Agentic AI with Google ADK

Section 1: Lab: เริ่มต้น Google ADK และ Agent ตัวแรก

• Agentic AI คืออะไร และ ADK ต่างจากการเรียก LLM API ตรง ๆ อย่างไร

• ภาพรวม ADK 2.0 และองค์ประกอบหลัก: Agent, Tool, Runner และ Session

• ติดตั้ง ADK สร้างโปรเจกต์ด้วย adk create และตั้งค่า Gemini ผ่าน Google AI Studio หรือ Vertex AI

• Lab: รัน Agent ตัวแรกด้วย adk run และทดสอบผ่าน Dev UI ด้วย adk web

Section 2: ออกแบบ LlmAgent ให้ทำงานแม่นยำ

• name, description และ instruction ที่ช่วยให้ Agent ตัดสินใจได้ถูก พร้อมตัวแปรจาก State

• เลือกโมเดล Gemini ปรับ generate_content_config และใช้โมเดลอื่นผ่าน LiteLLM

• บังคับรูปแบบผลลัพธ์ด้วย output_schema และเก็บผลลง State ด้วย output_key

• Lab: Agent ตอบคำถามสินค้าที่คืนผลเป็นโครงสร้างข้อมูล

Section 3: Lab: Function Tool ที่ Agent เรียกใช้ได้

• เขียน Python Function เป็น Tool ด้วย Type Hint และ Docstring ที่ชัดเจน

• ออกแบบค่าที่ส่งกลับ และใช้ ToolContext อ่านและเขียน State

• Long Running Function Tool สำหรับงานที่ต้องรอผลหรือรออนุมัติ

• Lab: Agent ตรวจสอบคำสั่งซื้อและคำนวณค่าจัดส่งจากข้อมูลตัวอย่าง

Section 4: Built-in Tool, OpenAPI และ MCP Tool

• Built-in Tool อย่าง Google Search และ Code Execution พร้อมข้อจำกัดที่ต้องรู้

• สร้าง Tool จาก OpenAPI Spec และเชื่อม MCP Server ผ่าน McpToolset

• จัดการ Authentication และ Credential ของ Tool อย่างปลอดภัย

• Lab: Agent ที่ค้นข้อมูลผ่าน MCP Server และเรียก API ภายในองค์กร

Section 5: Session, State, Memory และ Artifact

• Session และ Event เก็บบริบทอย่างไร และ SessionService แบบต่าง ๆ

• ขอบเขตของ State ด้วย Prefix user:, app: และ temp:

• MemoryService สำหรับค้นความรู้จากบทสนทนาในอดีต และ Artifact สำหรับไฟล์

• Lab: Agent ผู้ช่วยที่จำความชอบของผู้ใช้ข้าม Session ได้

Section 6: Lab: Callback, Plugin และ Guardrail

• Callback ก่อนและหลังการทำงานของ Agent, Model และ Tool

• กรองคำขอ ปิดบังข้อมูลส่วนบุคคล และตรวจอาร์กิวเมนต์ก่อนเรียก Tool ที่มีผลกระทบ

• Plugin สำหรับนโยบายที่ใช้ร่วมกันทั้งแอป เช่น Logging และการจำกัดการใช้งาน

• Lab: เพิ่ม Guardrail และ Audit Log ให้ Agent จาก Section ก่อนหน้า

Section 7: ออกแบบระบบ Multi-Agent

• เมื่อไรควรแยกเป็นหลาย Agent และรูปแบบ Coordinator กับ Specialist

• sub_agents และการส่งต่องาน (Transfer) เทียบกับการเรียก Agent เป็นเครื่องมือด้วย AgentTool

• ภาพรวม A2A Protocol: เปิด Agent ให้ระบบอื่นเรียก และเรียก Remote Agent

• Lab: ระบบ Help Desk ที่มี Agent คัดแยกและ Agent ผู้เชี่ยวชาญแต่ละด้าน

Section 8: Lab: Workflow Agent แบบ Sequential, Parallel และ Loop

• SequentialAgent สำหรับงานที่ต้องทำตามลำดับเป็น Pipeline

• ParallelAgent สำหรับงานที่แยกทำพร้อมกัน และ LoopAgent สำหรับรอบร่างและตรวจทาน

• ส่งต่อผลลัพธ์ระหว่างขั้นตอนด้วย output_key และ State

• Lab: Pipeline ค้นข้อมูล เขียนร่าง และตรวจทานรายงานอัตโนมัติ

Section 9: Graph Workflow และ Human-in-the-loop ใน ADK 2.0

• แนวคิด Graph Workflow ที่มอง Agent, Tool และ Function เป็น Node

• กำหนดเส้นทางแบบมีเงื่อนไขด้วย Route และ Dynamic Workflow ที่ใช้โค้ดควบคุม

• หยุดรอการอนุมัติจากมนุษย์ (Human-in-the-loop) ก่อนทำขั้นตอนสำคัญ

• Lab: Workflow อนุมัติคำขอที่ให้ผู้ใช้ยืนยันก่อนดำเนินการ

Section 10: Lab: Evaluation และ Observability

• สร้าง Eval Set จากบทสนทนาใน Dev UI และรันด้วย adk eval

• วัดทั้งลำดับการเรียก Tool และคุณภาพคำตอบ

• ดู Trace ของ Event และ Tool Call เพื่อหาสาเหตุที่ Agent ตอบผิด

• Lab: เขียนชุดทดสอบให้ระบบ Help Desk และแก้จนผ่านเกณฑ์

Section 11: เรียกใช้ผ่าน API และ Deploy ขึ้น Google Cloud

• ใช้ Runner อ่าน Event แบบ Streaming และเปิด API ด้วย adk api_server

• เปรียบเทียบ Agent Runtime, Cloud Run และ GKE แล้ว Deploy ด้วย adk deploy

• จัดการ Secret, Session แบบถาวร, สิทธิ์การเข้าถึง และ Log บน Production

• Lab: Deploy ระบบ Help Desk ขึ้น Cloud Run และเรียกจากหน้าเว็บ

Section 12: Workshop: Capstone ระบบ Multi-Agent

• เลือกโจทย์จากงานจริง เช่น ผู้ช่วยฝ่ายขาย ผู้ช่วย HR หรือ Help Desk ภายใน

• ออกแบบบทบาทของ Agent, Tool, State และ Guardrail

• สร้างระบบด้วย ADK พร้อม Eval Set อย่างน้อยหนึ่งชุด

• นำเสนอผลงาน รีวิวร่วมกัน และสรุป Checklist ก่อนขึ้น Production