Transcription
В наши дни любой может довольно легко создать ИИ-агента, и теперь даже его вывод в продакшн стал простым. Это то, что я хочу показать вам в этом видео. Как мы можем использовать комбинацию CLI и навыков, чтобы наш ИИ-помощник по кодированию мог провести нас через процесс создания агента от идеи до надежного развертывания, и для этого мы будем использовать CLI агента от Google. Это очень мощный инструмент. Он с открытым исходным кодом. Я оставлю ссылку на него в описании. Он помогает нам создавать агентов с помощью ADK от Google, который является фреймворком для агентов, который используют многие люди.
Теперь я должен сказать, что прошло некоторое время с тех пор, как я снимал видео на YouTube о создании агента. Обычно в эти дни я так сильно сосредоточен на ИИ-помощниках по кодированию, и самая большая причина этого в том, что такие инструменты, как этот, делают создание агентов таким простым. Мне не так много существенного материала для освещения в видео. Теперь это не всегда тривиально. Вы все еще можете иметь сложные системы памяти и архитектуры RAG. Я не пытаюсь сказать, что каждый агент — это прогулка в парке, но с такими инструментами, как Agent CLI, как я покажу вам здесь, создание ИИ-агентов теперь значительно проще, даже по сравнению с тем, что было 6 месяцев назад.
Хорошо, давайте на пару минут окунемся в воспоминания, а затем мы проведем живую сборку с помощью Agent CLI. Я покажу вам, насколько это легко. Итак, когда я несколько лет назад запустил свой YouTube-канал, мои видео выглядели так. Мы были в VS Code, и я показывал вам построчно, как создавать ИИ-агентов с помощью LangChain в качестве фреймворка в то время. Например, давайте определим нашу модель. Вот как мы подключаем наш системный промпт. Вот как мы добавляем инструменты к нашему агенту. Это было хорошее время, но, черт возьми, требовалось время, чтобы создать любого отдельного агента, и тогда еще не было ИИ-помощников по кодированию.
А затем, когда мы начали использовать ИИ-помощников по кодированию, примерно год или два назад, мы все еще жили и дышали документацией. Вот документация для ADK от Google. Я также создаю много агентов с помощью Pydantic AI. Существует множество фреймворков, но ИИ-помощники по кодированию не были надежными ни с одним из них. У нас не было идеи навыков, чтобы действительно просто внедрить весь контекст и всю документацию, которая ему была нужна. И поэтому мы все еще проходили бы через краткое руководство. Мы бы извлекали определенные страницы и передавали их в качестве контекста нашим агентам по кодированию. Было много ошибок, с которыми нам приходилось разбираться самим, потому что агенты по кодированию тогда еще не были на том уровне. Это все еще требовало немалых усилий.
И теперь мы достигли точки, когда в 2026 году вам не придется тратить ни секунды на документацию самостоятельно, потому что мы, по сути, переносим ее в нашего агента по кодированию. Это всего лишь одна команда для установки CLI и навыков. И теперь с помощью естественного языка мы можем попросить нашего агента по кодированию создать агента, оценить его, развернуть, укрепить. Все упаковано вместе. И поэтому то, что я показываю вам в видео здесь, универсально, но я показываю только Google, потому что с Agent CLI они делают это лучше всего. Навыки, которые доводят ваших агентов до продакшна.
Хорошо, вернемся к репозиторию. Если мы прокрутим вниз в файле README здесь, мы увидим команды, чтобы получить представление о том, как работает Agent CLI. И агент по кодированию будет управлять всем этим, кстати. Подробнее об этом через секунду. Итак, у нас есть команды для создания структуры проекта, оценки агента. Мы можем запустить один промпт против агента. Мы можем даже оптимизировать промпты на основе наших данных оценки. Так что здесь также есть самоитерация. И мы не будем выполнять ни одну из этих команд сами. Мы позволим нашему агенту по кодированию сделать все это.
Так что вы можете думать о CLI как о возможностях, которые мы предоставляем агенту по кодированию. Он может просто выполнять все эти команды. А затем навыки, которые поставляются с ним, говорят агенту по кодированию, как использовать CLI. Вот что делает эту комбинацию такой мощной. CLI — это возможность, навыки — это инструкции. И поэтому, например, один из навыков, который поставляется с Agent CLI от Google, — это инструкции о том, как мы на самом деле пишем код для ИИ-агента. Здесь у нас действительно есть вся документация, например, документация Google ADK, встроенная в нашего агента по кодированию через этот навык. Вот почему нам никогда не придется обращаться к документации или даже ссылаться на нее для нашего агента по кодированию. Это очень круто.
