Guia per crear agents ADK amb habilitats potents

Inici » Pitó » Guia per crear agents ADK amb habilitats potents

Els agents intel·ligents creats amb un kit de desenvolupament d'agents (ADK) s'estan convertint ràpidament en l'eix vertebrador de les aplicacions modernes basades en IA., anant molt més enllà dels chatbots d'un sol cop que només responen preguntes. Amb el sistema d'habilitats adequat, aquests agents poden raonar, planificar, cridar eines, col·laborar amb altres agents i fins i tot refinar el seu propi treball en bucles, tot mantenint l'ús de tokens i la latència sota control gràcies a les tècniques de divulgació progressiva.

En aquesta guia detallada, descobrireu com dissenyar, estructurar i orquestrar agents ADK amb habilitats, des de l'agent únic bàsic fins a fluxos de treball multiagent que s'executen en seqüència, en bucles i en paral·lel. També veureu com les piles del món real com els laboratoris de codi ADK de Google, les habilitats comunitàries i els marcs d'orquestració com ara AgentKit 2.0 utilitzen patrons com Router, SequentialAgent, LoopAgent i ParallelAgent, a més de com empreses com Q2BSTUDIO combinen això amb plataformes al núvol i ciberseguretat per lliurar sistemes llestos per a la producció.

Per què els agents ADK amb habilitats són importants per als equips de programari moderns

L'explosió de la IA en el desenvolupament de programari ha empès els equips a buscar maneres d'encapsular l'experiència i els fluxos de treball en unitats reutilitzables i componibles.Els ADK responen a aquesta necessitat permetent empaquetar comportaments, regles de domini i eines en agents que es poden reutilitzar en projectes, equips i fins i tot productes.

Al centre d'aquest enfocament hi ha les habilitats dels agents, que són mòduls de coneixement autònoms que un agent pot carregar sota demanda. En lloc d'abocar totes les directrius i regles en una sola sol·licitud massiva, les habilitats apliquen una divulgació progressiva arquitectura: les instruccions, els recursos i els scripts només es revelen quan cal, cosa que manté un context fluid i un rendiment alt fins i tot quan teniu centenars d'habilitats instal·lades.

Aquesta eficiència és crucial en un món on els pressupostos de tokens, la latència i els costos de computació són restriccions reals.Carregar totes les guies d'estil, especificacions d'API i regles operatives en una sola indicació no s'escala. Les habilitats permeten mantenir el coneixement "fred" al disc (o en repositoris) i introduir-lo al context de l'agent només quan una capacitat concreta és rellevant.

Empreses com Q2BSTUDIO aprofiten aquest model per construir sistemes d'IA a mida per a empreses., combinant intel·ligència empresarial, coneixement del domini i pràctiques modernes de ciberseguretat. D'aquesta manera, els agents no només són capaços i conscients del context, sinó que també estan protegits contra els vectors d'atac comuns en el panorama d'amenaces actual.

Comprensió de l'arquitectura de divulgació progressiva de les habilitats ADK

Les habilitats d'estil ADK solen seguir un model de càrrega de tres nivells que manté el context de l'agent centrat. tot permetent una especialització profunda del domini sempre que sigui necessari. Podeu pensar-ho com una cadena de coneixement per etapes:

Nivell 1 – Descobriment: quan s'inicia una conversa, l'agent només veu un catàleg d'habilitats disponibles: els seus noms i descripcions breus. Encara no s'ha carregat res pesat. Això és suficient perquè l'agent decideixi quina habilitat podria ser rellevant per a la sol·licitud de l'usuari.

Nivell 2 – Instruccionsun cop es considera que una habilitat coincideix, l'agent la llegeix SKILL.md o un fitxer d'instruccions equivalent. Aquest document proporciona una guia detallada, patrons i regles per a aquesta habilitat i només s'incorpora al context del model quan és necessari.

Nivell 3 – Recursos: els recursos voluminosos com ara esquemes grans, llistes de verificació llargues, scripts o documents extensos romanen al sistema de fitxers com a referències

i es recuperen sota demanda només si l'habilitat hi apunta específicament. L'agent llegeix o executa aquests recursos segons calgui, en lloc de tenir-los sempre a l'indicador principal.

Aquest patró és fonamental per a frameworks com AgentKit 2.0 i configuracions basades en Antigravity.Podeu instal·lar habilitats directament en agents compatibles (Claude Code, Cursor, Antigravity i altres) utilitzant ordres com ara npx add-skill vercel-labs/agent-skills, que clonen els repositoris d'habilitats, els col·loquen als directoris correctes i els fan detectables sense editar manualment les indicacions.

