Skip to content

lastingyeh/google-adk-study

BranchesTags

Repository files navigation

Google ADK 學習路線圖

概述

此儲存庫包含學習 Google ADK（代理開發工具包）的完整路線圖。此路線圖旨在引導學習者掌握有效使用 Google ADK 構建智能代理所需的重要主題和技能。

學習看板

🔗 Dashboard 連結 ➡ https://lastingyeh.github.io/google-adk-study/

🗓️ 第 1-30 天：ADK 核心基礎

第一階段：涵蓋 ADK 核心定義、範例專案實作、工作流程編排 (循序、並行、循環)、狀態管理與測試評估。

🕗 Day 1

了解 Google ADK 核心定義，在社群資源中匯集了由 Agent Development Kit (ADK) 社群所建立和維護的各類資源。內容涵蓋了入門教學、深度課程、代理程式開發的教學與示範、Java 版本的 ADK 資源，以及多國語言的文件翻譯。此外，頁面也提供了如何貢獻自己資源的指南，鼓勵社群成員參與並豐富 ADK 的生態系。

🏷️ adk-basics, community, getting-started

🕗 Day 2

設計 copilot 互動教學設計模式，取得目標學習專案的相關資源，並設計互動式教學模式以協助學習者更有效地掌握專案內容。

🏷️ copilot, learning-design, interactive-tutorial

🕗 Day 3

實做範例 software-bug-assistant 專案，了解如何使用 Google ADK 建立一個能夠協助識別和修復軟體錯誤的智能代理。此專案展示了 ADK 的強大功能，並提供了實際應用的範例，幫助學習者深入理解代理程式的設計與實作過程。

🏷️ software, bug-assistant, implementation, postgres

🕗 Day 4

實做範例 youtube-shorts-agent 專案，了解如何使用 Google ADK 建立一個能夠協助生成和管理 YouTube Shorts 內容的智能代理。此專案展示了 ADK 的強大功能，並提供了實際應用的範例，幫助學習者深入理解代理程式的設計與實作過程。

🏷️ sub-agents, youtube-shorts, implementation, assistant, loop-agent

🕗 Day 5

實現範例 finance-assistant 專案，了解如何使用 Google ADK 建立一個能夠協助管理和分析財務數據的智能代理。包含基本 ADK Tools 的應用，並透過 asyncio.gather(*tasks) 平行處理任務與完整 Agent 測試案例實現。

🏷️ function-tools, python, tools, custom-abilities, parallel-execution

🕗 Day 6

本教學介紹如何使用 OpenAPI 工具將 AI 代理程式連接到 RESTful Web API。內容涵蓋 OpenAPI 規範基礎、ADK 中的 OpenAPIToolset 使用方法，以及如何配置和調用外部 API。透過實作 Chuck Norris Agent 範例，展示如何利用 OpenAPI 工具擴展代理的功能，實現與外部服務的互動。

🏷️ openapi, rest-api, integration, toolset, api-automation

🕗 Day 7

本教學介紹 Gemini 2.0+ 的內建工具,包含網路搜尋、地圖定位和企業搜尋功能,讓 AI 代理程式存取即時資訊。核心內容涵蓋:google_search 網路基礎工具、google_maps_grounding 位置服務(需 VertexAI)、enterprise_web_search 企業搜尋、GoogleSearchAgentTool 混合工具解決方案。同時介紹記憶體管理、工作流程控制、上下文載入等進階工具。透過實作研究助理範例,展示如何整合多種工具建立生產級代理程式系統,包含最佳實踐與疑難排解指南。

🏷️ built-in-tools, grounding, google-search, google-maps, real-time-data

🕗 Day 8

本教學介紹如何使用模型內容協議 (MCP) 將外部工具和服務整合到 AI 代理程式中。透過 MCPToolset 連接 MCP 伺服器，讓代理程式能夠存取檔案系統、資料庫、API 等外部資源，並支援 OAuth 驗證與人機迴圈審批等進階功能。

🏷️ mcp, integration, standard-protocol, toolset, filesystem

🕗 Day 9

Google ADK 工作流程編排核心-三大模式：順序流程處理依賴任務，並行流程提升執行效率，迴圈流程迭代優化品質。組合策略：透過巢狀工作流程實現複雜代理編排，解決真實世界多步驟問題。

🏷️ workflow, orchestration, sequential-agent, parallel-agent, loop-agent

🕗 Day 10

根據文件內容，這是一份關於 Google ADK 循序工作流程的教學，說明如何使用 `SequentialAgent` 連接多個 agents 建立部落格文章產生 pipeline。透過研究、寫作、編輯、格式化四個階段，展示如何使用 `output_key` 在 agents 間傳遞資料，適合需要按順序執行的任務流程。

🏷️ sequential-agent, workflow, pipeline, multi-agent, state-management

🕗 Day 11

本教學介紹 `ParallelAgent` 同時執行多個獨立代理以提升效率，並運用「扇出/收集」模式：先平行收集資料（航班、飯店、活動），再循序合併結果成完整行程。適用於 I/O 密集型任務與多源資料收集。

🏷️ parallel-agent, workflow, fan-out-gather, multi-agent, performance

🕗 Day 12

本教學示範建構複雜的多代理協調流程，結合並行與循序模式。以內容發布系統為例，採用扇出/收集架構：並行執行新聞、社群、專家三個研究管線，再循序進行內容創作、編輯、格式化，實現速度與品質兼顧的智能協作系統。

🏷️ multi-agent-systems, orchestration, nested-workflows, google-search

🕗 Day 13

教學 07：循環代理文章精煉系統 - 使用 LoopAgent 實現自我改進的代理系統，透過評論者-精煉者模式進行迭代品質提升，具備智慧終止機制和完整測試覆蓋（62個測試），展示循環代理的實際應用。

🏷️ loop-agent, iterative-optimization, self-correction, critic-refiner

🕗 Day 14

本系列涵蓋 ADK 核心能力：LLM 整合篇教授提示工程、接地技術（網路/資料/位置）、思維推理框架（內建思考、Plan-ReAct）、多輪對話及性能優化；生產部署篇介紹四種部署環境、可觀測性監控、服務組態與安全實踐；進階模式篇探討即時串流、MCP 協定、A2A 通訊及多模態整合；決策框架篇提供代理類型、工具選擇、部署策略的完整決策矩陣與實施清單，助您從開發到生產全面掌握 Google ADK。

🏷️ core-concepts, deployment, advanced-patterns

🕗 Day 15

本資料提供 Google Agent Development Kit (ADK) 完整學習路徑，涵蓋從初學者到專家的 8 階段進程（57+ 天），包括代理建立、工作流程模式（Sequential/Parallel/Loop）、工具整合、狀態管理、生產部署等核心技能。附有快速參考備忘單，提供代碼範例、CLI 指令、最佳實踐與疑難排解，適合 AI 應用開發者系統學習與實作。

