Google官方手把手教你:如何用Claude+Agent搭建一人公司

Google Cloud 最近發布了一段 30 分鐘的官方教程視頻，演示如何用 Claude + ADK + MCP + Agent Engine構建多Agent系統。

表面上看，這是在教你怎么用Google的Agent開發框架，但看完之后，你會意識到這其實是一份一人公司的技術藍圖。

這個視頻的價值在于：它展示了一套從開發到部署的完整工程鏈路。

視頻主講人Ivan Nardini（Google Cloud 開發者布道師）一上來就指出了 Agent 落地的三個核心痛點：框架碎片化、跨框架協作難、運維治理復雜。

這正是大多數一人公司卡住的地方，Google 給出的解法是一個完整的 Agent 棧：

• ADK（Agent Development Kit）

• MCP（Model Context Protocol）

• Agent Engine

• A2A（Agent-to-Agent Protocol）

這四件套組合在一起，恰好是一人公司需要的基礎設施。

以下為演示實錄：

大家好，感謝大家參加本次會議。在本次會議中，我們將探討如何利用Vertex AI的云服務來構建人工智能代理。

在開始之前，讓我們先明確背景。正如您可能知道的，構建AI智能體非常強大——利用AI智能體可以開發出各種酷炫的應用程序。

但現實情況是：當你開始開發并原型測試智能體后（假設您對現有成果滿意），要將這些智能體投入實際生產環境卻異常困難，對吧？

主要原因有三點：首先，當前市面上存在大量提供各類工具和功能的框架，這些工具能幫助您增強智能體性能，但整個技術生態過于分散，您需要弄清楚如何整合不同框架和工具才能讓系統正常運行；

其次，即使您能夠用單一框架構建單個智能體或多智能體系統，但若同時需要整合多個框架，實現不同智能體之間的有效通信也并非易事。

再假設即使你能夠開發智能代理，并構建一個能夠相互通信的代理網絡，但在生產環境中管理這些代理仍然極其困難——因為你需要負責代理相關的所有運維工作及相應的治理機制。

因此，需要在代理上實現的各種監控功能和日志記錄功能，在這種情況下都極難有效管理。

讓我們設想一下：您將擁有一個工具包，能夠以極高的效率實現區域標準化與開發。

配合該工具包，您還將獲得一套協議規范，使您的智能體能夠無縫地與其他智能體共享工具和上下文信息。

第三，您將獲得一個智能體平臺，可用于部署和擴展該智能體系統，并管理與此新型應用相關的所有操作。

正是基于對這些挑戰的深刻理解，我們決定在Google Cloud上構建自己的Argenti技術棧。

我們的Agen T技術棧由四個核心組件構成。

首先是代理開發套件——這是一款開源且開發者友好的框架，可幫助您大規模構建、測試和部署代理程序。

但要實現這一目標，您需要一套標準化代理方案，并能與各類工具實現無縫對接（正如前文所述）。為解決協議層面的這些挑戰，我們在設計代理開發套件時特別將其與MCP協議兼容。

想必您已了解NCP協議，而通過MCP協議，您的代理程序可與多種工具無縫配合。在實際應用中，您可通過MCP上的Lens組件為應用程序提供通信接口。

此外，我們還推出了Vertex AI Engine引擎——這是一款專為部署、管理和擴展AI代理生產而設計的托管平臺，它能全面解決生產環境中部署代理所需的各種運營挑戰及功能需求。

最后，為解決不同框架構建的代理之間無法通信的問題，我們還引入了代理間協議。該協議本質上是一個開源協議，能夠實現不同框架中的代理之間無縫通信與協作。基于此技術棧，我們將用于構建多代理系統。

但在開始之前，讓我先介紹一下自己。我是Ivan Ardini，谷歌云的開發者倡導者。我常駐森尼韋爾，今天我想與大家分享這段旅程。

這段旅程將從使用Claude構建一個非常簡單的 ADK 代理開始，隨后我們將利用一些預構建工具和MCP來發布這些代理，最后將在一個引擎上部署它們。

作為額外福利，我們將詳細講解如何使用代理間協議連接多個代理，并演示具體操作方法。

如果未能實現這一目標，請放心——本月底我們將舉辦一場現場網絡研討會，屆時會詳細演示具體操作步驟。

話雖如此，我們確實需要開發一個智能代理，但要實現這一目標，首先需要一個LLM模型。下面我將向您展示如何在Vertex AI上獲取云模型的訪問權限。

因此，Vertex AI的模型可通過Vertex AI Model Garden進行調用。該平臺本質上是一個集中式平臺，您可以在其中發現、部署和管理各類基礎及開源模型，包括Claude。在Model Garden上，您可以找到最新且最優秀的Claude模型。

