🤖🎓 Google випустив безкоштовний практичний курс зі створення AI-агентів з нуля
🔗 Курс:
https://codelabs.developers.google.com/adkcourse/instructions
Google опублікував новий практичний Codelab для тих, хто хоче розібратися, як насправді працюють AI-агенти.
Не просто подивитися лекцію про agentic AI.
А власноруч:
👉 створити першого агента
👉 підключити йому інструменти
👉 додати пам’ять
👉 побудувати агентні цикли
👉 підключити MCP
👉 зібрати мультиагентну систему
Курс побудований навколо Google Agent Development Kit — ADK.
Це набір інструментів для створення агентів, які можуть:
🧠 аналізувати запит
📋 планувати дії
🔧 використовувати зовнішні інструменти
🔄 виконувати кілька кроків поспіль
🤝 передавати задачі іншим агентам
📌 Що розбиратимуть усередині?
1️⃣ Перший AI-агент
Ви створите агента, який розуміє запит користувача, використовує Google Search і формує детальну відповідь.
Тобто це вже не звичайний чатбот із одним промптом.
А система, яка може звертатися до інструментів для виконання задачі.
2️⃣ Агентні workflow
У курсі показують кілька базових моделей роботи:
▫️ Sequential Agent — виконує задачі послідовно
▫️ Parallel Agent — запускає кілька процесів одночасно
▫️ Loop Agent — повторює дію, поки не буде досягнуто результату
Це одна з головних основ агентних систем.
Бо агенту недостатньо просто «розумно відповісти».
Він має розуміти:
👉 що робити далі
👉 коли повторити дію
👉 коли перейти до наступного етапу
👉 коли зупинитися
3️⃣ Оркестратор і маршрутизація
Ви навчитеся створювати головного агента, який аналізує запит і вирішує, кому передати задачу.
Наприклад:
— один агент шукає інформацію
— другий аналізує дані
— третій формує результат
— головний координує весь процес
Саме так будуються мультиагентні системи.
4️⃣ Agent as a Tool
Один агент може використовувати іншого як інструмент.
Тобто замість одного універсального AI, який намагається робити все, створюється команда спеціалізованих агентів.
Кожен відповідає за свою частину workflow.
5️⃣ Довготривала пам’ять
Окремий модуль присвячений пам’яті агента.
Він може запам’ятовувати:
— попередні розмови
— уподобання користувача
— результати минулих сесій
— важливий контекст
І використовувати цю інформацію після перезапуску.
У прикладі пам’ять зберігається локально в базі SQLite.
6️⃣ Підключення MCP
Також у курсі є окремий блок про Model Context Protocol.
MCP дозволяє агенту стандартизовано підключатися до:
📂 файлів
🗄 баз даних
🔌 API
🛠 зовнішніх інструментів
📊 корпоративних систем
У практичному завданні агент підключається через MCP Toolbox до локальної бази даних і сам дістає потрібну інформацію.
💻 Що потрібно для проходження?
▫️ Python 3.9 або новіший
▫️ Google-акаунт
▫️ термінал або Cloud Shell
▫️ безкоштовний API-ключ Google AI Studio
Google Cloud-проєкт, платіжний акаунт і кредити не потрібні.
Усі приклади можна запускати локально.
Для маркетологів та automation-фахівців цей курс теж може бути корисним.
Навіть якщо ви не плануєте ставати AI-розробником, він допоможе зрозуміти:
👉 чим агент відрізняється від звичайного чатбота
👉 як працюють агентні цикли
👉 навіщо потрібна пам’ять
👉 як агенти підключаються до сервісів
👉 як кілька агентів координують одну задачу
Бо зараз слово «AI-агент» використовують майже для будь-якої автоматизації з нейромережею.
А тут можна побачити базову архітектуру на практиці — з кодом, інструментами, пам’яттю та реальними workflow.
👉 Підписуйся: t.me/ppc_chuhui — тут про AI, PPC, automation і практичні digital-інструменти
#google #aiagents #adk #mcp #gemini #automation #coding #multiagent #ai #education