Patrons de disseny per estructurar habilitats ADK

Escriure una nova habilitat des de zero sovint té menys a veure amb les eines i més amb el disseny de contingut.L'especificació de l'ADK normalment indica com estructurar el paquet (frontmatter en YAML, references/, assets/, scripts/ directoris, etc.), però no t'indica com escriure les instruccions reals. Aquí és on entren en joc els patrons de disseny reutilitzables.

Els professionals que han desenvolupat desenes d'habilitats informen que un grapat de patrons estructurals cobreixen la majoria de casos d'ús del món real.Cinc de les més útils són:

Embolcall d'eines: aquest patró encapsula les convencions i les millors pràctiques d'una biblioteca o plataforma determinada en una habilitat. Les instruccions descriuen les regles a seguir, mentre que references/ conté la documentació oficial. Normalment no hi ha plantilles ni scripts; l'objectiu és donar a l'agent un "model mental" d'una eina com FastAPI, React o Postgres.

Generador: aquí, l'habilitat produeix una sortida estructurada coherent utilitzant plantilles emmagatzemades a assets/Alguns exemples són la documentació de l'API, els missatges de commit, els informes tècnics o els registres de canvis. Les instruccions defineixen les regles de qualitat, mentre que les plantilles defineixen la forma de la sortida, de manera que s'obtenen formats repetibles amb contingut diferent cada vegada.

Crític: aquest patró separa Què per comprovar des de com per comprovar-ho. Un fitxer de llista de comprovació a references/ estableix els elements a verificar (seguretat, estil, arquitectura, etc.), mentre que les instruccions defineixen el protocol de revisió: agrupar les troballes per gravetat, exigir justificació, suggerir correccions. Canvieu el fitxer de la llista de comprovació i obtindreu un revisor completament nou sense reescriure l'habilitat.

Entrevista (Inversió)En comptes d'actuar immediatament, l'habilitat primer entrevista l'usuari mitjançant preguntes estructurades per fases, amb portes com ara "no començar a construir fins que totes les fases estiguin completades". Això evita que l'agent faci grans suposicions i l'obliga a aclarir els objectius i les restriccions abans de generar resultats detallats.

Canonada: aquest patró codifica fluxos de treball de diversos passos amb portes explícites entre passos, com ara "no procediu al pas 3 fins que l'usuari ho confirmi". És més complex que els altres, però és l'únic que impedeix de manera fiable que els agents se saltin les etapes de validació. Les habilitats de la canalització poden incorporar passos del revisor, sortides del generador o fases d'entrevista dins del mateix flux.

Les habilitats del món real de Google, Vercel i Supabase sovint combinen dos o més d'aquests patrons per habilitat.Per exemple, una habilitat de governança podria entrevistar l'usuari sobre les restriccions del projecte, després executar una cadena de revisió utilitzant llistes de control diferents i generar un informe de governança amb un generador basat en plantilles.

De sistemes d'agent únic a sistemes multiagent amb ADK

Un cop entengueu com les habilitats empaqueten el coneixement, el següent pas és veure com els agents ADK orquestren aquest coneixement en els fluxos de treball.Els laboratoris de codi ADK oficials de Google són una excel·lent referència: us guien des d'un agent únic bàsic fins a les eines, la memòria i la coordinació multiagent, tot en pràctics quaderns Colab.

El viatge comença amb el vostre primer agent creat amb un RunnerAl laboratori de codi, defineixes un day_trip_agent la missió de la qual és elaborar un itinerari de viatge d'un dia que respecti les preferències i el pressupost de l'usuari. Tres components il·lustren el model general d'interacció ADK:

L’agent és el "cervell" definit per les seves instruccions, el model subjacent (per exemple, Gemini) i les eines que pot cridar. En l'exemple, l'agent té directrius detallades a més d'accés a la Cerca de Google.

La sessió funciona com a magatzem de memòria conversacional, que conté l'historial complet dels missatges dels usuaris i les respostes dels agents. La reutilització del mateix objecte de sessió manté el context viu en tots els torns.

El Corredor coordina l'execució prenent un agent i una sessió, processant cada consulta de l'usuari i retornant la resposta

mentre actualitzo la sessió durant el procésAjudants de serveis públics com run_agent_query() encapsular aquest bucle per poder activar fàcilment els agents mitjançant proves o integracions d'IU.

