in at lab start}}} --region {{{primary_project.default_region| filled in at lab start}}} --limit=5

  Output yang diharapkan: Anda akan melihat log output yang mengonfirmasi bahwa panggilan alat dilakukan. 🛠️

Klik Periksa progres saya untuk memverifikasi tujuan. Mengupdate agen untuk menggunakan MCP dan memverifikasi

Tugas 5. Melakukan Dockerisasi dan men-deploy agen ADK ke Cloud Run

Untuk tugas terakhir, Anda harus memindahkan seluruh sistem dari lingkungan pengujian lokal ke lingkungan serverless yang skalabel dan siap produksi.

Anda perlu membuat container untuk aplikasi ADK lengkap, termasuk server MCP dan agen Zoo Tour Guide yang telah terintegrasi dengan Google Penelusuran, serta men-deploy image container yang dihasilkan ke Google Cloud Run. Anda harus memastikan layanan dikonfigurasi untuk pemanggilan publik dan mengonfirmasi bahwa agen responsif di URL publiknya.

Men-deploy dan menguji secara lokal

1. Buka ~/zoo_guide_agent/agent.py, tinjau komentar TODO, dan perbarui kode yang sesuai untuk menyelesaikan penyiapan agen.

2. Jalankan perintah berikut untuk menginstal paket zoo_guide_agent:

   gcloud config set project {{{primary_project.project_id | filled in at lab start}}} cd ~/zoo_guide_agent python -m venv .venv source .venv/bin/activate pip install --no-cache-dir -r requirements.txt

3. Jalankan perintah berikut untuk men-deploy agen ADK secara lokal:

   cd ~ adk web

4. Di Cloud Shell, tekan CTRL+klik link http://localhost:8000 atau http://127.0.0.1:8000 untuk membuka UI dev ADK di tab browser baru.

5. Di UI dev ADK, pilih zoo_guide_agent, lalu ajukan kueri berikut:

   Di mana aku bisa menemukan beruang?

   Output yang diharapkan: Anda akan melihat peristiwa untuk semua panggilan fungsi, dan resolusi untuk kueri Anda yang menggabungkan informasi dari semua sumber. Agen juga harus memberikan perkiraan jumlah spesies yang ada di seluruh dunia.

Catatan: Mungkin perlu waktu beberapa saat untuk mengonsolidasikan respons agen yang sebenarnya.

Klik Periksa progres saya untuk memverifikasi tujuan. Men-deploy Agen ADK secara lokal

Men-deploy ke Cloud Run

• Di terminal, buka instance terminal lain, dan jalankan perintah berikut untuk men-deploy agen Anda:

  cd ~/zoo_guide_agent uvx --from google-adk \ adk deploy cloud_run \ --project={{{primary_project.project_id | filled in at lab start}}} \ --region={{{primary_project.default_region| filled in at lab start}}} \ --service_name={{{primary_project.startup_script.adk_server_name | filled in at lab start}}} \ --with_ui \ . \ -- \ --labels=lab-dev=cloud-zoo-run-adk-service

Perintah uvx memungkinkan Anda menjalankan alat command line yang dipublikasikan sebagai paket Python tanpa memerlukan penginstalan global alat tersebut.

Catatan: Rata-rata, deployment memerlukan waktu 15 menit untuk diselesaikan. Jika Anda diminta untuk mengonfirmasi apakah Anda mengizinkan pemanggilan yang tidak diautentikasi, MASUKKAN y untuk melanjutkan.

Klik Periksa progres saya untuk memverifikasi tujuan. Men-deploy Agen ADK di Cloud Run

Memverifikasi agen ADK yang di-deploy

Setelah agen Anda aktif di Cloud Run, lakukan pengujian untuk mengonfirmasi keberhasilan deployment dan memverifikasi bahwa agen berfungsi seperti yang diharapkan. Gunakan URL Layanan publik untuk mengakses antarmuka web ADK dan berinteraksi dengan agen.

1. Setelah agen berhasil di-deploy ke Cloud Run, tekan CTRL+klik Service URL di output untuk membukanya di tab browser baru.

Formatnya harus seperti berikut.

Output URL layanan:

https://{{{primary_project.startup_script.adk_server_name | filled in at lab start}}}-{{{primary_project.startup_script.project_number | filled in at lab start}}}.{{{primary_project.default_region | filled in at lab start}}}.run.app/

Karena Anda menggunakan flag --with_ui saat men-deploy ke Cloud Run, Anda akan melihat UI developer ADK.

2. Aktifkan Token Streaming ke On di kanan atas.

3. Berinteraksi dengan agen kebun binatang. Masukkan kueri berikut untuk memulai percakapan baru:

   Di mana saya bisa menemukan gajah?

   Output yang diharapkan: Anda akan melihat peristiwa untuk semua panggilan fungsi dengan resolusi terhadap kueri Anda yang menggabungkan informasi dari semua sumber. Agen juga harus memberikan perkiraan jumlah spesies yang ada di seluruh dunia.

Catatan: Mungkin perlu waktu beberapa saat untuk mengonsolidasikan respons agen yang sebenarnya.

Klik Periksa progres saya untuk memverifikasi tujuan. Memverifikasi Agen ADK yang di-deploy

Selamat!

Di lab ini, Anda telah mendemonstrasikan kemampuan Anda menggunakan Gemini CLI dengan Google Cloud Run dan Cloud Build untuk mengonfigurasi, menguji, dan men-deploy Agen ADK "pemandu tur kebun binatang" yang fungsional dan ditingkatkan. Dengan memastikan Agen dapat berinteraksi dengan Server MCP khusus dan alat bawaan, hal ini secara signifikan meningkatkan dan menyederhanakan penanganan kueri pengunjung kebun binatang dan pencarian hewan sebagai bagian dari upaya transformasi digital Cloud Creek Zoo.

Langkah berikutnya/Pelajari lebih lanjut

Lihat referensi berikut untuk mempelajari lebih lanjut AI Generatif dan Gemini Enterprise Agent Platform:

• Baca Ringkasan Model Gemini Google DeepMind untuk mempelajari kapabilitas model inti.
• Pelajari Dokumentasi Agent Platform resmi untuk memahami panduan desain, penskalaan, dan deployment.
• Tinjau Ringkasan Agen di Agent Platform untuk memahami cara membangun dan mengatur agen kustom.
• Tonton playlist AI Generatif di YouTube untuk melihat video tutorial dan demo produk.
• Jelajahi notebook dan sampel lainnya di repositori AI Generatif Google Cloud.
• Jelajahi repositori Sampel Google Agent Development Kit (ADK) untuk mempelajari aneka template agen kustom.

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 16 Oktober 2025

Lab Terakhir Diuji pada 16 Oktober 2025

Hak cipta 2026 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.