今天上午，我們剛剛正式發布了Claud 4，現在就為大家演示。

完成注冊并提供所需憑證后，您即可訪問該模型，并可通過API或控制臺進行操作。那么，不再多說，讓我為您展示如何使用Claud。現在讓我們打開界面。

對于還不熟悉Vertex AI的用戶，以下是Vertex AI控制臺的界面示意圖。

因此，Vertex AI提供了一套服務，用于構建生成式AI和預測式AI應用程序。正如我所說，Application and Model Garden是一個集中式平臺，可為您提供來自不同模型供應商（包括Claude和Anthropic）的多種模型。事實上，在合作伙伴會議環節中，您將看到Anthropic提供的模型。

在這里，您可以查看我們提供的所有熵模型，包括今天早上發布的最新版本。因此，您可以使用Model Garden來測試該模型。

這是Vertex AI的工作室界面——我們的提示式用戶界面，可用于測試該模型。如您所見，我已提到Claude 3.7 Sonne是我們今天用于構建智能代理的模型。我們已將Claude集成到De中，敬請關注未來幾周的更新。

通過此界面，您可以測試模型，并立即開始與其交互，同時利用此處提供的API將其集成到您的應用程序中。既然您已大致了解如何通過Vertex AI訪問云端服務，讓我們回到演示環節，開始使用該模型構建智能代理。

在這次演示中，我們將構建一個非常簡單的代理——生日策劃代理。該代理的核心功能是幫助您組織生日派對，例如分組安排、獲取賓客名單等。

在開始開發之前，您需要先了解一些與 ADK 相關的基本概念。需要說明的是，雖然本次會議本應是一場工作坊，但由于WiFi信號問題，我已提前提供了一些代碼資源，并將代碼倉庫分享給大家。

因此，會后您就能在家自行運行我展示的代碼。如有疑問，歡迎隨時向我咨詢。以上就是使用代理開發工具包構建代理所需掌握的 ADK 核心概念。

首先，代理開發工具包提供了多種可供使用的代理類型。您已經可以使用預先構建好的標準模式，包括順序代理模式，這些模式可用于實現您的應用程序。

但最簡單的模式就是我們與Llum代理配合使用的那種——該模式本質上僅需使用Llum組件來調用代理并構建代理。

因此，該類構成了代理的核心邏輯模塊。它支持多種模型，包括Claud模型。使用時，您只需設置模型、為代理命名、編寫相關指令，并定義所需的工具即可。

完成上述步驟后，您的智能代理即可使用相關工具正常運行。

所謂“工具”，本質上是指用于為代理分配特定技能的手段；ADK提供了現成的工具供您使用，同時您也可以自定義工具并與框架進行集成。

因此，您擁有這些智能體、Idk工具，以及那個能夠整合所有組件并進行協調的“運行器”概念。

具體來說，我在會話過程中執行這些智能體，同時維護對話狀態；該系統還與一個非常出色的Li（ADK）和Adks集成——您稍后會看到，它們支持通過編程方式或網頁界面與智能體進行交互。

最后需要強調的是，會話機制的核心功能在于能夠存儲對話內容，并讓智能體記住您之前與它的討論記錄，從而實現無縫銜接的交互體驗。

那么，既然如此，我之前已經向你介紹了ADK支持——Claude：它實際上是一個Claude，你可以通過Lite LLUM集成以兩種方式使用Claude和AdKS（這一點想必你已經熟悉）；你也可以利用我們作為Vertex AI團隊提供的Presbury集成，結合Claude和LLUM注冊表——這正是我今天要向你展示的方法。

