使用 ADK 建構具備狀態和個人化功能的代理

1. 簡介

title

「金魚」問題

假設你聘請旅行社代為規劃東京夢幻假期。使用工作階段代理程式，即可查看「金魚問題」的實際運作情形。

你走進辦公室，對他們說：

「你好，我想規劃東京 2 日遊，我對古蹟和壽司有興趣。」

代理程式熱情地回覆：

「Great! 我已安排參觀皇居，並在 Sukiyabashi Jiro 享用壽司晚餐。」

你微笑著說：

「聽起來很棒！可以傳送行程給我嗎？」

服務人員茫然地看著你，然後問道：

「你好，請問你今天需要哪方面的協助？

這就是所謂的「金魚問題」。如果沒有記憶功能，每次互動都會從頭開始。智慧功能已到位 (服務專員知道如何規劃行程)，但缺少連續性。AI 代理程式必須具備記憶能力，才能真正發揮效用。

今天的任務

在本研討會中，您將建構可記憶、學習及適應的旅遊服務專員，解決金魚問題。您將逐步完成6 個等級的代理程式記憶體，建立的系統行為將更像專屬個人助理，而非聊天機器人。

等級	概念	「超能力」
第 1 關	工作階段和狀態	進行對話時不會忘記內容
第 2 關	多代理程式狀態	與團隊成員共用記事
第 3 關	持續性	即使系統重新啟動，仍會記住你的設定
第 4 關	回呼	完全自主更新記憶體
第 5 關	自訂工具	讀取及寫入結構化使用者設定檔
第 6 級	多模態記憶體	「看見」並記住相片和影片

ADK 記憶體堆疊

撰寫程式碼前，請先瞭解我們使用的工具。Google Agent Development Kit (ADK) 提供結構化的記憶體處理方式：

工作階段：對話的容器。當中會記錄對話內容。
狀態：附加至工作階段的鍵/值「暫存區」。服務專員會使用這項功能儲存特定事實 (例如destination="Tokyo")。
MemoryService：長期儲存空間。我們會將使用者偏好設定或分析的文件等內容永久儲存在這裡。

2. 設定

如要為 AI 代理提供支援，我們需要兩項要素：Google Cloud 專案做為基礎。

第一部分：啟用帳單帳戶

請先申請帳單帳戶，並取得 5 美元抵免額，以利後續部署。請務必使用 Gmail 帳戶。

第二部分：開放式環境

👉 按一下這個連結，直接前往 Cloud Shell 編輯器
👉 如果系統在今天任何時間提示您授權，請點選「授權」繼續操作。
👉 如果畫面底部未顯示終端機，請開啟終端機：
- 按一下「查看」
- 按一下「終端機」
👉💻 在終端機中，使用下列指令驗證您是否已通過驗證，以及專案是否已設為您的專案 ID：
```
gcloud auth list
```

👉💻 從 GitHub 複製啟動程序專案：

git clone https://github.com/cuppibla/memory_agent_starter

👉💻 從專案目錄執行設定指令碼。
```
cd ~/memory_agent_starter
./init.sh
```
⚠️ 專案 ID 注意事項：指令碼會建議隨機產生的預設專案 ID。您可以按下 Enter 鍵接受這項預設值。

不過，如果您偏好建立特定新專案，可以在指令碼提示時輸入所需的專案 ID。

指令碼會自動處理其餘設定程序。

👉💻 設定所需的專案 ID：

gcloud config set project $(cat ~/project_id.txt) --quiet

第三部分：設定權限

👉💻 使用下列指令啟用必要的 API。這項作業可能需要幾分鐘才能完成。

gcloud services enable \
    cloudresourcemanager.googleapis.com \
    servicenetworking.googleapis.com \
    run.googleapis.com \
    aiplatform.googleapis.com \
    compute.googleapis.com