Llegir aquest primer exemple mostra com les bones instruccions connecten directament amb les indicacions de l'usuari.Una consulta de prova podria demanar una excursió d'un dia "econòmica" i "relaxant", i com que les instruccions emfatitzen la importància de ser respectuós amb els costos, l'agent integra de manera fiable les consideracions pressupostàries a les seves respostes.

Connectar eines personalitzades als agents de l'ADK

Els agents es tornen realment potents un cop poden cridar les vostres pròpies API i serveis interns en lloc de només eines genèriques com la cerca web.Els ADK ho simplifiquen convertint les funcions normals en eines basades en les seves signatures i cadenes de documentació.

Als laboratoris de codi, un exemple senzill utilitza una funció de Python que crida una API meteorològica en temps real.Una funció com get_live_weather_forecast(location: str) Obté dades actuals d'un servei meteorològic públic i retorna informació estructurada, com ara la temperatura i les condicions en un diccionari.

La part crucial és la docstringL'ADK analitza la cadena de documentació de la funció per entendre què fa l'eina, quins arguments pren i què retorna. El model de llenguatge llegeix aquesta descripció i decideix quan i com cridar l'eina durant el raonament.

Per connectar l'eina a un agent, simplement la passeu com a part de la llista d'eines durant la inicialització., Per exemple tools=[get_live_weather_forecast]Les instruccions del weather_agent llavors pot indicar explícitament al model que cridi aquesta eina abans de proposar activitats a l'aire lliure.

Durant les proves, preguntes com ara "Vull fer senderisme a prop del llac Tahoe, quin temps fa?" activen directament l'eina., perquè la missió i les instruccions de l'agent insisteixen a utilitzar la previsió en directe abans de recomanar un pla. Aquest patró es generalitza a les vostres pròpies API: inventari, preus, CRM, anàlisi o qualsevol backend que pugueu encapsular com a funció.

El patró de l'agent com a eina: construcció d'equips d'especialistes

En lloc d'acumular totes les responsabilitats en un sol agent monolític, ADK us anima a crear un equip d'experts més petits.La clau és el patró Agent-com-a-Eina, on un agent pot cridar un altre agent com si fos només una altra eina.

Una demostració típica als laboratoris de codi construeix un sistema de planificació de viatges per capes:

Agents especialitzats gestionar dominis estrets: a food_critic_agent que només suggereix restaurants, un db_agent que consulta dades d'hotels i un concierge_agent que actua com a assistent educat per a les interaccions amb l'usuari.

El mateix conserge tracta el crític gastronòmic com una eina, delegant la selecció del restaurant al crític i després reformulant el resultat en un llenguatge més fàcil d'usar.

A la part superior hi ha un agent orquestrador, com ara trip_data_concierge_agent, la feina del qual és entendre la sol·licitud general de l'usuari i decidir quin especialista invocar mitjançant funcions d'embolcall dedicades com ara call_db_agent i call_concierge_agent.

Quan executeu una consulta com ara "troba'm un hotel i un restaurant proper", els registres de les eines mostren una cadena de delegació: l'orquestrador truca a l'agent de la base de dades per als hotels, després a l'agent de consergeria per a consells sobre restaurants i, al seu torn, el consergeria truca al crític gastronòmic. Cada agent es concentra en el seu propi domini mentre l'orquestrador s'encarrega de la composició.

Aquest enfocament s'alinea estretament amb la manera com AgentKit 2.0 estructura els seus 16 agents especialitzats. a través del frontend, el backend, la seguretat, les proves i la infraestructura. Cada agent inclou habilitats específiques del domini (pràctiques recomanades de React, configuració de bases de dades, auditories de seguretat, fluxos de desplegament i més), i un orquestrador les compon per aconseguir objectius més amplis com ara "crear i desplegar un mòdul d'autenticació d'usuaris".

Donant memòria als agents: sessions i planificació adaptativa

Per sentir-se realment intel·ligent, un agent ha de recordar el context al llarg de múltiples torns., adaptant els plans en resposta als comentaris en lloc de tractar cada missatge com un nou començament. Aquí és on entren en joc les sessions i la gestió de la memòria.

Al laboratori de codi ADK, un agent planificador de viatges de diversos dies il·lustra la diferència entre la memòria correcta i la memòria trencada.Una funció com create_multi_day_trip_agent() estableix un agent les instruccions del qual emfatitzen la planificació gradual, el record de les opcions i la resposta reflexiva a les correccions.