Итак, возвращаясь к списку навыков, на каждом этапе создания агента, для которого у нас есть возможности CLI, у нас есть соответствующий навык. Таким образом, ваш агент по кодированию знает, как управлять всем процессом от начала до конца, следуя только вашим инструкциям и вашей спецификации. И поэтому мне нравится Agent CLI от Google. Существует множество фреймворков, которые имеют навыки, помогающие вам создавать агентов, но они не заходят так далеко, как до вашего развертывания и даже до наблюдаемости продакшна, например. Вот почему мне нравится Agent CLI.
И поэтому я работаю с Google, чтобы представить вам это видео. Для меня большая честь даже говорить это, но это именно то, что я сейчас создаю, потому что ADK с Agent CLI позволяет мне так легко выходить в продакшн. Итак, давайте я покажу вам это сейчас. Давайте создадим агента и доведем его до развертывания. Итак, способ начать работу с Agent CLI, как мы видели ранее, — это выполнить одну команду для установки CLI и навыков. А затем мы можем перейти к простому запросу на создание любого ИИ-агента. Но я даже не буду выполнять эту команду. Я возьму на себя вызов создать и развернуть весь ИИ-агент, не выполнив ни одной команды в терминале самостоятельно.
Итак, я сразу перейду в Cloud Code. Я буду использовать свой инструмент преобразования речи в текст и скажу: «Я хочу, чтобы вы поискали в Интернете, чтобы узнать, как установить Google Agent CLI, а затем я хочу, чтобы вы установили его в этом проекте». Хорошо, здорово. Итак, мы отправим это. Я вернусь, когда у нас все будет готово. Хорошо, и через 30 секунд у нас установлен Agent CLI со всеми навыками в моей папке .cloud. Если бы это был другой агент по кодированию, он был бы где-то еще, но это работает с любым ИИ-помощником по кодированию, если он поддерживает навыки.
Итак, теперь я перейду в новую сессию Cloud Code. Я введу /skills. Вы можете видеть, что все они загружены здесь для создания агента, его развертывания и т. д. А затем я скопирую промпт, который у меня есть вне камеры, чтобы немного сэкономить время, и вставлю его. Я говорю ему использовать установленные навыки ADK для создания агента, который будет запрашивать ваши данные. Так что это просто что-то более простое для демонстрации, но пользователь предоставляет CSV-файл и вопрос, и он напишет код Python. Таким образом, он будет выполнять код для ответа на наши вопросы по CSV. И я специально выбираю выполнение кода, потому что это одна из вещей, которую приходится делать в изоляции. На самом деле это довольно сложно сделать надежным, когда у вас есть агент, развернутый в продакшне. И выполнение кода — это одна из вещей, о которых Google заботится за нас, когда мы развертываем его в облаке, используя здесь навыки.
И поэтому мы видим, что он загрузил навык рабочего процесса CLI, структуру и код ADK. Так что он знает, как запустить кодовую базу и создать агента для нас. Теперь, ради скорости, я просто перехожу прямо к сборке. Я делаю немного «вайб-кодинга» здесь. Так что даже с этими навыками я все равно бы рекомендовал пройти через ваш обычный процесс планирования и реализации с вашим ИИ-помощником по кодированию. Я постоянно рассказываю об этом на своем канале. Вы хотите работать с вашим агентом по кодированию, таким как Claude Code, чтобы создать спецификацию для агента, который вы хотите создать, а затем вы отправите эту спецификацию, чтобы он начал загружать эти навыки и создавать агента. Но, поскольку мы не создаем что-то суперсложное, он должен справиться с этим за один раз. По крайней мере, потому что он также может итерировать и создавать эти оценки. Мы увидим это немного позже.
Итак, вы видите, он даже вернулся, чтобы задать мне вопрос: какой исполнитель кода ADK должен использовать агент? И поэтому, безусловно, мы хотим использовать встроенную песочницу. Это одна из лучших частей ADK — выполнение кода. Многие агенты полагаются на это сейчас, и в производственной среде, где вы можете выполнять любой произвольный код, вам нужно делать это безопасно. Итак, хорошо, давайте просто позволим этому агенту пройти через реализацию.