👉💻 在終端機中執行下列指令，授予必要權限：
```
. ~/memory_agent_starter/set_env.sh
```

請注意，系統會為您建立 .env 檔案。顯示專案資訊。

3. 基礎 - 工作階段和狀態

有狀態

概念：內容的背景資訊是關鍵所在

最基本的記憶體形式是「工作階段記憶體」。這就是代理程式如何得知「我想買這個」這句話中的「這個」，是指你 10 秒前談論的鞋子。

在 ADK 中，我們使用 Session 物件管理這項設定。

無狀態方法：為每則訊息建立新工作階段。
有狀態方法：建立一個工作階段，並重複使用於整段對話。

步驟 1：檢查代理程式

👉💻 在 Cloud Shell 終端機中執行下列指令，在 Cloud Shell 編輯器中開啟檔案：

cloudshell edit ~/memory_agent_starter/01_session_agent/agent.py

開啟 ~/memory_agent_starter/01_session_agent/agent.py。

👉 在 agent.py 函式中找出 # TODO: Create a root agent 註解。

將整行內容替換為下列程式碼：

root_agent = LlmAgent(
    name="multi_day_trip_agent",
    model="gemini-2.5-flash",
    description="Agent that progressively plans a multi-day trip, remembering previous days and adapting to user feedback.",
    instruction="""
    You are the "Adaptive Trip Planner" 🗺️ - an AI assistant that builds multi-day travel itineraries step-by-step.

    Your Defining Feature:
    You have short-term memory. You MUST refer back to our conversation to understand the trip's context, what has already been planned, and the user's preferences. If the user asks for a change, you must adapt the plan while keeping the unchanged parts consistent.

    Your Mission:
    1.  **Initiate**: Start by asking for the destination, trip duration, and interests.
    2.  **Plan Progressively**: Plan ONLY ONE DAY at a time. After presenting a plan, ask for confirmation.
    3.  **Handle Feedback**: If a user dislikes a suggestion (e.g., "I don't like museums"), acknowledge their feedback, and provide a *new, alternative* suggestion for that time slot that still fits the overall theme.
    4.  **Maintain Context**: For each new day, ensure the activities are unique and build logically on the previous days. Do not suggest the same things repeatedly.
    5.  **Final Output**: Return each day's itinerary in MARKDOWN format.
    """,
    tools=[google_search]
)

指令會要求 LLM 記住，但程式碼必須提供記住的功能。

步驟 2：兩種情境

開啟 ~/memory_agent_starter/01_session_agent/main.py。

👉 在 Cloud Shell 終端機中執行下列指令，在 Cloud Shell 編輯器中開啟檔案：

cloudshell edit ~/memory_agent_starter/01_session_agent/main.py

開啟 ~/memory_agent_starter/01_session_agent/main.py，在 main.py 函式中找出註解 # TODO: Create a runner with in memorysession service。

將整行內容替換為下列程式碼：

    runner = Runner(
        agent=agent,
        session_service=session_service,
        app_name=agent.name
    )

👉 在 main.py 函式中找出 # TODO: create a different session to test 註解。

將整行內容替換為下列程式碼：

    tokyo_session_2 = await session_service.create_session(
        app_name=multi_day_agent.name,
        user_id=user_id
    )

測試

我們有兩個函式，可說明「金魚」和「大象」記憶體之間的差異。

情境 1：具狀態 (共用工作階段)

async def run_trip_same_session_scenario(session_service, user_id):
    # 1. Create ONE session
    trip_session = await session_service.create_session(...)

    # 2. Turn 1
    await run_agent_query(..., trip_session, ...)

    # 3. Turn 2 - REUSING the same session!
    # The agent can "see" Turn 1 because it's in the session history.
    await run_agent_query(..., trip_session, ...)

情境 2：無狀態 (每次都是新工作階段)

async def run_trip_different_session_scenario(session_service, user_id):
    # Turn 1
    tokyo_session = await session_service.create_session(...)
    await run_agent_query(..., tokyo_session, ...)

    # Turn 2 - Creating a FREASH session
    # The agent has NO IDEA what happened in Turn 1.
    tokyo_session_2 = await session_service.create_session(...)
    await run_agent_query(..., tokyo_session_2, ...)