Una demostració adaptativa reutilitza un únic objecte de sessió durant diversos torns:

Gireu 1l'usuari demana un pla de viatge de dos dies i l'agent proposa activitats per al dia 1.

Gireu 2: l'usuari diu que no li agraden els castells. Com que la sessió conté l'itinerari anterior, l'agent sap quina part ha d'ajustar i proposa una alternativa per a aquest segment, tot mantenint intactes la resta de detalls.

Gireu 3: l'usuari confirma el canvi i pregunta pels passos següents, de manera que l'agent continua amb la planificació del dia 2 tenint en compte tot el context anterior.

Una demostració de "fracàs" contrastada crea una sessió nova per a cada tornL'agent respon correctament a la primera pregunta, però quan l'usuari més tard fa referència al "dia 2", la nova sessió no té historial i l'agent essencialment té amnèsia, incapaç de vincular la sol·licitud al pla anterior.

La conclusió és simple però fonamental: les converses contínues exigeixen sessions contínues.Per als sistemes de producció, cal persistir i recuperar l'estat de la sessió a través de crides API, dispositius i, de vegades, fins i tot usuaris, especialment quan els fluxos de treball duren dies o setmanes.

L'agent del router: dirigint les consultes a l'especialista adequat

A mesura que creix el vostre catàleg d'agents i habilitats, necessiteu un mecanisme per enviar cada sol·licitud entrant a l'expert adequat.Aquesta és la feina d'un agent Router, un component petit però crucial en les arquitectures multiagent.

La responsabilitat principal d'un encaminador és la classificació en lloc de respondre directament a les preguntes de l'usuari.Les seves instruccions normalment li indiquen que llegeixi una consulta d'usuari i que només mostri el nom de l'agent (o flux de treball) més adequat per a aquesta tasca.

A les seccions multiagent del laboratori de codi, l'encaminador tria entre diversos agents de domini. com ara un planificador d'excursions d'un dia, un agent gastronòmic o un agent de transport. La funció d'execució primer demana una ruta a l'encaminador i després utilitza una lògica condicional simple per invocar l'especialista correcte en funció de la resposta de l'encaminador.

Aquest patró s'alinea amb com es descriu l'orquestració multiagent a AgentKit 2.0.Allà, un agent orquestrador rep un objectiu d'alt nivell, delega el disseny de l'esquema a un agent de base de dades, el formulari de bastides a un agent frontend, executa una revisió de seguretat, després el passa a un agent de desplegament i finalment agrega les diferències i les URL en un resum coherent per a l'usuari.

SequentialAgent: orquestrant fluxos de treball ordenats de diversos passos

Algunes tasques es descomponen naturalment en etapes ordenades on el resultat d'un pas alimenta el següent.Per exemple, «troba el millor sushi a Palo Alto i després digue'm com arribar-hi» requereix clarament primer un pas de descobriment i després un pas de navegació.

Els ADK ofereixen un agent de flux de treball especialitzat, sovint anomenat SequentialAgent, per gestionar aquestes cadenes de manera netaEn lloc d'escriure una lògica d'orquestració manual, definiu una llista de subagents i claus d'estat compartides, i el marc de treball s'encarrega de la seqüenciació i el pas de dades.

A l'exemple del laboratori de codi, l'agent foodie es refactoritza per emetre el seu resultat sota un output_key M'agrada "destination"Les instruccions de l'agent de transport inclouen aleshores un marcador de posició com ara {destination} que l'ADK omple automàticament amb el valor emmagatzemat de l'estat compartit.

L'agent general del flux de treball, per exemple find_and_navigate_agent, està configurat com a SequentialAgent amb subagents en un ordre fix M'agrada [foodie_agent, transportation_agent]Quan s'invoca, es comporta com un únic agent des de la perspectiva de la persona que truca, tot coordinant internament els dos passos i gestionant l'estat compartit.

Aquest enfocament simplifica dràsticament el codi d'orquestracióEls arbres condicionals i el cablejat de dades ad-hoc desapareixen, substituïts per definicions declaratives de subagents i claus. També facilita la prova i l'ampliació dels fluxos de treball, ja que cada subagent continua sent modular i es pot reutilitzar en altres cadenes.