🏷️ learning-path, cheat-sheet, reference

🕗 Day 16

涵蓋驗證與平台選擇、入門範例建置、代理模式(循序平行迴圈)、工具整合、狀態管理、部署、安全權限、測試監控及最佳實務，並含成本管理、事件追蹤、錯誤處理與常見問題。

🏷️ setup, authentication, hello-world, agent, adk-basics

🕗 Day 17

教學示範建構個人化導師：利用會話狀態與 user/app/temp 前綴記錄偏好、主題與測驗分數，搜尋過往會話支援進度回顧與自適應教學。

🏷️ state-management, memory, persistence, session-state, user-context

🕗 Day 18

教學介紹ADK代理回呼：生命週期、模型、工具六鉤子；可阻擋不當內容、驗證參數、過濾PII、記錄與追蹤指標；示範內容審核助理實作護欄、安全指令、狀態管理與最佳實務。強化安全控制模式與錯誤處理測試範例涵蓋

🏷️ callbacks, guardrails, safety, monitoring, observability, security

🕗 Day 19

本教學介紹如何使用 pytest 和 AgentEvaluator 系統性地測試 AI agents。涵蓋測試金字塔架構:單元測試(77%)驗證工具函式與設定、整合測試(9%)驗證工作流程協調、評估測試(14%)使用 AgentEvaluator 評估軌跡與回應品質。重點在於 AI agents 的非確定性特性需要質化評估而非傳統斷言測試。提供完整實作範例,包含 22 個綜合測試、EvalSet JSON 結構描述,以及生產環境最佳實踐。

🏷️ evaluation, testing, pytest, agent-evaluator, quality-assurance

🕗 Day 20

本教學介紹 ADK 進階推理能力，包含三種規劃器：BuiltInPlanner 利用 Gemini 2.0+ 原生思維能力進行透明推理；PlanReActPlanner 提供結構化的計畫→推理→行動→觀察→重新規劃流程；BasePlanner 可建立自訂規劃策略。透過 ThinkingConfig 控制思維過程的顯示。規劃器讓代理在行動前先思考，提升複雜問題的推理品質與準確性，適用於多步驟工作流程與策略性問題解決。

🏷️ planners, thinking, reasoning, plan-react, strategic-planning

🕗 Day 21

本教學介紹了如何利用 Gemini 2.0+ 的 BuiltInCodeExecutor 功能，讓 AI 代理能夠動態生成並執行 Python 程式碼。此功能使代理能夠在 Google 安全的沙箱環境中進行精確的數學計算、資料分析和複雜運算，解決了大型語言模型在精確度上的限制。內容涵蓋了基本用法、實際應用（如財務計算機），並強調了與傳統函式工具相比的靈活性與強大功能，同時也說明了其安全考量與最佳實踐。

🏷️ code-execution, python, dynamic-code, computation, data-analysis

🕗 Day 22

兩大主題說明：
  • Google ADK v1.18.0 推出了視覺化代理建構器，一個無程式碼的網頁介面，用於設計、設定和測試複雜的多代理系統。使用者可以透過拖放方式建立工作流程，或利用 Gemini 驅動的 AI 助理，以自然語言描述需求來自動生成完整的代理架構。此工具會產生標準的 ADK YAML 設定檔，加速了原型設計和開發流程，但目前仍處於早期版本，可能存在一些小問題。
  • 傳統 MCP 因載入全部工具定義與原始資料而浪費 Token，導致成本高昂且易出錯。新範式「程式碼執行」(MCP 2.0)讓 AI 撰寫程式碼，僅處理必要工具與資料，最終結果才返回上下文，能節省 98% Token，大幅提升效率、可靠性與隱私。

🏷️ visual-builder, no-code, mcp

🕗 Day 23

本教學介紹如何透過伺服器發送事件（SSE）與雙向串流 API，在 ADK 中實現即時文字與音訊串流回應，以優化使用者體驗。內容涵蓋音訊處理、SSE 技術，以及將音訊輸入整合到代理工作流程中。透過實作語音助理範例，展示如何實現語音指令識別與回應。

🏷️ streaming, sse, live-api, audio, voice

🕗 Day 24

本教學介紹如何使用 Google ADK 建立多代理通訊系統，實現代理之間的協同工作。內容涵蓋 A2A 通訊架構、訊息傳遞機制、同步與非同步通訊模式，以及錯誤處理與重試策略。透過實作 A2A Orchestrator 範例，展示如何協調多個代理共同完成複雜任務，提升系統的靈活性與擴展性。

🏷️ agent-to-agent, distributed-systems, delegation, coordination, multi-agent

🕗 Day 25

本教學介紹如何在 Google ADK 中實現事件追蹤與可觀測性，涵蓋設定觀察代理、事件日誌記錄、指標收集與監控儀表板建立。透過實作觀察代理範例，展示如何監控代理的運行狀態與性能，並進行故障排除與優化，提升系統的可靠性與可維護性。

🏷️ advanced, observability, monitoring, events, metrics

🕗 Day 26

本教學介紹如何使用 Google ADK 的 Artifact Tool 管理代理程式所需的檔案與資源。內容涵蓋檔案上傳與下載、版本控制、存取權限設定，以及在代理工作流程中整合 Artifact Tool。透過實作 Artifact Agent 範例，展示如何有效地管理和使用檔案，提升代理的功能與靈活性。

🏷️ advanced, artifacts, files, content-generation, file-management

🕗 Day 27

本教學介紹如何使用 YAML 配置文件來定義和管理 Google ADK 代理程式的設定。內容涵蓋 YAML 語法基礎、配置結構、常用設定選項，以及如何在代理工作流程中載入和應用 YAML 配置。透過實作 Customer Support 範例，展示如何利用 YAML 配置快速調整代理行為，提升開發效率與靈活性。

🏷️ yaml, configuration, declarative, setup, rapid-prototyping

🕗 Day 28

本教學介紹如何使用 Google ADK 建立多模態圖像處理代理程式。內容涵蓋圖像輸入與輸出處理、圖像分析與生成技術，以及將圖像處理功能整合到代理工作流程中。透過實作 Vision Catalog 代理範例，展示如何利用多模態能力進行圖像分類、標註和生成，提升代理的視覺理解與互動能力。

🏷️ multimodal, image-processing, vision, visual-ai, gemini

🕗 Day 29

本系列文章深入探討如何設計一個由多個智慧代理人（Agent）協同工作的 AI 維運平台。此架構整合了 Google ADK、A2A（Agent-to-Agent）通訊協定、MCP（Model Context Protocol）以及 Kafka 資料串流技術，旨在實現從事件監控、分析、知識查詢到自動化修復的端到端智慧維運流程。