這是一種將模型與界面無縫集成的便捷方式。

接下來，讓我演示如何使用 ADK 構建智能代理。

因此，這就是您從GitHub 調用倉庫后即可下載的代碼倉庫。該倉庫中包含三個代理程序，我們今天將逐一介紹。

第一個代理正如我所說，是生日計劃器。使用 AWS AWS Cloud Infrastructure (AK) 構建代理時，您只需提供三個文件：`agent pi`（包含代理日志文件）、`environment variables`（包含代理所需的所有環境變量文件）以及一個初始化文件（您應該已經熟悉）。僅這三個文件即可運行該代理。

如您所見， ADK 的設計嚴格遵循軟件工程最佳實踐，因此您應該能夠輕松完成其運行。

綜上所述，這里展示了如何使用ADK 。首先需要導入llum代理類——該類將用于表示我們今天要使用的云模型；此外還可以引入與內存相關的其他類，以及之前介紹過的runner類。

導入該類后，您只需編寫以下代碼即可創建第一個代理：使用llum代理類，定義名稱、目標模型（本例中為3.7版本）及其描述信息，明確代理的功能及需執行的操作指令即可。完成這些步驟后，即可立即投入使用。

因此，您只需執行以下操作即可。如果您希望以編程方式與智能體交互，可以運行ADK命令——系統會在后臺自動啟動與您的智能體的會話。

哦抱歉，我漏提了一點：生日當天。隨后系統會與您的區域建立交互式會話。通過這種方式，您就能開始與智能體互動，并逐步了解其工作原理。

這樣一來，您可以根據具體任務需求迭代優化智能體性能。整個流程僅需三個文件（包括一個Cli文件），即可完成智能體的開發與改進工作。

那么讓我們回到幻燈片內容。假設你已經克隆了倉庫，并成功啟動并運行了代理程序。

讓我們把事情再復雜一點。我們需要對現有智能體進行擴展，使其成為支持多頁面交互的系統。

比如，這個智能體可以為我們提供生日派對的建議；而在派對籌備完成后，我們還需要在日程中安排具體時間——比如購買派對禮物或設置生日提醒。實現這一功能的關鍵在于引入相應的工具。ADK的精妙之處在于：我們不想重復造輪子。

因此在項目啟動初期（第0天），我們就實現了與MCP的集成。

這里我不會詳細解釋MCP是什么，也不會區分不同編程語言專用工具或API之間的差異。

核心理念在于：通過NCP，我們實現了對上下文訪問方式的標準化——不僅適用于Llum自身，也適用于所有其他智能體。

通過ADK ，您可以采用兩種方式使用MCP：

一是直接使用MCP或現有的MCP服務器，并將其作為工具與 ADK 集成——這正是我們今天要實現的功能；無論您使用的是哪種MCP服務器，都可以像現在使用 ADK 一樣直接使用，無需重復開發相同的功能模塊。

另一種方式是：如果您已有 ADK 系統，并在 NDK 中構建了某個工具，即可利用MCP來部署該工具并與其他代理進行交互。以上便是利用 ADK 實現NCP功能的兩種途徑。接下來，我將演示如何將 ADK 與MCP結合使用。

那么讓我們回到這里。讓我訪問這個代理，然后轉到第二個代理。正如我之前所說，我們現在需要引入一個日歷服務代理，它能讓我在日程中安排時間。

由于我們現在有兩個代理——生日代理和日歷代理——我們還需要引入一個協調器，根據我的需求將請求路由到合適的代理。在這個特定場景中，生日規劃器與我們之前定義的代理完全相同，不同之處在于：現在我需要創建一個IBRIK系統；例如，在安排生日活動或獲取生日創意時，我也可以使用Gemini等其他模型。而日歷代理則會再次使用Claude 3.5配合NCP服務器來安排我的日程。為了使用NCP服務器，我們需要編寫以下兩行代碼。

因此，你需要訪問已部署的MC服務器（無論是現有服務器還是自建服務器），或者將A部署為無服務器服務，然后建立連接。

當你運行該命令開始構建代理時，后臺會發生什么？系統會收集運行MCP服務器所需的所有信息和配置要求，將這些MCP P服務器轉化為代理的工具，而代理本身也直接使用這些MP服務器作為運行工具——僅此而已。