LoopAgent: refinament iteratiu amb planificador, crític i refinador

Molts problemes del món real es beneficien de la millora iterativa en lloc de respostes puntuals.Pensa en esbossar un pla, criticar-lo, refinar-lo i repetir-lo fins que s'assoleixi un cert nivell de qualitat. Els fluxos de treball en bucle aborden aquesta necessitat.

Els ADK capturen aquest patró amb un LoopAgent, un agent de flux de treball que executa repetidament una seqüència de subagents fins que s'activa una condició de sortidaAixò és ideal per a agents "perfeccionistes" que necessiten autorevisar i corregir els seus propis resultats basant-se en criteris formals.

Una configuració de bucle clàssica inclou tres rolsun agent planificador que produeix un pla inicial, un agent crític que avalua el pla en funció de les restriccions i un agent refinador que edita o reescriu el pla basant-se en els comentaris del crític.

La definició del bucle connecta aquests rols en un cicle amb un nombre màxim d'iteracions per evitar bucles infinits, per exemple max_iterations=3A cada passada, el crític decideix si el pla és acceptable; si no, el refinador genera una versió revisada i el bucle continua.

Sortir del bucle normalment implica una eina especialitzada, Com ara exit_loop, que el refinador crida quan l'avaluació del crític esdevé positiva. En aquest punt, el pla final validat es retorna a l'usuari o es passa als agents posteriors.

Aquest patró és particularment útil en dominis com el disseny d'arquitectura, la revisió de seguretat o la creació de contingut., on les respostes puntuals rarament són prou bones i els cicles de crítica integrats poden augmentar substancialment la qualitat mitjana.

ParallelAgent: accelerar el treball amb subagents concurrents

Quan les diferents parts d'una sol·licitud d'un usuari són independents, executar-les seqüencialment fa perdre temps.Per exemple, «troba un museu, un concert i un bon restaurant per a aquesta nit» no requereix que cada cerca esperi a les altres.

Els fluxos de treball paral·lels solucionen això llançant diversos especialistes alhora.En els ADK, un ParallelAgent executa una llista de subagents simultàniament i després fusiona els seus resultats mitjançant un estat compartit i un pas de síntesi final.

Una configuració típica defineix tres agents específics de domini M'agrada museum_finder, concert_finder i restaurant_finder, cadascun amb el seu output_key en l'estat compartit. L'agent paral·lel executa els tres en paral·lel, de manera que el temps total s'acosta al de l'agent individual més lent en lloc de la suma dels tres.

Després que aquests agents s'hagin completat, un agent de síntesi llegeix els marcadors de posició com ara {museum_result}, {concert_result} i {restaurant_result} de l'estat compartit, i després elabora una resposta coherent i fàcil d'utilitzar que combini les tres vies d'informació.

Aquest patró reflecteix els avantatges de "l'execució paral·lela" descrits als fluxos d'orquestració d'AgentKit 2.0.Els subagents independents lliuren la seva feina simultàniament, aïllats per les seves pròpies habilitats per tal que no contaminin el context dels altres, mentre que l'orquestrador manté la tolerància general a errors i l'auditabilitat.

AgentKit 2.0, habilitats comunitàries i orquestració modular d'agents

AgentKit 2.0 mostra com és a la pràctica un ecosistema madur d'habilitats i agents ADK.Inclou 16 agents especialitzats que abasten el frontend, el backend, la seguretat, les proves i la infraestructura, cadascun preequipat amb habilitats de domini perquè puguin operar de forma autònoma en subtasques complexes.

Més de 40 habilitats centrades en el domini estan incloses de fàbrica, cobrint àrees recurrents com ara fluxos d'autenticació, configuració de bases de dades, implementacions en temps real i monitorització del rendiment. Aquestes són precisament les parts de les piles modernes que solen requerir més temps d'enginyeria.

A més a més, la comunitat en general contribueix amb més de 1,000 habilitats mantingudes.Juntament amb marcs de treball com Agent MD, aquestes habilitats permeten als agents interpretar regles operatives detallades i aplicar-les de manera coherent en bases de codi grans i complexes i implementacions multicapa.

La filosofia central és el desenvolupament modular i basat en agentsEn comptes d'un megaagent que ho intenta tot, es reuneix un equip d'especialistes i s'orquestra. Cada agent només carrega les habilitats que necessita per al seu domini, seguint el mateix model de divulgació progressiva que s'utilitza al nivell d'habilitat.