🏷️ aiops,a2a,streaming,adk,mcp,kafka,sre

🕗 Day 30

本教學介紹如何在 Google ADK 中進行模型選擇與優化，涵蓋不同模型的特性比較、選擇策略，以及如何根據任務需求調整模型參數以提升性能。透過實作 Model Selector 範例，展示如何根據輸入資料和預期結果動態選擇最適合的模型，實現高效且精確的代理行為。

🏷️ model, gemini, selection, optimization, recommendation

🗓️ 第 31-60 天：進階功能延伸整合

第二階段：深入探討進階主題，如程式碼執行、視覺化建構、即時串流、A2A 通訊、多模態、生產部署及第三方框架整合。

🕗 Day 31

本教學介紹如何將 Google ADK 代理程式部署到生產環境，涵蓋四種主要部署選項：Cloud Run、Agent Engine、GKE 以及本地部署。內容包括部署架構設計、可觀測性與監控實踐、安全性與權限管理，以及最佳實踐與常見挑戰的解決方案。透過實作 Production Agent 範例，展示如何在不同環境中有效部署和管理代理程式，確保其穩定運行與高效性能。

🏷️ production, deployment, cloud-run, agent-engine, gke, security, monitoring

🕗 Day 32

本教學介紹如何在 Google ADK 中實現進階的可觀測性與監控功能，涵蓋設定監控代理、收集與分析指標、建立監控儀表板，以及追蹤分散式追蹤系統。透過實作 Observability Plugins 代理範例，展示如何有效監控代理的運行狀態、性能指標和事件日誌，並利用這些數據進行故障排除與系統優化，提升整體可靠性與維護效率。

🏷️ plugins, observability, monitoring, dashboard, tracing

🕗 Day 33

本教學介紹 Google ADK 的最佳實踐與生產模式，涵蓋代理設計原則、工具與工作流程選擇、性能優化、安全性強化，以及生產環境部署策略。透過實作 Best Practices 代理範例，展示如何應用這些最佳實踐來構建高效、可靠且安全的 AI 代理系統，確保其在生產環境中的穩定運行與持續改進。

🏷️ advanced, best-practices, production, security, performance

🕗 Day 34

Gemini Enterprise (原 AgentSpace) 為 Google 企業級代理平台，整合 ADK 與無程式碼開發。具備預建代理、數據連接與安全治理功能，協助企業大規模運營 AI 代理生態系統。

🏷️ gemini-enterprise, agentspace, deployment, governance, enterprise, management

🕗 Day 35

本教學展示如何整合 LangChain 與 CrewAI 工具至 Google ADK。利用包裝器可直接使用搜尋等百種現成工具，無需 API 金鑰即可快速增強代理能力，並支援多框架協作開發。

🏷️ third-party, integration, langchain, crewai, external-services

🕗 Day 36

本教學介紹如何透過 LiteLLM 在 Google ADK 中整合與使用多種大型語言模型 (LLM)。內容涵蓋設定多模型提供者、配置與管理不同模型的 API 金鑰，以及在代理工作流程中動態切換和使用不同的 LLM。透過實作 Multi-LLM 代理範例，展示如何擴展代理的能力，使其能夠利用不同模型的優勢，提升靈活性與性能。

🏷️ advanced, llms, multi-model, providers, configuration

🕗 Day 37

本文件介紹 GEPA 技術，透過「測試、分析、改進」的演化循環，自動優化 AI 代理人提示詞，解決了手動調整的繁瑣與不確定性。

🏷️ advanced, gepa, prompt-engineering, optimization, genetic-algorithms

🕗 Day 38

本教學指南說明如何整合 Google ADK 代理與使用者介面。內容探討了五種整合方法，重點介紹為 React/Next.js 應用設計的官方 AG-UI 協議，並提供決策框架與最佳實踐，以建構生產級 AI 應用。

🏷️ ui-integration, ag-ui, copilotkit, react, nextjs, frontend

🕗 Day 39

本教學展示如何使用 Google ADK 與 Next.js 建立前端整合代理應用。透過 AG-UI 協議，實現代理與 React/Next.js 應用的無縫互動，並提供完整範例與代碼說明，助您快速構建生產級 AI 前端應用。

🏷️ ui-integration, ag-ui, copilotkit, react, nextjs, frontend

🕗 Day 40

本教學介紹 React Vite 與 Google ADK 的整合開發。透過 AG-UI 協定與手動 SSE 串流，實作不依賴 CopilotKit 的客製化數據分析儀表板，具備檔案上傳、Gemini 智慧分析與 Chart.js 互動圖表功能，並提供與 Next.js 的比較及部署指南。

🏷️ ui, react, vite, ag-ui, custom-implementation

🕗 Day 41

Streamlit 結合 ADK，用純 Python 打造數據分析 AI。整合 Gemini 2.0 實現檔案分析、圖表生成與對話，免前端開發，快速部署。

🏷️ ui, streamlit, python, data-science, dashboard

🕗 Day 42

使用 Google ADK 建立 Slack 機器人，實現文件查詢與對話功能。整合 Gemini 2.0 提供智慧回應，並展示部署與擴展方法。

🏷️ ui, slack, python, bot, messaging

🕗 Day 43

本教學整合 Pub/Sub 與 ADK 建構事件驅動文件處理系統。透過協調者路由至專家代理，並以 Pydantic 確保結構化輸出，實現高效非同步的自動化分析架構。

🏷️ gcp cloud, pubsub, event-driven, python, agents

🕗 Day 44

建構一個具備 Grounding、多用戶對話隔離、SQLite 持久性以及綜合測試的生產級商務代理。

🏷️ advanced, e2e, production, sessions, commerce

🕗 Day 45

教程 37 利用 Gemini File Search 構建 RAG。具自動引用與多代理功能，低成本高效解決企業政策查詢，大幅提升人資效率。

🏷️ advanced, file-search, rag, multi-agent, production

🕗 Day 46

本專案教學如何從零建構多代理系統,使用 MCP 協定進行服務發現、A2A 協定實現代理間通訊,透過 Host Agent 協調任務委派,整合可串流 HTTP 與 Stdio 伺服器,建立可擴展的 AI 代理架構。

🏷️ mcp, a2a, multi-agent, jsonrpc2

🕗 Day 47

本文介紹如何使用 OpenTelemetry 與 Jaeger 追蹤 Google ADK 代理的執行細節。重點說明 TracerProvider 衝突問題及解決方案：使用環境變數配置（適用 adk web）或手動設定（獨立腳本）。同時涵蓋本地開發與 Google Cloud Trace 生產環境部署。

🏷️ adk, opentelemetry, jaeger, observability, tracing, debugging

🕗 Day 48

Gemini Enterprise 取代 Agentspace，提供企業級合規、安全與資料主權。結合 SLA 保證與完整稽核，解決標準 API 風險，協助企業安心部署生產級 AI 代理。

🏷️ gemini, enterprise, ai-agents, agent-engine, deployment

🕗 Day 49

深入解析 Google Cloud Agent Starter Pack，這是一套全面的工具包，旨在讓您在幾分鐘內於 Google Cloud Platform (GCP) 上啟動已準備好投入生產的生成式 AI 代理。