步驟 3：執行代理程式

讓我們看看實際的差異。執行指令碼：

👉💻 在指令列中，執行下列指令列：

cd ~/memory_agent_starter
uv run python ~/memory_agent_starter/01_session_agent/main.py

觀察情境 1：代理程式會記住您在第一則訊息中的偏好設定，並在第二則訊息中調整行程。

觀察情境 2：在第二輪對話 (「你還記得我喜歡這道菜的哪些地方嗎？」) 中，由於這是新的工作階段，因此服務專員完全無法回答。這等於是說：「我不知道你在說什麼。」

重點摘要

記憶體規則 #1：一律重複使用 session.id，以維持對話背景資訊。Session 物件是代理的短期記憶體緩衝區。

4. 團隊 - 多代理狀態

概念：「電話遊戲」

多個代理程式共同運作時，就像同事之間來回傳遞檔案夾。如果某位服務專員在資料夾中撰寫附註，下一位服務專員應該可以讀取該附註。

在 ADK 中，這個「資料夾」是「狀態」。

State 是位於 Session 內的字典 ({"key": "value"})。
工作階段中的任何代理程式都能讀取或寫入。

步驟 1：檢查工作流程

👉💻 在 Cloud Shell 終端機中執行下列指令，在 Cloud Shell 編輯器中開啟檔案：

cloudshell edit ~/memory_agent_starter/02_multi_agent/agent.py

👉在 ~/memory_agent_starter/02_multi_agent/agent.py 檔案中，找出 # TODO: foodie agent 註解。

將整行內容替換為下列程式碼：

foodie_agent = LlmAgent(
    name="foodie_agent",
    model="gemini-2.5-flash",
    tools=[google_search],
    instruction="""You are an expert food critic. Your goal is to find the best restaurant based on a user's request.

    When you recommend a place, you must output *only* the name of the establishment and nothing else.
    For example, if the best sushi is at 'Jin Sho', you should output only: Jin Sho
    """,
    output_key="destination"  # ADK will save the agent's final response to state['destination']
)

👉 在 agent.py 函式中找出 # TODO: transportation agent 註解。

將整行內容替換為下列程式碼：

transportation_agent = LlmAgent(
    name="transportation_agent",
    model="gemini-2.5-flash",
    tools=[google_search],
    instruction="""You are a navigation assistant. Given a destination, provide clear directions.
    The user wants to go to: {destination}.

    Analyze the user's full original query to find their starting point.
    Then, provide clear directions from that starting point to {destination}.
    """,
)

👉 在 agent.py 函式中找出 # TODO: root_agent 註解。

將整行內容替換為下列程式碼：

root_agent = SequentialAgent(
    name="find_and_navigate_agent",
    sub_agents=[foodie_agent, transportation_agent],
    description="A workflow that first finds a location and then provides directions to it."
)

現在，我們有兩個依序執行的代理程式：

美食代理程式：尋找餐廳。
交通服務專員：提供前往該餐廳的路線。

魔術交接：請注意 foodie_agent 如何將接力棒交給 transportation_agent。

foodie_agent = LlmAgent(
    # ...
    # CRITICAL: This tells ADK to save the agent's output to state['destination']
    output_key="destination"
)

transportation_agent = LlmAgent(
    # ...
    # CRITICAL: This injects state['destination'] into the prompt
    instruction="""
    The user wants to go to: {destination}.
    Provide clear directions...
    """,
)

output_key="destination"：Foodie Agent 的回覆會有效率地儲存。
{destination}：運輸服務專員會自動讀取該答案。

(不須採取行動) 步驟 2：協調器

開啟 02_multi_agent/main.py。

我們會使用 SequentialAgent 依序執行這些作業。

# 1. Create a single session for the sequential agent
session = await session_service.create_session(...)

# 2. Run the query
# The SequentialAgent manages the state flow:
# Query -> Foodie -> state['destination'] -> Transportation -> Final Answer
await run_agent_query(root_agent, query, ...)

使用者傳送一則提示：

"Find best sushi in Palo Alto and then tell me how to get there."

代理程式會共同回答問題。

步驟 3：執行 Team

👉💻 在 Cloud Shell 終端機中，執行多代理工作流程：

cd ~/memory_agent_starter
uv run python ~/memory_agent_starter/02_multi_agent/main.py

會發生什麼情況？

美食家代理人：尋找「金翔」(或類似名稱)。
ADK：將「Jin Sho」儲存至 state['destination']。
運輸代理商：在指示中收到「Jin Sho」。
結果：「如要從加州火車 (Caltrain) 站前往 Jin Sho，請沿著 University Ave 步行...」