Els fluxos d'orquestració típics segueixen un patró clarUn agent orquestrador rep un objectiu de nivell superior, delega el disseny de la base de dades a un agent de base de dades (utilitzant una habilitat d'esquema), envia la bastida de la interfície d'usuari a un agent frontend (amb habilitats de bones pràctiques de React), executa un agent de seguretat per a auditories i finalment demana a un agent de desplegament que enviï a una infraestructura com InForge. Durant tot el procés, l'orquestrador recopila resultats, torna a intentar els passos que fallen quan cal i registra les interaccions per a l'auditoria.

Aquesta arquitectura no només millora el rendiment i la fiabilitat, sinó que també s'escala a mesura que les habilitats de la comunitat creixen fins a milers.Ja no necessiteu un únic agent "sabelotot"; en comptes d'això, confieu en un equip compost on cada membre es manté àgil dins de les seves pròpies habilitats.

Pràctica: execució d'agents web ADK localment a macOS, Linux i Windows

Tots aquests conceptes es tornen molt més clars quan inicieu un agent real basat en ADK a la vostra pròpia màquina.La configuració web de l'ADK que es proporciona als repositoris d'exemple permet executar un agent de planificació d'excursions d'un dia localment amb una interfície web senzilla.

Abans de començar, necessitareu uns quants requisits previsPython 3.8 o posterior (es recomana la versió 3.9+), una clau API de Google AI Studio i una connexió a Internet. Per a versions recents de Python, podeu instal·lar google-adk==1.5.0, mentre que els usuaris de Python 3.8 haurien d'utilitzar una versió compatible com ara google-adk==0.3.0.

El flux bàsic per a macOS i Linux comença clonant el repositori i configurant un entorn virtual.Després de córrer git clone i cd al projecte, podeu executar un script automàtic com ara ./setup_venv.sh (després de concedir permisos d'execució) o crear i activar manualment un entorn virtual amb python3 -m venv .adk_env i source .adk_env/bin/activate, Seguit per pip install -r requirements.txt.

Un pas important és establir variables d'entorn mitjançant un .env arxiu a la agent/ directoryCreeu aquest fitxer, l'obriu en un editor i afegiu línies com ara GOOGLE_GENAI_USE_VERTEXAI=FALSE i GOOGLE_API_KEY=your_actual_api_key_here, substituint el marcador de posició per la vostra clau API real. Si ometeu aquest pas, l'agent no podrà cridar els models subjacents.

Un cop l'entorn estigui actiu, simplement executeu adk web per iniciar la interfície web localEl terminal mostra una URL, normalment http://localhost:8000, on podeu obrir el navegador, seleccioneu agent opció d'un menú desplegable i començar a xatejar amb el planificador d'excursions d'un dia. Quan hàgiu acabat, desactiveu l'entorn virtual amb l'opció deactivate comandament.

Els usuaris de Windows segueixen un patró molt similar mitjançant l'indicador d'ordres o el PowerShellDesprés de clonar el repositori i canviar-hi, podeu executar un script de conveniència com ara setup_venv.bat o crear un venv manualment amb python -m venv .adk_env i activar-lo mitjançant .adk_env\Scripts\activate a la línia d'ordres o .adk_env\Scripts\Activate.ps1 a PowerShell.

La .env fitxer a Windows resideix al mateix lloc agent\ directory, creat per exemple amb type nul > agent\.env i editat amb el Bloc de notes. A continuació, afegiu els mateixos parells clau-valor per configurar l'accés a Google AI. Si trobeu problemes de política d'execució a PowerShell, una ordre com ara Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser els resol per a scripts locals.

Després d'instal·lar les dependències i configurar les variables d'entorn, executeu adk web us ofereix la mateixa experiència d'agent basada en navegador tant a Windows com a macOS o Linux, amb la possibilitat de desactivar l'entorn en qualsevol moment mitjançant deactivate.

En conjunt, els agents ADK amb habilitats, divulgació progressiva i orquestració multiagent ofereixen una manera potent de construir sistemes d'IA escalables, segurs i altament especialitzats. que s'alineen amb els fluxos de treball de programari reals. En estructurar les habilitats amb patrons de disseny sòlids, connectar els agents a les vostres pròpies eines i API, aprofitar els agents de router, seqüencial, bucle i paral·lel i executar configuracions localment o al núvol, els equips poden passar de simples chatbots a col·laboradors d'IA robustos que treballen al costat de desenvolupadors, analistes i operadors en el treball diari.