但真正讓我堅信 ADK 強大之處在于：只需兩行代碼，就能輕松集成任何現有的NCP工具。

一旦您獲得了這款MCP 工具，就可以將其作為工具集成到我們的代理中，然后就可以完成類似的操作。

現在我們已經擁有生日代理和日歷代理，這就是活動組織器的界面樣子。

由此可見，在這樣的編排器中調度多個代理是多么簡單。關鍵在于定義更完善的指令——因為在此場景下，該代理將負責協調多代理系統。您只需明確每個代理的功能職責，然后將所有代理作為工具導入編排器。系統會根據請求自動選擇合適的代理。完成這些步驟后，即可順利啟動運行。

因此，我們可以這樣做：運行程序后返回此處。實際上，讓我先演示一下這個操作。在向您展示如何進行交互之前，我可以通過編程方式啟動一個智能體交互程序。

不過由于該系統現在更為復雜，我們共有三個智能體，對吧？

我們需要一個更直觀、更可靠的方式來理解幕后發生的情況。在ADK 中，我們使用了一個網頁界面，可以用來與系統交互、與智能代理進行對話。

這個網頁界面的界面如下所示：用戶首先選擇要運行的智能代理，隨后即可進行操作——其界面設計與之前使用Septa時完全一致。

現在我們已經擁有了其他智能體，以及一個在后臺運行的多智能體系統。

如圖所示，該用戶界面能清晰展示智能體后臺的運行狀態。因此，在對話進行過程中，您可以隨時查看各個智能體的具體操作情況。

既然如此，現在您也了解了網頁界面，讓我們回到本次演示的內容。謝謝大家。

在本次演示的最后一部分，我還想向您展示如何輕松地在Agent Engine 上部署該代理。為此，請允許我先演示一下具體操作步驟。

為此，我先向您說明為何需要這樣的引擎。本質上，當需要大規模部署智能代理時，就必須找到相應的解決方案——這其中涉及諸多復雜因素，對吧？

您需要獲取代理代碼，并將其封裝到相應的服務中（例如Fast API 或 Jungle）。隨后需構建容器，并配置運行環境（此處可采用 GCP 環境）。

此外，還需處理與代理架構相關的所有操作流程。同時，必須對代理進行持續監控——畢竟歸根結底它是一個應用程序。

借助代理引擎，您只需通過“代理創建”等方法即可輕松部署代理，使其立即運行并具備完整的可觀測性功能。

所有部署代理所需的可觀測性功能及監控機制均由平臺直接管理；您與代理的所有交互數據也會被我們的日志系統自動記錄，您可直接利用這些數據進行性能評估，從而及時優化系統表現。

這讓你明白了為何需要考慮使用Vertex AI引擎，同時也讓你全面了解了該引擎的整體架構——正如你所見，該引擎能夠整合任何類型的智能體框架（正如我剛才所說）。

如果你使用Land Graph或Land Chain構建智能體，同樣可以實現這一目標；你也可以直接使用這些框架，并結合所需的工具和模型，而智能體引擎將負責部署智能體，并通過云工具實現所需的所有可觀測功能。評估環節也由我們的服務之一——Vertex AI評估服務來完成。

總之，智能體引擎具備以下能力：你可以根據需求在任意框架中定義智能體，利用其管理運行時環境進行部署；

隨后能夠自動觀察智能體行為并實現大規模調用；

此外，該引擎還與我們在Google Cloud上提供的其他服務（如Agent Space，此處不作詳細說明）實現了集成——后者將成為智能體最終落地業務應用的關鍵入口。

因此，實際上，你在企業環境中構建的智能體會產生實際影響。

話雖如此，讓我來介紹今天我們將要討論的最后一個實驗環節。我之前已經向大家展示了如何構建這樣的智能體。

因此，在本次最后的實驗中，我想向大家展示如何僅用幾行代碼即可輕松部署代理。在代碼倉庫中，你們會找到這個模塊，它能夠讓你迭代地部署代理。

要在Vertex Agent Engine上部署代理，您只需提供該代理運行所需的基本配置。正如我之前所說，我們已提供了一個現成的類，可用于在代理引擎上創建代理端點。在這個類中，您可以定義自己所需的代理。本次我們將部署首個代理——規劃器代理。