Хорошо, пока ИИ-агент создается, есть слон в комнате, который я должен затронуть. Я не могу обойти это в видео. Так много людей спрашивают меня об этом. Они говорят: «Эй, Коул, если у нас теперь есть SDK для агентов по кодированию, зачем нам вообще использовать фреймворк, такой как ADK от Google, или Pydantic AI, или LangChain, все эти более «традиционные» фреймворки?» Я знаю, что это немного глупо даже называть это традиционным, но они намного старше этих SDK для агентов по кодированию, этих действительно мощных оболочек, которые дают нам массу возможностей сразу же, те же возможности, которые используются в этих ИИ-помощниках по кодированию. Потому что вы можете создавать очень мощных ИИ-агентов на основе таких вещей, как Anti-Gravity SDK. Но дело в том, что эти более традиционные фреймворки по-прежнему очень важны, когда вы хотите вывести своих агентов в продакшн.
И поэтому позвольте мне просто разбить это для вас просто и понятно. Многие люди используют SDK для агентов по кодированию для создания своих собственных «вторых мозгов» или агентных рабочих процессов, которые они запускают сами. Но проблема с этими инструментами в том, что да, они очень мощные, но это имеет свою цену. Использование этих SDK менее эффективно по токенам, и вы будете получать более медленные ответы. И поэтому для всего, что вы запускаете сами, например, для вашего второго мозга, где вы больше заботитесь о качестве вывода, чем о скорости и стоимости, это фантастика. Я создал свой собственный второй мозг на основе этих SDK для агентов по кодированию. Но для всего, где вы встраиваете агента в платформу, для всего, что идет в продакшн, почти всегда более идеально создавать с помощью фреймворка, такого как ADK от Google, потому что это что-то гораздо более минималистичное, верно? Вы создаете агента с нуля, вы контролируете промптинг и все инструменты. И поэтому вы можете сделать его очень эффективным по токенам и очень быстрым. Существует множество исследований, которые говорят нам, что если на платформе есть клиент, и он не получает ответа или, по крайней мере, первого токена в течение 4 секунд от вашего агента, он просто уйдет, или, по крайней мере, есть очень высокая вероятность, что он уйдет.
Итак, нам нужны наши агенты, чтобы быть быстрыми и легкими, если мы действительно хотим масштабировать их на платформе, вот что на самом деле показывает вам это видео. Используя один из этих фреймворков, таких как Google ADK, мы используем Agent CLI для создания агента, который может невероятно хорошо масштабироваться. Мы развернем его в среде, которая может быть немедленно использована даже миллионами людей.
Хорошо, и через 5-10 минут у нас есть наш агент. И я даже попросил его рассказать мне, что он сделал с Agent CLI. Таким образом, мы получаем обзор различных команд, которые он выполнил. Он еще ничего не сделал с оценкой или развертыванием. Так что мы сделаем это через секунду. Я быстро закончу видео этим. Но у нас есть весь агент, созданный и протестированный сейчас. И поэтому я также попросил Claude Code создать очень простой пользовательский интерфейс Streamlit после того, как я создал агента, просто чтобы у нас было что-то, чтобы увидеть и действительно протестировать нашего агента. И поэтому мы можем использовать развернутого агента, когда он у нас будет, или того, который просто работает локально.
И поэтому я могу загрузить пример набора данных, который я попросил его сгенерировать. Я знаю, что многое из этого довольно тривиально, но я не хочу усложнять вещи сложным примером. Так что просто держим все просто. И поэтому вопрос здесь в том, каков медианный доход на заказ, и какая строка является самым большим выбросом выше среднего? И поэтому он сейчас создаст код, запустит код, а затем даст нам ответ через секунду. И вот оно. Медианный доход на заказ составляет 1348,65 доллара. И лучшая часть этого пользовательского интерфейса, и это то, что агент сообщает нам, — это точный код, который он написал для выполнения этого расчета.
Итак, он загрузил данные. Они были достаточно малы, что, я полагаю, он просто написал CSV в строке. Очевидно, он мог бы читать и из файла. И просто используя Pandas, чтобы получить нам ответ, выводя его. Так что очень, очень круто. Вот как мы получили наш ответ.
Итак, теперь пришло время продвинуть этого агента дальше, оценив его, уточнив промпт и развернув его. Итак, начиная с оценок, затем мы перейдем к развертыванию агента, чтобы закончить, снова протестировав его в Streamlit. Так что очень просто, с помощью естественного языка, так же, как и при создании агента, я говорю: «Используйте навык ADK для оценки ИИ-агента, которого мы здесь создали». Я делаю это в новом разговоре, чтобы показать, что нам даже не нужен контекст из разговора, где мы создали агента, чтобы он понял, как все это выполнить.
