13 gyakorlati bemutató, amelyek segítségével a Gemini Enterprise Agent Platformot fel lehet építeni.

Korábbiakban bevezettük a Gemini Enterprise Agent Platform, ahol létrehozhat, skálázhat, irányíthat és optimalizálhat agenteket. Ma megosztjuk 13 demót, amelyek bemutatják, mit tud az Agent Platform. Minden demó egy fogalmat, mintát vagy architektúrát mutat be, amelyet azonnal alkalmazhat. A legjobb rész? Nem kell lépésről lépésre követni őket. Telepítse az Agents CLI-t a kedvenc kódolási agentjában (Antigravity, Claude Code, Codex, bármilyen használja), és azonnal kapja meg a szükséges 7 képességet, amelyekkel egy ADK és Agent Platform szakértővé válik. Írja le, mit szeret építeni, egyszerű nyelven, és a kódolási agentje a megfelelő agentet építi, értékel, telepíti és monitorálja. Soha nem kell elhagynia az editorját. Kezdjük! Hozzon létre AI agenteket Ezek a demók az ADK-n alapulnak. Kezdik a alapokkal, és onnan építik fel. 1. Kezdje itt: hozzon létre az első agentet az ADK-val. Az ADK Foundation codelab a tökéletes befejezés. Beállítja a környezetét, definiál egy alapvető, Gemini által vezérelt beszélgetési agentet, konfigurálja beállításait, és teszteli azt, mind a parancssori interfessen, mind a web UI-n keresztül. Ha még soha nem használt ADK-t, kezdje ezzel. 2. Hozzon létre egy eseményalapú jóváhagyási agentet a “humann-in-the-loop” megközelítéssel. Az ambient expense agent codelab a teljes Agent Platform bemutató az egész sorozatban. Egy vállalati költségagentet építhet az ADK 2.0-ban található graph-based workflow API segítségével. Az alacsonyabb értékű kiadások automatikusan jóváhagyásra kerülnek egyszerű Python kód segítségével. A nagyobb értékű kiadások először egy LLM biztonsági képernyőn (PII redaction, prompt-injection defense) haladnak el, majd egy Gemini compliance elemzésnek, majd egy “humann-in-the-loop” elemzésnek, mielőtt bármi végleges lenne. A FastAPI-hez köti, Pub/Sub eseményektől indítja, és LLM-ként teszteli. Tartsa ezt az agentet szem előtt – visszatér a Scale and Govern fejezetekben. 3. Hozzon kapcsolatot az agentekkel az adataihoz a Model Context Protocol segítségével. Az MCP codelab bemutatja, hogyan lehet használható újra felhasználható MCP eszközöket építeni, amelyek lehetővé teszik a Gemini számára, hogy kérdezzen a BigQuery-ről, keresse a fájlokat, és hívja meg az API-kat. Az MCP egy nyílt protokoll, így a létrehozott eszközök különböző szállítók és keretrendszerekben is működnek. 4. Hozzon létre dinamikus frontendet az Agent-to-UI (A2UI) segítségével. A legjobb felhasználói élmények a nagyon vizuálisak. Az A2UI codelab bemutatja, hogyan lehet egy olyan agentet építeni, amely megjeleníti valós interfész komponenseket (tervezeteit, diagramokat, interaktív menüket), amelyek valós időben, a beszélgetés során dinamikusan frissülnek. Az agent valójában az felhasználó számára szükséges UI-t építi, azonnal. Skálázza az AI agenteket Egy prototípust a laptopon létrehozni – ez már a következő lépés. A termelési forgalmat, a memóriát és az orkestrációt kezelni – ez a következő lépés. 5. Hozzon létre egy állító állapotú tudományos agentet az Agent Runtime-ba (korábban Agent Engine). Az Stateful Data Science Agent codelab bemutatja, hogyan lehet egy BigQuery agentet építeni, amely a felhasználói beállításokat sessionen át, a Memory Bank segítségével, majd közvetlenül az Agent Runtime-ba telepíteni. Az összes szükséges infrastruktúra, skálázás és session management automatikusan. 