🏷️ agent-starter-pack, gcp, genai, observability, production, vertex

🕗 Day 50

本文深入探討 Google ADK 中的 Context Engineering，揭示 Google 用於生產 AI 代理的架構。涵蓋多代理系統設計、狀態管理、觀察性實踐，以及如何利用上下文提升代理性能與可靠性。

🏷️ adk, context-engineering, architecture, production, multi-agent, observability, state-management

🕗 Day 51

本教學介紹如何使用 eBPF 技術強化 GKE 上的 Google ADK 代理安全性與監控能力。涵蓋 eBPF 基礎、GKE 整合方法，以及實作數據平面監控與網路安全範例，提升代理在生產環境中的可視性與防護。

🏷️ adk, ebpf, gke, security, a2a, monitoring, dataplane-v2,networking

🕗 Day 52

探討多代理模式如何透過「分而治之」來管理系統複雜性與認知負載。分析了單一代理與多代理的權衡、委派中的上下文遺失問題，並介紹了階層式、市場式等進階架構，以及在 ADK 中實作清晰邊界與錯誤處理的最佳實踐。

🏷️ multi-agent, architecture, complexity-management, adk, patterns

🕗 Day 53

Google 全新的 Interactions API 是一個統一的閘道，可同時存取 Gemini 模型與 Deep Research Agent。它透過伺服器端狀態管理和背景執行功能，簡化了複雜、有狀態的 AI 應用程式開發，特別適合需要長時間運行的代理工作流程，是 `generateContent` API 的重要演進。

🏷️ adk, gemini, interactions-api, deep-research, ai-agents, tutorial, genai

🕗 Day 54

展示 Interactions API 核心功能：與 Gemini 有狀態對話、串流回應、函式呼叫，透過 previous_interaction_id 維護狀態，適合多輪對話應用。

🏷️ interactions api, gemini, stateful, streaming

🕗 Day 55

AI 代理部署與優化指南：部署 AI 代理比想像簡單，平台已處理安全性。Cloud Run 適合新創（約 $40/月），Agent Engine 適合企業合規（$50/月），GKE 適合 Kubernetes 環境。上下文壓縮技術透過 LLM 自動摘要舊對話，可減少 80% Token 使用，大幅降低長時間對話成本，非常適合客戶支援、研究助理等場景。

🏷️ context-compaction, token-optimization, deployment, cloud-run, agent-engine, production, architecture

🕗 Day 56

ADK 1.16 暫停與恢復調用功能：Agent 可在關鍵點建立狀態檢查點並恢復執行，支援容錯、人機互動與長時間任務，透過 ResumabilityConfig 啟用自動狀態管理。

🏷️ pause-resume, adk, fault-tolerance, state, context

🕗 Day 57

本文介紹如何使用 Google ADK 1.16 評估 AI 代理的工具使用品質，分析其選擇、順序與效率，而不只看最終結果。

🏷️ evaluation, adk, tool-use-quality, quality-assurance

🕗 Day 58

Google ADK 1.17 支援自定義對話存儲（如 Redis），解決持久化與分散式部署問題。開發者只需繼承 `BaseSessionService` 並註冊服務，即可實現生產級別的對話狀態管理，無需修改核心代碼。

🏷️ custom-session-services, adk, storage-backends, redis

🕗 Day 59

彙整 Google ADK、A2A Protocol 與 Model Context Protocol (MCP) 的官方網站地圖，提供完整的文檔結構視圖。這些資源涵蓋了 API 參考、教學指南、規範文件與最佳實踐，協助開發者快速定位所需資訊並建立宏觀的技術視野。

🏷️ sitemap, documentation, resources, adk, a2a, mcp

🕗 Day 60

本指南介紹 Google Deep Research Agent 與 Interactions API 的整合應用。透過 ADK 框架，開發者可實現長時程背景研究、伺服器端狀態管理及串流思考摘要。這不僅降低了對話負載，更能無縫委派複雜任務，顯著提升 AI 代理的自主研究與分析能力。

🏷️ deep-search, interactions-api, gemini, state, vertex-ai, streaming, genai

🗓️ 第 61-90 天：Agent Marketplace 整合與官方文件 (ADK Docs) 學習整理

第三階段：檢視前60天所學內容，進行標準化設計與實作。

🕗 Day 61

參考官方 Visual Builder 規格定義，定義 YAML 格式的規範設計與範本提供 `Agent Marketplace` 頁面功能整合與未來支援 `Visual Builder` 標準化。 
已完成進度 (4/49)
- A2a Orchestrator
- ADK Interactions Agent
- Artifact Agent
- Best Practices Agent

🏷️ yaml, visual-builder, template, marketplace, agents

🕗 Day 62

努力更新 agents.yaml (➕ 6) 🏃🏻。 
已完成進度 (10/49)
- Blog Creation Pipeline
- Chuck Norris Agent
- Financial Calculator
- Commerce Agent
- Content Moderator
- Content Publishing System

🏷️ yaml, visual-builder, template, marketplace, agents

🕗 Day 63

努力更新 agents.yaml (➕ 10) 🏃🏻。 
已完成進度 (20/49)
- Context Compaction Agent
- Custom Session Agent
- Customer Support
- Customer Support Agent (AG-UI)
- Data Analysis Agent
- Data Analysis Dashboard
- Deep Research Agent
- Enterprise Lead Qualifier
- Essay Refinement System
- Finance Assistant

🏷️ yaml, visual-builder, template, marketplace, agents

🕗 Day 64

努力更新 agents.yaml (➕ 10) 🏃🏻。 
已完成進度 (30/49)
- GEPA Optimization Agent
- Grounding Agent
- Hello Agent
- Interactions API Basic Agent
- Math Agent (OTel)
- Host Agent (MCP/A2A)
- MCP File Assistant
- Model Selector Agent
- Multi-LLM Agent
- Observability Agent

🏷️ yaml, visual-builder, template, marketplace, agents

🕗 Day 65

努力更新 agents.yaml (➕ 9) 🏃🏻。 
已完成進度 (39/49)
- Observability Plugins Agent
- Pack ADK A2A Agent
- Pause Resume Agent
- Personal Tutor
- Policy Navigator
- Production Agent
- Pub/Sub Document Processor
- Software Bug Assistant
- Strategic Solver
  - Strategic Problem Solver (BuiltInPlanner)
  - Strategic Problem Solver (PlanReActPlanner)
  - Strategic Problem Solver (Custom StrategicPlanner)

🏷️ yaml, visual-builder, template, marketplace, agents

🕗 Day 66

努力更新 agents.yaml (完成 ✅) 🏃🏻。 
已完成進度 (49/49)
- Streaming Agent
- Support Agent
- Support Bot
- Third-Party Integration Agent
- Tool Use Evaluator
- Travel Planner
- UI Integration Quickstart Agent
- Vision Catalog Coordinator
- Voice Assistant
- YouTube Shorts Agent