重點摘要

記憶體規則 #2：使用狀態在代理之間傳遞結構化資訊。使用 output_key 寫入，並使用 {placeholders} 讀取。

5. 重新啟動 - 持續性

有狀態

概念：「重新啟動問題」

到目前為止，我們的記憶體是 InMemory。如果停止指令碼並重新啟動，代理程式會忘記所有內容。就像電腦每次關機時都會清除硬碟資料。

如要修正這個問題，我們需要持續性。我們將 InMemorySessionService 換成 DatabaseSessionService。

步驟 1：資料庫切換

👉💻 在 Cloud Shell 終端機中執行下列指令，在 Cloud Shell 編輯器中開啟檔案：

cloudshell edit ~/memory_agent_starter/03_persistent_agent/main.py

👉 在 ~/memory_agent_starter/03_persistent_agent/main.py 檔案中，找出 # TODO: Configuration for Persistent Sessions 註解。

將整行內容替換為下列程式碼：

SESSIONS_DIR = Path(os.path.expanduser("~")) / ".adk_codelab" / "sessions"
os.makedirs(SESSIONS_DIR, exist_ok=True)
SESSION_DB_FILE = SESSIONS_DIR / "trip_planner.db"
SESSION_URL = f"sqlite:///{SESSION_DB_FILE}"

現在，每個工作階段和事件都會儲存到 SQLite 檔案。

步驟 2：跨工作階段擷取

持續性不僅可繼續對話，還能從先前的對話中學習。

在同一個檔案~/memory_agent_starter/03_persistent_agent/main.py中，查看「測試案例 3：跨工作階段擷取」。

👉 找到留言 # TODO: retrieve the previous session manually

將整行內容替換為下列程式碼：

    old_session = await session_service.get_session(
        app_name=root_agent.name, user_id="user_01", session_id=session_id
    )

👉 在 main.py 函式中找出 # TODO: Extract content from the OLD session 註解。

將整行內容替換為下列程式碼：

                    previous_context += f"- {role}: {text}\n"

👉 在 main.py 函式中找出 # TODO: Manually inject the context to the query 註解。

將整行內容替換為下列程式碼：

    query_3 = f"""
    {previous_context}

    I'm planning a new trip to Osaka this time. 
    Based on my previous preferences (above), what should I eat?
    """

這會模擬使用者在幾個月後回訪的情況。只有透過資料庫，您才能擷取舊記錄。

步驟 3：重新啟動後繼續操作

👉💻 在終端機中執行指令碼：

cd ~/memory_agent_starter
uv run python ~/memory_agent_starter/03_persistent_agent/main.py

這會建立 ~/memory_agent_starter/trip_planner.db 檔案。請嘗試：執行指令碼「兩次」。

在第二次執行時，尋找「Resumed existing session」。
由於代理程式會從資料庫檔案載入，因此會記住第一次執行的脈絡！

重點摘要

記憶體規則 #3：在正式環境中使用 DatabaseSessionService。確保使用者對話在伺服器重新啟動後仍可繼續，並支援長期記錄分析。

6. The Spy - Callbacks

有狀態

有時，您需要根據代理程式的實際行為自動更新記憶體，而不只是根據代理程式的說詞。您希望有「間諜」監視代理程式並做筆記。

在 ADK 中，這個間諜是 Callback。 adk_callback

after_tool_callback：代理程式每次運作時都會執行的函式。
ToolContext：從該函式內部寫入 State 的方式。

步驟 1：邏輯

👉💻 在 Cloud Shell 終端機中執行下列指令，在 Cloud Shell 編輯器中開啟檔案：

cloudshell edit ~/memory_agent_starter/04_stateful_agent/agent.py

👉 在 ~/memory_agent_starter/04_stateful_agent/agent.py 檔案中，找出註解 # TODO: Implement call back logic

將整行內容替換為下列程式碼：

def save_activity_type_callback(
    tool,
    args: Dict[str, Any],
    tool_context: ToolContext,
    tool_response: Dict[str, Any],
) -> Optional[Dict[str, Any]]:
    """
    Callback to save the TYPE of activity just planned into the session state.
    """
    # 1. Get the actual agent name.
    if tool.name == "transfer_to_agent":
         agent_name = args.get("agent_name")
    else:
         agent_name = tool.name

    activity_type = "unknown"

    # 2. Determine the type based on which agent was actually used
    if agent_name == "museum_expert":
        activity_type = "CULTURAL"
    elif agent_name == "restaurant_expert":
        activity_type = "FOOD"
    elif agent_name == "outdoor_expert":
        activity_type = "OUTDOOR"

    print(f"\n🔔 [CALLBACK] The planner transferred to '{agent_name}'.")