以下是具體配置要求：您可根據需要添加額外的軟件包，但整個部署過程僅需幾行代碼即可完成。該代理部署在托管服務環境中，具備可擴展性，并支持向多個用戶開放使用。

接下來，請運行此腳本。首先，請關閉當前會話，然后進入代碼倉庫。

最后，這里是我的操作模塊。在這個場景中，我使用的是Python部署代理。后臺實際操作是啟動代理的部署進程，因此您可以在Vertex AI的圖標界面中直接監控部署狀態。

正如您所料，這一步需要一定時間，因為需要構建鏡像并部署代理。現在讓我們直接進入用戶界面：當代理部署成功完成后，Vertex AI代理引擎界面會顯示對應條目。

通過該界面，您可以實時監控代理的各項指標——包括接收查詢的響應時延、響應耗時，以及代理使用的CPU和內存資源。這樣就能更清楚地判斷是否已分配足夠的資源來支持大規模代理服務。

該引擎同樣支持會話管理功能。

在此示例中，我們僅部署了一個實例，因此尚未啟動會話；但此時您已可以看到該會話界面，其中提供了集成此代理應用程序所需的所有信息——無論是實時集成還是流式集成，均可根據所需方法進行選擇。

您隨時可以查看部署詳情。好了，現在您應該已經了解了如何部署該代理程序。

讓我們回到幻燈片內容，謝謝。

正如我所說，這部分屬于額外補充內容；我認為我們沒有足夠的時間來詳細講解。但我想告訴你們的是：假設你們已經開發好了自己的引擎，并成功將其部署上線，對吧？

目前，我們所有的智能體都是僅使用ADK進行構建的。但如果你希望使用Land Chain Crew AI或其他框架來部署或構建智能體，該怎么辦呢？

正如我之前所說，智能體引擎確實支持這種操作。然而，主要問題在于：無法將基于不同框架構建的智能體相互連接起來，對吧？因此，這時就需要一種相應的協議來實現這一目標。

在當今這個由多個基于不同框架構建和部署的智能體共存的世界里，我們亟需找到一種通用語言來實現這些智能體之間的交互與協作，從而完成特定任務。

正因如此，谷歌云推出了智能體間協議。該協議采用開放式設計，通過一個非常簡單的概念（我稍后會詳細說明）來增強智能體間的協作能力。但我要特別強調的是，該協議已具備企業級適用性——它具備多項功能，可讓您以安全可靠的方式管理智能體。

需要指出的是，我們并非從零開始創新，因為該協議直接基于現有的標準協議框架。

HTTP協議由Jason RCP 提出，是該領域廣泛采用的標準。

關于這一概念，你需要了解的是：Wing所描述的是代理技能的概念，這些技能本質上定義了代理的功能或能力。它就像代理在其他代理中的“名片”。

通過這些技能，代理能夠明確展示自身的功能范圍。你可以管理代理所具備的各項功能。而代理卡片本質上就是該代理的數字名片，能讓其他代理或應用程序了解該代理的具體技能及其交互方式。

因此，第一個問題描述的是智能體本身；另一個問題則描述該智能體能夠對其他智能體執行哪些操作。

與之前類似，系統中還包含一個智能體執行器，其主要負責管理智能體之間的通信、請求處理機制以及系統生成的響應。

因此，基于這三個概念，你可以構建這樣的系統：系統中實際上會存在多個采用不同框架的智能體，它們相互之間進行通信，從而完成特定且更為復雜的任務——而非我們今天構建的僅用于安排日程或購買生日禮物的任務。

因此，我們今天不會討論這個話題。不過正如我一開始所說，本月底我們將舉辦一場實時網絡研討會，屆時我會向大家提供二維碼。

簡而言之，我們的出發點正是這三個核心問題，對吧。

構建功能強大的代理系統時，實際投入生產環境會面臨諸多挑戰：系統生態碎片化、集成復雜度需要妥善管理；即便能夠解決這些問題，仍需應對部署代理所需的全部運營開銷。

因此，我們需要一個集成工具包、協議集和引擎平臺，最終實現構建代理系統的標準化流程，使其能夠大規模投入生產。為此，我們基于ADK 構建了這套代理技術棧。

MCP代理引擎與Ent方式本質上可讓您可靠地構建遺傳系統，并根據需求將其規模化應用于生產環境。