TypeSafe wypuścił Jev, model, który nie pisze tekstu, tylko zwraca typowaną decyzję. Ten sam podział pracy da się zbudować w ADK. Sprawdziłem, co schemat odpowiedzi gwarantuje, a czego nie.
Sprawdziłem w ADK 2.9.0, co trafia do modelu z definicji narzędzia. Cały docstring idzie jako jeden opis, opis z Field znika, a typ zwracany widzi tylko Vertex AI. Z tego wynikają proste zasady pisania narzędzi.
Protokół agent-to-agent zamienia agenta w mikrousługę wywoływalną po HTTP, niezależnie od języka i frameworka. Jak to wygląda w kodzie i kiedy rozdzielenie agentów na osobne procesy się opłaca.
Zatwierdzanie przez człowieka wygląda na prosty warunek w kodzie. W systemie agentowym to punkt zatrzymania całego grafu, a najczęstszy błąd polega na tym, że decyduje o nim model zamiast kodu.
Właściwe pytanie brzmi „kiedy przestać robić to lokalnie”, a nie „co jest lepsze”. Trzy opcje RAG w ADK, jedna różnica, która przesądza o wyborze, i koszty bez tabeli cen.
Agenta nie da się sprawdzić przez assert, bo poprawnych odpowiedzi jest wiele. Opisuję, czym ADK to zastępuje, dlaczego wielostopniowy pipeline wywala AgentEvaluator i jak to obejść bez rezygnacji z testów.
Google przepisał Agent Development Kit z drzewa agentów na graf węzłów. Przeniosłem 24 moduły szkoleniowe i opisuję, co się zmieniło, oraz cztery miejsca, w których migracja psuje się po cichu.
Okno kontekstowe, stan sesji i pamięć długoterminowa to trzy różne mechanizmy, mylone w każdej rozmowie o wdrożeniu. Rozdzielam je i wyjaśniam, dlaczego trzeci z nich to zbiór danych osobowych, a nie funkcja.
Dystans między chatbotem a systemem wieloagentowym z narzędziami i MCP mierzy się w liniach kodu i jest krótszy, niż się wydaje. Przechodzę tę drogę krok po kroku i pokazuję, co rośnie szybciej niż kod.