Entwicklungsumgebung auswählen
Zuerst benötigen Sie eine Python-Entwicklungsumgebung mit Python 3.11 oder höher. Die hier beschriebenen Schritte wurden in Google Colab getestet.
Sie können die hier beschriebenen Schritte auch in anderen Entwicklungsumgebungen wie Colab Enterprise, dem Cloud Shell-Editor oder auf Ihrem lokalen Computer anpassen.
Sobald die Umgebung bereit ist, können Sie mit der Installation des Agent Framework SDK fortfahren.
Agent Framework SDK installieren
Jetzt installieren Sie das Agent Framework SDK. Während der privaten Vorschauphase ist für den Zugriff auf das SDK eine Aufnahme in die Zulassungsliste erforderlich. Prüfen Sie, ob Sie auf die Zulassungsliste gesetzt wurden, bevor Sie mit den folgenden Schritten zum Herunterladen und Installieren fortfahren.
Authentifizieren Sie zuerst Ihr Google Cloud-Konto mit der gcloud CLI. Dadurch erhalten Sie die erforderlichen Berechtigungen für den Zugriff auf Google Cloud-Dienste. Weitere Informationen finden Sie bei Bedarf in der gcloud-Dokumentation.
gcloud auth login
Laden Sie das Python-Paket des Agent Framework SDK mit der gcloud CLI in Ihre Entwicklungsumgebung herunter:
gcloud storage cp gs://agent_framework/latest/google_genai_agents-0.0.2.dev20250204+723246417-py3-none-any.whl .
Hinweis: Sie müssen auf der Zulassungsliste stehen, damit das Agent Framework auf die Entwicklungsbuilds im vorherigen Befehl zugreifen kann.
Installieren Sie das heruntergeladene Agent Framework SDK-Paket mit pip:
pip install google_genai_agents-0.0.2.dev20250204+723246417-py3-none-any.whl
Nachdem Sie das Agent Framework SDK installiert haben, können Sie jetzt die erforderlichen Bibliotheken importieren, um mit dem Erstellen Ihres Bots zu beginnen.
Erforderliche Bibliotheken importieren
Importieren Sie die folgenden Python-Bibliotheken, die für die Verwendung dieses Quickstarts mit dem Agent Framework erforderlich sind:
import os
from agents import Runner, Agent
from datetime import datetime
Nachdem Sie die Bibliotheken importiert haben, konfigurieren Sie im nächsten Schritt den Zugriff auf die Gemini-Modelle.
Zugriff auf die Gemini API konfigurieren
Das Agent Framework kann so konfiguriert werden, dass es Gemini-Modelle von Google verwendet. Sie können den Zugriff auf Gemini-Modelle entweder über Google AI Studio (mit einem API-Schlüssel) oder über Vertex AI (mit Ihrem Google Cloud-Projekt) konfigurieren. Wählen Sie die Konfigurationsmethode aus, die Ihren Anforderungen am besten entspricht, und folgen Sie der entsprechenden Anleitung unten.
Führen Sie den folgenden Python-Code aus, um den Zugriff auf Gemini-Modelle mit Google AI Studio zu konfigurieren. Ersetzen Sie YOUR_API_KEY durch Ihren tatsächlichen Google AI Studio API-Schlüssel.
os.environ["GOOGLE_GENAI_USE_VERTEXAI"] = "0"
os.environ["GOOGLE_API_KEY"] = "YOUR_API_KEY"
Führen Sie den folgenden Python-Code aus, um den Zugriff auf Gemini-Modelle mit Vertex AI zu konfigurieren. Ersetzen Sie YOUR_PROJECT_ID durch Ihre Google Cloud-Projekt-ID. Achten Sie darauf, dass GOOGLE_CLOUD_LOCATION auf eine unterstützte Vertex AI-Region festgelegt ist.
os.environ["GOOGLE_GENAI_USE_VERTEXAI"] = "1"
os.environ["GOOGLE_CLOUD_PROJECT"] = "YOUR_PROJECT_ID"
os.environ["GOOGLE_CLOUD_LOCATION"] = "us-central1"
Nachdem du den Zugriff auf die Gemini API konfiguriert hast, kannst du die Tools definieren, die deine Kundenservicemitarbeiter verwenden sollen.
Tools für Ihren Kundenservicemitarbeiter definieren
Kundenservicemitarbeiter verwenden häufig Tools, um mit externen Diensten und Daten zu interagieren. In diesem Schritt definieren Sie eine Python-Funktion namens get_exchange_rate. Mit dieser Funktion können Kundenservicemitarbeiter Echtzeit-Wechselkurse von einer externen API abrufen.
def get_exchange_rate(
currency_from: str,
currency_to: str,
currency_date: str,
):
"""Retrieves the exchange rate between two currencies on a specified date."""
import requests
response = requests.get(
f"https://api.frankfurter.app/{currency_date}",
params={"from": currency_from, "to": currency_to},
)
return response.json()
Sie haben jetzt ein Tool für Ihren Kundenservicemitarbeiter definiert. Im nächsten Abschnitt definieren Sie den Agenten selbst und binden dieses Tool ein.