    # 3. Update the state directly
    tool_context.state["last_activity_type"] = activity_type
    print(f"💾 [STATE UPDATE] 'last_activity_type' is now set to: {activity_type}\n")

    return tool_response

👉 在同一個檔案中，找出 04_stateful_agent/agent.py 函式內的 # TODO: add callback to root agent 註解。

將整行內容替換為下列程式碼：

    after_tool_callback=save_activity_type_callback,

動態指令：現在，代理程式的指令是「函式」，而非字串。會根據狀態而變更！

def get_planner_instruction(context):
    last_activity = context.state.get("last_activity_type", "None")
    
    return f"""
    The last activity was: {last_activity}
    
    If last_activity is 'CULTURAL' -> `museum_expert` is BANNED.
    """

步驟 3：測試 Spy

👉💻 在終端機中，複製並貼上下列指令，然後執行指令碼：

cd ~/memory_agent_starter
uv run python ~/memory_agent_starter/04_stateful_agent/main.py

執行這個代理程式時，你會看到迴圈。

第 1 輪：你要求尋找博物館。間諜套裝 last_activity="CULTURAL"。
第 2 輪：你要求其他博物館。
代理程式指令更新：「CULTURAL is BANNED」。
代理程式說：「我無法再參觀其他博物館。要不要去公園？

查看控制台記錄中的 [CALLBACK] 和 [STATE UPDATE]。你可以即時查看記憶體變化情形。

重點摘要

記憶體規則 #4：使用回呼自動管理狀態。代理程式只要執行工作，就會自行建立情境。

7. 檔案櫃 - 自訂工具

概念：「結構化記憶體」

有狀態

目前「記憶」功能會儲存對話記錄或簡單的鍵/值組合。但如果需要記住複雜的使用者設定檔，該怎麼辦？例如：diet: vegan, budget: high, pets: [cat, dog]。

為此，我們將記憶體視為工具。代理程式會明確決定何時開啟檔案櫃 (讀取)，以及何時提交報告 (寫入)。自訂工具圖表

步驟 1：工具

👉💻 在 Cloud Shell 終端機中執行下列指令，在 Cloud Shell 編輯器中開啟檔案：

cloudshell edit ~/memory_agent_starter/05_profile_agent/tools.py

👉 在這個檔案中：~/memory_agent_starter/05_profile_agent/tools.py。

我們需要實作這兩項特定工具：

save_user_preferences：寫入資料庫。
recall_user_preferences：從資料庫讀取資料。

在 ~/memory_agent_starter/05_profile_agent/tools.py 函式中找出 # TODO: implement save_user_preferences tools 註解。

將整行內容替換為下列程式碼：

def save_user_preferences(tool_context: ToolContext, new_preferences: Dict[str, Any]) -> str:
    user_id = tool_context.session.user_id
    with sqlite3.connect(USER_DB_FILE) as conn:
        for key, value in new_preferences.items():
            conn.execute("INSERT INTO user_preferences (user_id, pref_key, pref_value) VALUES (?, ?, ?) ON CONFLICT(user_id, pref_key) DO UPDATE SET pref_value = excluded.pref_value;",
                         (user_id, key, json.dumps(value)))
    return f"Preferences updated: {list(new_preferences.keys())}"

👉 在 05/tools.py 函式中找出 # TODO: implement recall_user_preferences tools 註解。

將整行內容替換為下列程式碼：

def recall_user_preferences(tool_context: ToolContext) -> Dict[str, Any]:
    user_id = tool_context.session.user_id
    preferences = {}
    with sqlite3.connect(USER_DB_FILE) as conn:
        rows = conn.execute("SELECT pref_key, pref_value FROM user_preferences WHERE user_id = ?", (user_id,)).fetchall()
        if not rows: return {"message": "No preferences found."}
        for key, value_str in rows: preferences[key] = json.loads(value_str)
    return preferences