🏷️ yaml, visual-builder, template, marketplace, agents

🕗 Day 67

這是一個使用 Google Cloud ADK 入門包建立的 RAG 代理專案，用於文件檢索與問答。它整合了 Vertex AI Search，並包含完整的資料擷取管道、Terraform 部署腳本及可觀測性設定，讓開發者能快速建構、測試與部署生成式 AI 應用。

🏷️ rag, agent-starter-pack, gcp, vertex-ai, terraform, logging, cloud-sql, knowledge-management, monitoring, cicd

🕗 Day 68

此專案是一個使用 ADK 和 Gemini Live API 建立的即時多模態代理，能實現低延遲的語音和視訊互動。它基於 agent-starter-pack，提供完整的 FastAPI 後端、CI/CD 管線和部署腳本，並透過 make 指令簡化本機測試與 Cloud Run 部署流程。

🏷️ multimodal, gemini-live-api, gcp, real-time, fastapi, uvicorn, agent-starter-Pack, logging, monitoring, cicd

🕗 Day 69

Part 1/2：基於 Google ADK 的多代理系統，利用 Web Browser Agent 與 BigQuery 整合，透過自動化瀏覽器爬取分析零售網站搜尋結果，為商品資料（標題、描述、屬性）產生優化建議，解決搜尋查詢低回收率問題，改善商品可發現性。

🏷️ web-crawling, bigquery, search-enhancement, poetry, agent route, selenium, dynamic-prompt, artifact

🕗 Day 70

Part 2/2：基於 Google ADK 的多代理系統，利用 Web Browser Agent 與 BigQuery 整合，透過自動化瀏覽器爬取分析零售網站搜尋結果，為商品資料（標題、描述、屬性）產生優化建議，解決搜尋查詢低回收率問題，改善商品可發現性。

🏷️ web-crawling, bigquery, search-enhancement, poetry, agent route, selenium, dynamic-prompt, artifact

🕗 Day 71

本專案實作了一個為園藝零售商「Cymbal Home & Garden」設計的 AI 客戶服務 Agent。此 Agent 運用 Gemini 模型，透過多模態互動（文字與影像）提供個人化產品推薦、訂單管理及服務預約。專案基於 Google ADK 範例，並整合 Agent Starter Pack，作為一個學習與實作的參考。

🏷️ agent-starter-pack, customer, opentelemetry, poetry, global-instruction, fastapi, cloud-logging, uvicorn

🕗 Day 72

以官方 adk-docs 為主，彙整 Google ADK 多語言快速入門：安裝、建立 Agent、設定 Gemini API 金鑰、註冊工具並以 CLI/Web 測試執行。

🏷️ adk-docs, ai-agent, dev-tools, get-started, adk-python, adk-js, adk-java, adk-go

🕗 Day 73

ADK 的 Sessions/State/Memory 框架，讓 AI Agent 能管理短期對話狀態與長期跨會話知識，並提供快速模式方便開發。

🏷️ sessions, context, state, memory, rewind, agent-engine, vertex-ai

🕗 Day 74

[整合 1/3] 這是一個由生成式 AI 驅動的代理，用於在 Google Cloud 上自動化數據治理。它能將自然語言政策轉換為在 Dataplex 和 BigQuery 上運行的程式碼，並具備記憶、學習與雙模式操作能力，以確保數據合規性。

🏷️ cloudsql, memory, session, firestore, code-policy, mcp, fastapi, uvicorn, embedding, bigquery, cicd

🕗 Day 75

[整合 2/3] 這是一個由生成式 AI 驅動的代理，用於在 Google Cloud 上自動化數據治理。它能將自然語言政策轉換為在 Dataplex 和 BigQuery 上運行的程式碼，並具備記憶、學習與雙模式操作能力，以確保數據合規性。

🏷️ cloudsql, memory, session, firestore, code-policy, mcp, fastapi, uvicorn, embedding, bigquery, cicd

🕗 Day 76

[整合 3/3] 這是一個由生成式 AI 驅動的代理，用於在 Google Cloud 上自動化數據治理。它能將自然語言政策轉換為在 Dataplex 和 BigQuery 上運行的程式碼，並具備記憶、學習與雙模式操作能力，以確保數據合規性與完成 [adk docs] 官方 deployment 相關參考文件整理。

🏷️ cloudsql, memory, session, firestore, code-policy, mcp, fastapi, uvicorn, embedding, bigquery, cicd,gke, cloudrun, vertexai-engine

🕗 Day 77

ADK 代理執行核心 (Runtime) 透過事件迴圈驅動代理程式。您可以使用 API 伺服器進行本地測試，並透過 RunConfig 客製化執行行為，如串流與呼叫限制。它還支援從中斷點恢復工作流程，確保執行的穩健性。

🏷️ runtime, event-loop, api-server, fastapi, run-config, resume, workflow, async, streaming

🕗 Day 78

介紹 ADK 上下文管理，涵蓋多種上下文類型，並透過內容快取減少成本及事件壓縮優化長對話，顯著提升代理效能與回應速度。

🏷️ context, compaction, caching, token, events-compacting-config

🕗 Day 79

[整合 1/2] Google ADK 自定義工具文件涵蓋函數工具、MCP工具、OpenAPI工具與身份驗證機制。詳細說明工具定義、並行執行、人機確認流程，包含Python、TypeScript、Go、Java多語言實作範例，支援代理程式透過結構化函數呼叫擴展能力與外部系統互動。

🏷️ function-tools, mcp, confirmation, custom-tools, human-in-loop, async-parallel, performance, openapi, authentication

🕗 Day 80

[整合 2/2] Google ADK 自定義工具文件涵蓋函數工具、MCP工具、OpenAPI工具與身份驗證機制。詳細說明工具定義、並行執行、人機確認流程，包含Python、TypeScript、Go、Java多語言實作範例，支援代理程式透過結構化函數呼叫擴展能力與外部系統互動 / 整合 Medium 關於 AI Agent Memory 應用文章。

🏷️ function-tools, mcp, confirmation, custom-tools, human-in-loop, async-parallel, performance, openapi, authentication, memory

🕗 Day 81

ADK 提供三大核心代理類別：LLM 代理用於智慧推理、工作流代理 (順序/平行/迴圈) 管理執行流程、自訂代理實現特殊邏輯。支援多代理協作架構，可透過 Agent Config 以 YAML 配置構建無程式碼工作流。

🏷️ agents, workflow, sequential, loop, parallel, custom-agent, config, pattern, multi-agents