Agent definieren
Jetzt definieren Sie Ihren KI-Agenten mit dem Agent Framework SDK. In der Agentdefinition werden das zu verwendende Modell, die Anleitung, die Tools, auf die er zugreifen kann, und der Interaktionsablauf angegeben.
root_agent = Agent(
model="gemini-2.5-pro-exp-03-25",
name='currency_exchange_agent',
instruction="""
Help users retrieve exchange rates for different currencies
""",
tools=[
get_exchange_rate,
],
flow='single',
)
Nachdem Sie Ihren Agenten definiert haben, müssen Sie ihn im Agent Framework initialisieren.
Agent initialisieren
In diesem Abschnitt initialisieren Sie Ihren Agenten. Der folgende Code richtet In-Memory-Sitzungs- und Artefaktdienste ein, erstellt einen Runner für Ihren Agenten und definiert eine Hilfsfunktion zum Senden von Prompts.
from agents.sessions.in_memory_session_service import InMemorySessionService
from agents.artifacts.in_memory_artifact_service import InMemoryArtifactService
from google.genai import types
session_service = InMemorySessionService()
artifact_service = InMemoryArtifactService()
runner = Runner(app_name="currency_exchange_agent", agent=root_agent, artifact_service=artifact_service, session_service=session_service)
session = session_service.create(app_name="currency_exchange_agent", user_id="1")
def run_prompt(new_message: str):
content = types.Content(role='user', parts=[types.Part.from_text(text=new_message)])
print (content)
for event in runner.run(
session=session,
new_message=content,
):
if event.content:
print(event.content.model_dump(exclude_none=True))
Ihr Agent ist jetzt initialisiert und kann Prompts empfangen. Im nächsten Abschnitt senden Sie eine Testaufforderung, um sie in Aktion zu sehen.
Prompt an den Kundenservicemitarbeiter senden
Jetzt ist es an der Zeit, den Agent zu testen. Senden Sie die folgende Aufforderung mit der zuvor definierten Funktion „run_prompt“ an Ihren Kundenservicemitarbeiter.
run_prompt("What's the exchange rate from US dollars to Swedish currency today?")
Führen Sie die Funktion run_prompt mit der angegebenen Eingabe aus. Der Kundenservicemitarbeiter sollte dann eine Ausgabe ähnlich der folgenden erhalten:
parts=[Part(video_metadata=None, thought=None, code_execution_result=None, executable_code=None, file_data=None, function_call=None, function_response=None, inline_data=None, text="What's the exchange rate from US dollars to Swedish currency today?")] role='user'
{'parts': [{'function_call': {'args': {'currency_from': 'USD', 'currency_to': 'SEK', 'currency_date': '2025-02-21'}, 'name': 'get_exchange_rate'}}], 'role': 'model'}
{'parts': [{'function_response': {'name': 'get_exchange_rate', 'response': {'amount': 1.0, 'base': 'USD', 'date': '2025-02-21', 'rates': {'SEK': 10.6474}}}}], 'role': 'user'}
{'parts': [{'text': 'The exchange rate from US dollars to Swedish currency (SEK) today, 2025-02-21, is 1 USD to 10.6474 SEK.\n'}], 'role': 'model'}
Diese Ausgabe zeigt die internen Schritte des Agents, einschließlich des Funktionsaufrufs und der endgültigen Antwort.
Sehen Sie sich den letzten Teil der Ausgabe an. Sie sollten eine Nachricht vom Kundenservicemitarbeiter mit dem abgerufenen Wechselkurs sehen, die belegt, dass er das get_exchange_rate-Tool erfolgreich verwendet hat:
The exchange rate from US dollars to Swedish currency (SEK) today, 2025-02-21,
is 1 USD to 10.6474 SEK.
Glückwunsch! Sie haben einen Prompt an Ihren Kundenservicemitarbeiter gesendet und die Antwort beobachtet. Weitere Informationen zum Agent Framework, zu Ressourcen und zu den nächsten Schritten finden Sie im nächsten Abschnitt.
Weitere Informationen und Ressourcen
Herzlichen Glückwunsch, Sie haben mit dem Agent Framework einen KI-Bot erstellt.
Wenn Sie mehr über das Agent Framework erfahren und erweiterte Funktionen kennenlernen möchten, sehen Sie sich andere Abschnitte der Dokumentation, Codebeispiele oder Notebooks an. In diesen Ressourcen erfahren Sie, wie Sie komplexere Bots erstellen und in Ihre Anwendungen einbinden.