這項指令會強制執行工作流程：

instruction="""
1. RECALL FIRST: First action MUST be `recall_user_preferences`.
3. LEARN: If a user states a new preference, use `save_user_preferences`.
"""

步驟 2：執行

👉💻 在 Cloud Shell 終端機中執行下列指令，在 Cloud Shell 編輯器中開啟檔案：

cloudshell edit ~/memory_agent_starter/05_profile_agent/main.py

開啟 ~/memory_agent_starter/05_profile_agent/main.py。

與 ADK 自動處理狀態的先前模組不同，這裡是由 Agent 控制。

它選擇在開頭呼叫 recall_user_preferences。
當你說出「我是素食者」時，系統會選擇呼叫 save_user_preferences。

步驟 3：建立設定檔

👉💻 執行指令碼：

cd ~/memory_agent_starter
uv run python ~/memory_agent_starter/05_profile_agent/main.py

建議的對話流程如下：

「Hi，幫我規劃晚餐。」-> 代理程式檢查資料庫，但找不到任何內容。詢問偏好設定。
「我吃全素」-> 代理程式將「vegan」儲存至資料庫。
重新啟動指令碼。
「Hi，幫我規劃晚餐。」-> 服務專員查看資料庫，看到「純素」後，立即建議純素餐廳。

重點摘要

記憶體規則 #5：對於複雜的結構化資料，請提供讀取/寫入工具給代理程式。讓大型語言模型管理自己的長期儲存空間。

8. 大腦 - 多模態記憶體

有狀態

概念：「The Human Experience」(人類體驗)

人類的記憶力比文字更強大。我們會記住相片的氛圍、語音的聲音、影片的感覺。

Vertex AI Memory Bank 可讓代理處理多模態記憶體。這項技術可擷取圖片、影片和音訊，並「瞭解」這些內容，以便日後擷取。

步驟 1：設定

👉💻 在 Cloud Shell 終端機中執行下列指令，在 Cloud Shell 編輯器中開啟檔案：

cloudshell edit ~/memory_agent_starter/06_multimodal_agent/main.py

👉 開啟 06_multimodal_agent/main.py。找出註解 # TODO: Configure Memory Bank Topic。

將整行內容替換為下列程式碼：

travel_topics = [
    MemoryTopic(
        managed_memory_topic=ManagedMemoryTopic(
            managed_topic_enum=ManagedTopicEnum.USER_PREFERENCES
        )
    ),
    MemoryTopic(
        managed_memory_topic=ManagedMemoryTopic(
            managed_topic_enum=ManagedTopicEnum.USER_PERSONAL_INFO
        )
    ),
    MemoryTopic(
        custom_memory_topic=CustomMemoryTopic(
            label="travel_experiences",
            description="""Memorable travel experiences including:
                - Places visited and impressions
                - Favorite restaurants, cafes, and food experiences
                - Preferred accommodation types and locations
                - Activities enjoyed (museums, hiking, beaches, etc.)
                - Travel companions and social preferences
                - Photos and videos from trips with location context""",
        )
    ),
    MemoryTopic(
        custom_memory_topic=CustomMemoryTopic(
            label="travel_preferences",
            description="""Travel style and preferences:
                - Budget preferences (luxury, mid-range, budget)
                - Transportation preferences (flying, trains, driving)
                - Trip duration preferences
                - Season and weather preferences
                - Cultural interests and language abilities
                - Dietary restrictions and food preferences""",
        )
    ),
    MemoryTopic(
        custom_memory_topic=CustomMemoryTopic(
            label="travel_logistics",
            description="""Practical travel information:
                - Passport and visa information
                - Frequent flyer numbers and hotel loyalty programs
                - Emergency contacts
                - Medical considerations and insurance
                - Packing preferences and essentials
                - Time zone preferences and jet lag strategies""",
        )
    ),
]

找出留言 # TODO: Configure Memory Bank Customization

將整行內容替換為下列程式碼：

memory_bank_config = {
    "customization_configs": [
        {
            "memory_topics": travel_topics,
        }
    ],
    "similarity_search_config": {
        "embedding_model": f"projects/{PROJECT_ID}/locations/{LOCATION}/publishers/google/models/gemini-embedding-001"
    },
    "generation_config": {
        "model": f"projects/{PROJECT_ID}/locations/{LOCATION}/publishers/google/models/gemini-2.5-flash"
    },
}