🕗 Day 82

[Adk Docs 官方 A2A 協定文件整理] 此目錄文件解釋了如何在 ADK (Agent Development Kit) 中使用 Agent2Agent (A2A) 協定來建構複雜的多代理系統。內容包含 A2A 的基本介紹、使用時機，並提供 Python 和 Go 語言的快速入門指南，說明如何「公開」自己的代理服務以及如何「取用」遠端的代理服務。

🏷️ a2a, multi-agent, example-tool, agent-card, exposing, consuming, to_a2a, api_server

🕗 Day 83

介紹 Google ADK 深層搜尋代理開發套件，展示如何使用 Gemini 建構具備人機協作的全端研究代理系統，包含多代理協作、函式調用與迭代搜尋循環，支援本地與雲端部署。

🏷️ deep-search, planner, vite-react, ui, human-in-loop, sequential, loop, custom-agent, callback, fastapi, uvicorn

🕗 Day 84

介紹 Artifacts 如何管理與工作階段或使用者相關的具名、版本化二進位資料 (如檔案、圖片)，並說明其在 ADK 中的表示與操作方式。

🏷️ artifacts, binary, mine-type, gcs, artifact-service, version, namespace

🕗 Day 85

說明 App 與 Plugin 在 ADK 代理工作流程中的角色與功能。
  • 介紹 App 類別作為代理工作流程的頂層容器，用於管理代理集合的生命週期、配置和狀態，並簡化如情境快取、恢復和外掛程式等功能的設定。
  • 介紹 ADK 外掛程式 (Plugin) 的概念，它如何使用回呼掛鉤在代理工作流的生命週期中執行，以及其常見應用，如日誌記錄、原則強制執行和回應快取。

🏷️ apps, callback-hooks, plugins, logging-tracing, monitoring-metrics, caching, policy, reflect-retry

🕗 Day 86

說明代理評估的必要性、評估目標與成功標準，以及如何用測試檔/評估集 (EvalSet) 建立自動化評估流程。

🏷️ evaluate, user-simulation, event-config, criteria, quality, judgement, trajectory

🕗 Day 87

介紹 Callbacks 如何掛鉤到代理執行過程，提供觀察、自訂與控制代理行為的機制，包括代理前後、LLM 前後與工具執行前後的回呼。

🏷️ callbacks, best-practices, types-of-callbacks, design-pattern, agent-callbacks, model-callbacks, tool-callbacks

🕗 Day 88

說明 Events 與 MCP 在 ADK 代理工作流程中的角色與功能。
  • 介紹 Events 的概念、用途，以及如何使用事件來追蹤代理的執行歷程與狀態變化。
  • MCP 是模型上下文協定 (MCP) 是開放標準，標準化 LLM 與外部系統的通訊。ADK 支援使用與提供 MCP 工具，包含用於資料庫的 MCP 工具箱（支援 BigQuery、PostgreSQL、MongoDB 等多種資料來源）、FastMCP 伺服器整合，以及 Google Cloud 生成式媒體服務的 MCP 工具。

🏷️ events, mcp, artifact, session-service, transfer, streamable, llm-response, gcp, toolbox, database, genmedia

🕗 Day 89

ADK 提供靈活機制整合多樣 LLM，支援 Gemini、Claude 等模型。可透過註冊表直接介接 Google 模型，或利用 LiteLLM、Apigee 等連接器擴展至第三方或本地模型（Ollama、vLLM）。結合企業級驗證與流量治理，簡化代理程式開發並確保安全與效能。

🏷️ llm, gemini, claude, vertex-ai, litellm, apigee, ollama, vllm, model-integration

🕗 Day 90

更新 [ADK Docs] Get Started & Agent Runtime 相關文件內容，並補充 LLM 整合說明。

🏷️ get-started, runtime, event-loop, api-server, fastapi, run-config, resume, workflow, async, streaming

🗓️ 第 91 天開始 ~：官方文件 (ADK Docs) 學習整理與完整實踐

第四階段： 官方文件 (ADK Docs) 持續更新，完整實踐 Agent 實作與範例整理

🕗 Day 91

[整合 1/4] [Gemini API 系列] 整合 ADK 所提供的多種預建工具，涵蓋 Gemini API、Google Cloud 與多種第三方工具（如 GitHub, Notion, Stripe 等）。

🏷️ agent-tools,google-search,code-execution,computer-use,agent-tools,playwright

🕗 Day 92

[整合 2/4] 整合 ADK 所提供的多種預建工具，涵蓋 Gemini API、Google Cloud 與多種第三方工具（如 GitHub, Notion, Stripe 等）。

🏷️ agent-tools,bigquery,connector,api-registry,apigee-api``application-integration

🕗 Day 93

[整合 3/4] 整合 ADK 所提供的多種預建工具，涵蓋 Gemini API、Google Cloud 與多種第三方工具（如 GitHub, Notion, Stripe 等）。

🏷️ bigquery, bigtable, data-agent, express-mode, gke-code-executor, mcp-toolbox, pubsub, spanner, vertex-ai-rag-engine, vertext-ai-search

🕗 Day 94

[整合 4/4] 整合 ADK 所提供的多種預建工具，涵蓋 Gemini API、Google Cloud 與多種第三方工具（如 GitHub, Notion, Stripe 等）。

🏷️ notion, github, mcp, streamable, stdio, postman, paypal, hugging-face, ag-ui, strip, n8n, strip, qdrant

🕗 Day 95

[整合 1/2] [Observability] ADK 整合觀察性與可觀測性工具與實作指南，涵蓋日誌、追蹤、模型監控與分析，包含 BigQuery、Cloud Trace、MLflow、Arize、Weave 等整合案例，適合作為開發與運維建立可觀測性流程的參考資源。

🏷️ observability, logging, tracing, model-monitoring, bigquery-analytics, cloud-trace, mlflow, arize, weave, monocle, phoenix, agentops, bigquery-agent-analytics, freeplay

🕗 Day 96

[整合 2/2] [Observability] ADK 整合觀察性與可觀測性工具與實作指南，涵蓋日誌、追蹤、模型監控與分析，包含 BigQuery、Cloud Trace、MLflow、Arize、Weave 等整合案例，適合作為開發與運維建立可觀測性流程的參考資源。

🏷️ observability, logging, tracing, model-monitoring, bigquery-analytics, cloud-trace, mlflow, arize, weave, monocle, phoenix, agentops, bigquery-agent-analytics, freeplay

🕗 Day 97

[Safety and Security] 探討 AI 系統的安全與保護措施，涵蓋風險評估、資料隱私、權限控管、異常偵測與回應機制。強調設計時需考量潛在威脅，並持續監控與更新安全策略，以確保系統穩定運作並保護用戶資料，降低外部攻擊與內部濫用風險。

🏷️ safety, security, callback, policy, auth, guardrails, plugins, sandbox, evaluation