6. Hozzon létre hosszú futású agenteket, amelyek képesek leállítani, újraindítani, és soha nem veszítik el a kontextust. Egy agent létrehozása, amely egyetlen kérésre reagál, egyszerű, de a valós üzleti folyamatok gyakran több napot vagy heteket igénybe vesz. Ez a tutorial bemutatja, hogyan lehet olyan agenteket építeni, amelyek megbízhatóan több hetet futtathatnak. Megtanulhatja a három architektúrai mintát: “durable state machines”, “event-driven idle time handling” és “checkpoint-and-resume with persistent sessions”. A példa egy onboarding coordinator agent, amely túlél a container újraindításain, és pontosan ott folytatja, ahol abbahagyta. 7. Hozzon létre egy ambient expense agentet az Agent Runtime-ba az Agents CLI segítségével. Emlékezzen az expense agentre a Build fejezetből? Az “Deploy to Agent Runtime” codelab folytatja ezt, és elviszi a termelésbe. A “Agents CLI” segítségével skálázza a deployment-t, előnézeletet készít, majd telepíti. A Cloud Trace, Cloud Logging, és BigQuery Agent Analytics automatikusan beépül, és az agent automatikusan regisztrálja a Agent Registry-ben, így azonnal felfedhető az egész szervezetben, amint live. 8. Adj valódi front end-et a termelési agentnek. Az “frontend” codelab, ahol minden összeépül. Egy manager dashboard-ot építhet a Cloud Run-on, csatlakoztassa a Pub/Sub pipeline-en keresztül, és adja a managernek a lehetőséget, hogy a böngészőn keresztül folytassa a “humann-in-the-loop” session-eket. Ezzel az expense agent-tel és a deployment-zal egy teljes, végig ható üzleti architektúrát hozhat létre. Ellenőrizze az AI agenteket Az agentek kiszolgálása – ez a kezdet. A nehézség az, hogy tudja, hogy a következő prompt-változtatás tényleg javítja-e, vagy csupán 10-et? Az Agent Platform adja Önnek az eszközöket, hogy ezt a visszacsatolást el tudja végezni. 11. Vezesse az agent minőségi “flywheel”-ját a kódolási agentjén keresztül. A prompt-ot módosította, és 3 példán is jól működik, de tényleg csak 10-et? Ez a tutorial bemutat egy 5-fázisú “evaluation flywheel”-t, amelyet közvetlenül a kódolási agentjén keresztül futtathat: adatok előkészítése (OTel traces, kézzel készített esetek, vagy szimulált esetek), inferencia, Google-ban lévő adaptív AutoRater-ek segítségével, hibák elemzése, és célzott optimalizáció. Az AutoRater-ek ugyanazokkal az elveken működnek, mint a Google, amelyeket DeepMind fejlesztett, és amelyek a saját agentek értékelésére is használják. Írja le, mit szeret, hogy mérésen, egyszerű nyelven. A kódolási agentje a maradékot felveszi. 12. Hozzon létre egy többnyelvű, több agentes pipeline-t az A2A segítségével. Egy nagyvállalatban az különböző csapatok valójában különböző nyelvekben hoznak létre agenteket. Ez a tutorial bemutat egy “shopping assistant” tesztet, a “test-driven development (TDD)” segítségével, egy “custom STRIDE threat model” beépítésével, egy “Semgrep pre-commit hook” beállításával, és egy “PreToolUse gate” beállításával, amely kockázatos műveleteket blokkol. Célzottan hardcodolt egy API kulcsot, és az agent azonnal felismeri és korrigálja, amint a hook éri. 10. Kontrollolja az agent hozzáférést az Agent Gateway segítségével. Az “Agent Gateway” codelab a “runtime governance”-t mutatja be. Egy több eszköz ADK agentet telepíthet az Agent Runtime-ba, amely MCP szerveket hív, a Cloud Run-on keresztül, az Agent Gateway segítségével. Minden agentnek egyedi azonosítója van, végig mTLS segítségével. Minden kimenő hívás IAP autentikációt és IAM engedélyezést használ. Ráadásul, a Model Armor ellenőrzi a tartalmat, hogy észlelje a prompt injection-t és a adatok kifogyását. Ez egy teljes, termelési minőségű “governance stack” egyetlen demóban. Optimalizálja az AI agenteket Az agentek kiszolgálása – ez a kezdet. A nehézség az, hogy tudja, hogy a következő prompt-változtatás tényleg javítja-e, vagy csupán 10-et? Az Agent Platform adja Önnek az eszközöket, hogy ezt a visszacsatolást el tudja végezni.