Итак, он загружает навык оценки, он понимает нашу существующую кодовую базу, а затем, по сути, он просто запускает тестовый набор, который он создал при создании агента. Так что вы определенно захотите расширить это, если вы действительно собираетесь в продакшн, но сейчас у меня есть набор из трех тестовых случаев, и поэтому он запустил каждый из них, и мы видим, что каждый из них прошел. И поэтому он действительно отправляет запрос агенту для каждой оценки, убедившись, что ответ соответствует ожиданиям на основе тестовых данных, которые он отправляет агенту. Это потрясающе.
И поэтому вы также можете, если оценка показывает, что агент работает не лучшим образом, использовать это как возможность для итерации по системному промпту, инструментам, которые у вас есть для агента, довести его до точки, когда он будет готов к развертыванию, и теперь, чтобы развернуть этого агента, все, что нам нужно сказать, это «развернуть этого агента», верно? Так просто. Он загрузит навык, он пройдет полный процесс развертывания этого в Google Cloud. Вам, возможно, придется пройти какую-то аутентификацию и настроить проект в Google Cloud, но он даже проведет вас через все это, покажет вам шаги, которые нужно предпринять, команды, которые нужно выполнить, если вам нужно настроить все с нуля. Очевидно, у меня уже многое настроено в моей среде, так как я готовился к этому видео, но да, в целом это очень просто.
И вот оно, через 6 минут наш агент развернут в продакшне. Итак, он буквально запустил для нас экземпляр в GCP для размещения нашего агента. Конечно, вы можете настроить все это. Он также должен предоставить вам URL-адрес игровой площадки консоли, так что вы можете перейти прямо в веб, чтобы протестировать нашего агента, который теперь работает в продакшне.
Итак, мы можем отправлять сообщения здесь. Конечно, у нас есть пользовательский интерфейс Streamlit, который я протестирую через секунду. У нас есть память, оценка, встроенные в производственную среду. У нас есть полная аудируемость с трассировками. Это тоже важно. И затем также все выполнение кода, о котором я говорил ранее, оно также выполняется в песочницах в нашей производственной среде. И затем другая очень мощная вещь здесь с нашим агентом — это то, что у него есть личность. Так что вы можете увидеть это прямо здесь. Также, если я перейду в конфигурацию службы, мы можем посмотреть детали развертывания. И поэтому мы можем установить разрешения для нашего агента, так же, как вы могли бы для другого пользователя или учетной записи службы. Мы также можем отслеживать наши трассировки по агенту, по пользователю, когда они используют наших агентов. И у нас есть URL-адреса здесь, чтобы интегрировать агента прямо в любую платформу, которую мы создали, развернутую в продакшне. Очень, очень круто.
Итак, я вернусь к Streamlit. На этот раз у меня выбран развернутый агент. Я снова загружу пример набора данных. А затем позвольте мне просто скопировать этот вопрос сюда. На этот раз немного другой вопрос. Какой регион больше всего увеличил свой общий доход с первого квартала до второго квартала и на какой процент? Просто еще один базовый вопрос, чтобы показать вам, что у нас тот же интерфейс, но на этот раз он работает через развернутого агента, которого у нас есть в GCP. Посмотрите на это. Мы получили наш ответ, код, который я написал, все выглядит очень, очень хорошо.
Итак, мы провели нашего агента от идеи до продакшна в этом видео, не выполнив ни одной команды самостоятельно. Claude Code управлял всем этим. Это Google Agent CLI за 15 минут. Это такой мощный инструмент для вывода любого агента от идеи до продакшна. Теперь, в зависимости от того, что вы собираетесь строить, это может быть сложнее, чем то, что я представил здесь. Если это мультиагентная, сложная система RAG, но это все равно будет инструмент, который сможет направлять весь этот процесс для вас. Вам, возможно, просто придется потратить больше времени на спецификацию вещей с вашим агентом по кодированию. Но да, я оставлю ссылку на это в описании. Просто попробуйте. Создайте агента и просто посмотрите, насколько это легко в наши дни, даже по сравнению с тем, что было всего год назад.
И поэтому, если вы цените это видео и с нетерпением ждете большего о ИИ-агентах и ИИ-помощниках по кодированию, я был бы очень признателен за лайк и подписку. И на этом я увижусь в следующем видео.