🕗 Day 98

[BIDI Streaming Live] Google ADK 支援 Gemini Live API，實現低延遲的雙向串流（Bidi-streaming）互動。開發者可透過 RunConfig 設定語音配置、自動 VAD 與逐字稿。核心組件如 LiveRequestQueue 負責傳送多模態輸入，run_live() 則處理包含中斷偵測與工具調用的即時事件，支援多代理程式協作與串流工具開發。

🏷️ bidi-streaming, live-api, gemini-live-api, vertex-ai-live-api, liverequestqueue, runconfig, multimodal, native-audio, interruption-detection, vad, websockets

🕗 Day 99

[整合 1/2] 以 [BIDI Streaming Live] 官方文件，透過 NotebookLM 工具整合知識庫深入解析 ADK 的雙向串流核心。我們將傳統的「請求-等待」模式革新為「即時對話」體驗，實現了可中斷、多模態的互動。藉由官方範例 (bidi-demo) 與 agent-starter-pack 的整合，我們不僅實作了視覺感知、語音情感等進階功能，更涵蓋了從開發、測試到 Cloud Run 部署的完整生產級流程，助您打造次世代 AI 應用。

🏷️ bidi-streaming, live-api, gemini-live-api, vertex-ai-live-api, liverequestqueue, runconfig, multimodal, native-audio, interruption-detection, vad, websockets, affective, proactively

🕗 Day 100

[整合 2/2] 以 [BIDI Streaming Live] 官方文件，透過 NotebookLM 工具整合知識庫深入解析 ADK 的雙向串流核心。我們將傳統的「請求-等待」模式革新為「即時對話」體驗，實現了可中斷、多模態的互動。藉由官方範例 (bidi-demo) 與 agent-starter-pack 的整合，我們不僅實作了視覺感知、語音情感等進階功能，更涵蓋了從開發、測試到 Cloud Run 部署的完整生產級流程，助您打造次世代 AI 應用。

🏷️ bidi-streaming, live-api, gemini-live-api, vertex-ai-live-api, liverequestqueue, runconfig, multimodal, native-audio, interruption-detection, vad, websockets, affective, proactively

🕗 Day 101

[Grounding] Grounding 是將代理的回應建立並取得在外部資料服務的完整流程，用於降低幻覺、提高即時性，並讓答案可被來源驗證。本文件整理官方文件資料夾中與 Grounding 相關的主題與延伸資源。

🏷️ grounding, google-search-grounding, vertex-ai-search-grounding, user-query, tool-calling, rag, context-injection

🕗 Day 102

承接 Day 101 的 Grounding 主題，參考 ADK Samples 官方範例 (RAG) 搭配 Agent-starter-pack，實作具備 Grounding `Vertex AI Search Grounding`功能，展示如何將外部資料注入代理上下文，提升回應的準確性與可靠性，並涵蓋從開發、測試到 Cloud Run 部署的完整生產級流程。

🏷️ grounding, vertex-ai-search-grounding, rag, agent-starter-pack, fastapi, uvicorn, ask_vertex_retrieval

🕗 Day 103

[Build your Agent] 透過實踐指南系列，開始使用 ADK 構建各種類型的智慧代理。這些教學以循序漸進的方式設計，從基礎概念到進階的代理開發技術。

🏷️ agent-team, coding-with-ai, safety-guardrails-callbacks, tutorials, session-state-memory, multi-llm, mcp, ide

🕗 Day 104

[整合 1/7] 本學習透過 105 (根據內容整合調整) 個情境主題分成七大類型，整合學習路徑聚焦於將生成式 AI 轉化為生產力實體。學習者需先掌握代理人的 Sense-Reason-Plan-Act 基本解剖結構，並結合 RAG 解決數據新鮮度問題。技術實踐層面，強調透過 asyncio 非同步編程 與 FastAPI 解決 AI 推論中的 I/O 瓶頸，提升系統併發效能。最終目標是運用多代理人協作模式（MAS）拆解複雜任務，並落實 AgentOps 的監控與評估機制。透過循序漸進的成熟度模型，你將具備從簡單 Prompt 工程轉向建構可解釋、安全且具備自主學習能力的企業級 AI 架構之專業職能。

🏷️ generative-ai, ai-agent, asyncio, fastapi, rag, ml-ops, design-pattern, effective-style, multi-agent, mcp, a2a

🕗 Day 105

[整合 2/7] 本學習透過 105 (根據內容整合調整) 個情境主題分成七大類型，整合學習路徑聚焦於將生成式 AI 轉化為生產力實體。學習者需先掌握代理人的 Sense-Reason-Plan-Act 基本解剖結構，並結合 RAG 解決數據新鮮度問題。技術實踐層面，強調透過 asyncio 非同步編程 與 FastAPI 解決 AI 推論中的 I/O 瓶頸，提升系統併發效能。最終目標是運用多代理人協作模式（MAS）拆解複雜任務，並落實 AgentOps 的監控與評估機制。透過循序漸進的成熟度模型，你將具備從簡單 Prompt 工程轉向建構可解釋、安全且具備自主學習能力的企業級 AI 架構之專業職能。

🏷️ generative-ai, ai-agent, asyncio, fastapi, rag, ml-ops, design-pattern, effective-style, multi-agent, mcp, a2a

🕗 Day 106

[整合 3/7] 本學習透過 105 (根據內容整合調整) 個情境主題分成七大類型，整合學習路徑聚焦於將生成式 AI 轉化為生產力實體。學習者需先掌握代理人的 Sense-Reason-Plan-Act 基本解剖結構，並結合 RAG 解決數據新鮮度問題。技術實踐層面，強調透過 asyncio 非同步編程 與 FastAPI 解決 AI 推論中的 I/O 瓶頸，提升系統併發效能。最終目標是運用多代理人協作模式（MAS）拆解複雜任務，並落實 AgentOps 的監控與評估機制。透過循序漸進的成熟度模型，你將具備從簡單 Prompt 工程轉向建構可解釋、安全且具備自主學習能力的企業級 AI 架構之專業職能。

🏷️ generative-ai, ai-agent, asyncio, fastapi, rag, ml-ops, design-pattern, effective-style, multi-agent, mcp, a2a

🕗 Day 107

[整合 4/7] 本學習透過 104 (根據內容整合調整) 個情境主題分成七大類型，整合學習路徑聚焦於將生成式 AI 轉化為生產力實體。學習者需先掌握代理人的 Sense-Reason-Plan-Act 基本解剖結構，並結合 RAG 解決數據新鮮度問題。技術實踐層面，強調透過 asyncio 非同步編程 與 FastAPI 解決 AI 推論中的 I/O 瓶頸，提升系統併發效能。最終目標是運用多代理人協作模式（MAS）拆解複雜任務，並落實 AgentOps 的監控與評估機制。透過循序漸進的成熟度模型，你將具備從簡單 Prompt 工程轉向建構可解釋、安全且具備自主學習能力的企業級 AI 架構之專業職能。

🏷️ generative-ai, ai-agent, asyncio, fastapi, rag, ml-ops, design-pattern, effective-style, multi-agent, mcp, a2a