步驟 2：擷取世界

在 test_trip_planner 中，我們會傳送：

簡訊 (「Hello」)
圖片 (地標)
影片 (地中海)
音訊片段 (關於蓋塔的語音記事)

在 6_multimodal_agent/main.py 函式中找出 # TODO create session service and memory service 註解。

將整行內容替換為下列程式碼：

session_service = VertexAiSessionService(
    project=PROJECT_ID, location=LOCATION, agent_engine_id=agent_engine_id
)
memory_service = VertexAiMemoryBankService(
    project=PROJECT_ID, location=LOCATION, agent_engine_id=agent_engine_id
)

👉 在同一個檔案 06_multimodal_agent/main.py 中，找出註解 # TODO: create memory from session

將整行內容替換為下列程式碼：

    await memory_service.add_session_to_memory(final_session_state)

這就是魔法線。然後將所有多媒體內容傳送至 Vertex AI 進行處理和建立索引。

步驟 3：擷取

👉💻 在 Cloud Shell 終端機中執行下列指令，在 Cloud Shell 編輯器中開啟檔案：

cloudshell edit ~/memory_agent_starter/06_multimodal_agent/agent.py

代理程式有 PreloadMemoryTool。

tools=[PreloadMemoryTool(), budget_tool]

新工作階段開始時，這項工具會自動在記憶體庫中搜尋相關的過往體驗，並將這些體驗注入脈絡。

步驟 4：執行 Brain

👉💻 在 Cloud Shell 終端機中執行指令碼 (注意：這需要啟用 Vertex AI 的 Google Cloud 專案)：

cd ~/memory_agent_starter
uv run python ~/memory_agent_starter/06_multimodal_agent/main.py

觀看最終驗證步驟：

「根據我先前與你分享的圖片、影片和音訊...」

代理程式會回覆：

「你應該去 Gaeta 看看！你給我看地中海的影片，還說你很喜歡蓋塔的音訊片段。」

並將過去不同媒體類型之間的點連線起來。

重點摘要

記憶體規則 #6：使用 Vertex AI Memory Bank，享受極致的記憶體體驗。將文字、圖片和影片整合到單一可搜尋的腦中。

9. 結語

你從健忘的金魚，一路進化成多模態大象。

您建構的項目	功能
工作階段代理程式	短期對話記憶
Multi-Agent	團隊共用記憶體
持續性代理程式	長期記錄
有狀態代理程式	動態更新的記憶體
個人資料代理程式	結構化資料記憶體
多模態代理程式	類似人類的感覺記憶

信任是建立在記憶的基礎上。實作這些模式後，您就能建立尊重使用者時間和記錄的代理程式，進而進行更深入、更有效的互動。

立即開始建構個人專屬代理程式！

使用 ADK 建構具備狀態和個人化功能的代理 透過集合功能整理內容 你可以依據偏好儲存及分類內容。

1. 簡介

「金魚」問題

今天的任務

ADK 記憶體堆疊

2. 設定

第一部分：啟用帳單帳戶

第二部分：開放式環境

第三部分：設定權限

3. 基礎 - 工作階段和狀態

概念：內容的背景資訊是關鍵所在

步驟 1：檢查代理程式

步驟 2：兩種情境

測試

步驟 3：執行代理程式

重點摘要

4. 團隊 - 多代理狀態

概念：「電話遊戲」

步驟 1：檢查工作流程

(不須採取行動) 步驟 2：協調器

步驟 3：執行 Team

重點摘要

5. 重新啟動 - 持續性

概念：「重新啟動問題」

步驟 1：資料庫切換

步驟 2：跨工作階段擷取

步驟 3：重新啟動後繼續操作

重點摘要

6. The Spy - Callbacks

步驟 1：邏輯

步驟 3：測試 Spy

重點摘要

7. 檔案櫃 - 自訂工具

概念：「結構化記憶體」

步驟 1：工具

步驟 2：執行

步驟 3：建立設定檔

重點摘要

8. 大腦 - 多模態記憶體

概念：「The Human Experience」(人類體驗)

步驟 1：設定

步驟 2：擷取世界

步驟 3：擷取

步驟 4：執行 Brain

重點摘要

9. 結語

使用 ADK 建構具備狀態和個人化功能的代理