🕗 Day 108

[整合 5/7] 本學習透過 104 (根據內容整合調整) 個情境主題分成七大類型，整合學習路徑聚焦於將生成式 AI 轉化為生產力實體。學習者需先掌握代理人的 Sense-Reason-Plan-Act 基本解剖結構，並結合 RAG 解決數據新鮮度問題。技術實踐層面，強調透過 asyncio 非同步編程 與 FastAPI 解決 AI 推論中的 I/O 瓶頸，提升系統併發效能。最終目標是運用多代理人協作模式（MAS）拆解複雜任務，並落實 AgentOps 的監控與評估機制。透過循序漸進的成熟度模型，你將具備從簡單 Prompt 工程轉向建構可解釋、安全且具備自主學習能力的企業級 AI 架構之專業職能。

🏷️ generative-ai, ai-agent, asyncio, fastapi, rag, ml-ops, design-pattern, effective-style, multi-agent, mcp, a2a

🕗 Day 109

[整合 6/7] 本學習透過 104 (根據內容整合調整) 個情境主題分成七大類型，整合學習路徑聚焦於將生成式 AI 轉化為生產力實體。學習者需先掌握代理人的 Sense-Reason-Plan-Act 基本解剖結構，並結合 RAG 解決數據新鮮度問題。技術實踐層面，強調透過 asyncio 非同步編程 與 FastAPI 解決 AI 推論中的 I/O 瓶頸，提升系統併發效能。最終目標是運用多代理人協作模式（MAS）拆解複雜任務，並落實 AgentOps 的監控與評估機制。透過循序漸進的成熟度模型，你將具備從簡單 Prompt 工程轉向建構可解釋、安全且具備自主學習能力的企業級 AI 架構之專業職能。

🏷️ generative-ai, ai-agent, asyncio, fastapi, rag, ml-ops, design-pattern, effective-style, multi-agent, mcp, a2a

🕗 Day 110

[整合 7/7] 本學習透過 104 (根據內容整合調整) 個情境主題分成七大類型，整合學習路徑聚焦於將生成式 AI 轉化為生產力實體。學習者需先掌握代理人的 Sense-Reason-Plan-Act 基本解剖結構，並結合 RAG 解決數據新鮮度問題。技術實踐層面，強調透過 asyncio 非同步編程 與 FastAPI 解決 AI 推論中的 I/O 瓶頸，提升系統併發效能。最終目標是運用多代理人協作模式（MAS）拆解複雜任務，並落實 AgentOps 的監控與評估機制。透過循序漸進的成熟度模型，你將具備從簡單 Prompt 工程轉向建構可解釋、安全且具備自主學習能力的企業級 AI 架構之專業職能。

🏷️ generative-ai, ai-agent, asyncio, fastapi, rag, ml-ops, design-pattern, effective-style, multi-agent, mcp, a2a

🕗 Day 111

本文件詳細介紹如何在 Google ADK 框架下建立與運用「技能代理人（Skills Agent）」。內容涵蓋技能（Skill）的核心概念、優勢、設計原則與命名慣例，並說明如何以 Python 3.11+ 實作內嵌技能與目錄型技能，並透過 SkillToolset 組合多項技能。文件提供從安裝、環境設定、技能開發、測試到常見問題的完整流程，強調技能的模組化、可重複使用、易維護與團隊協作特性。最後，附上進階應用、最佳實務與資源連結，協助開發者快速上手並擴展技能系統。

🏷️ skills, skill-toolset, inline-skills, markdown, libraries, experimental

🕗 Day 112

[整合 1/5] 本文件彙整 Google ADK 支援的各類代理工具與整合，依「所有項目」、「程式碼」、「連接器」、「資料」、「Google」、「MCP」、「可觀測性」、「搜尋」等分類，詳細列出每項工具名稱、功能說明及連結。涵蓋 Google 服務、第三方平台、資料庫、API、可觀測性、工作流自動化等，協助代理程式擴充能力、串接外部資源與提升開發效率。另提供自訂工具與整合貢獻指南，方便開發者查找、比較與導入所需工具。

🏷️ tools, code, connectors, data, google, mcp, observability, search

🕗 Day 113

[整合 2/5] 本文件彙整 Google ADK 支援的各類代理工具與整合，依「所有項目」、「程式碼」、「連接器」、「資料」、「Google」、「MCP」、「可觀測性」、「搜尋」等分類，詳細列出每項工具名稱、功能說明及連結。涵蓋 Google 服務、第三方平台、資料庫、API、可觀測性、工作流自動化等，協助代理程式擴充能力、串接外部資源與提升開發效率。另提供自訂工具與整合貢獻指南，方便開發者查找、比較與導入所需工具。

🏷️ tools, code, connectors, data, google, mcp, observability, search

🕗 Day 114

[整合 3/5] 本文件彙整 Google ADK 支援的各類代理工具與整合，依「所有項目」、「程式碼」、「連接器」、「資料」、「Google」、「MCP」、「可觀測性」、「搜尋」等分類，詳細列出每項工具名稱、功能說明及連結。涵蓋 Google 服務、第三方平台、資料庫、API、可觀測性、工作流自動化等，協助代理程式擴充能力、串接外部資源與提升開發效率。另提供自訂工具與整合貢獻指南，方便開發者查找、比較與導入所需工具。

🏷️ tools, code, connectors, data, google, mcp, observability, search

🕗 Day 115

[整合 4/5] 本文件彙整 Google ADK 支援的各類代理工具與整合，依「所有項目」、「程式碼」、「連接器」、「資料」、「Google」、「MCP」、「可觀測性」、「搜尋」等分類，詳細列出每項工具名稱、功能說明及連結。涵蓋 Google 服務、第三方平台、資料庫、API、可觀測性、工作流自動化等，協助代理程式擴充能力、串接外部資源與提升開發效率。另提供自訂工具與整合貢獻指南，方便開發者查找、比較與導入所需工具。

🏷️ tools, code, connectors, data, google, mcp, observability, search

🕗 Day 116

[整合 5/5] 本文件彙整 Google ADK 支援的各類代理工具與整合，依「所有項目」、「程式碼」、「連接器」、「資料」、「Google」、「MCP」、「可觀測性」、「搜尋」等分類，詳細列出每項工具名稱、功能說明及連結。涵蓋 Google 服務、第三方平台、資料庫、API、可觀測性、工作流自動化等，協助代理程式擴充能力、串接外部資源與提升開發效率。另提供自訂工具與整合貢獻指南，方便開發者查找、比較與導入所需工具。

🏷️ tools, code, connectors, data, google, mcp, observability, search

About

AI Agent, Google ADK, A2A, DevOps

Resources

Readme
Activity

Stars

11 stars

Watchers

1 watching

Forks

3 forks
Report repository

Releases

No releases published

Packages

 
 
 

Contributors

Languages