AI Creative Studio Adk A2a MCP Vertexai Cloudrun

MCP运维云端

提供方 Saoussen-CH

运维云端 stdio · 本地进程 Token 社区 / 第三方
查看接入方式

一个基于A2A协议的分布式多代理协调系统,用于社交媒体广告活动生成,包括市场研究、文案创作、设计、质量审查和项目管理。

一句话选型结论

按资料字段整理

AI Creative Studio Adk A2a MCP Vertexai Cloudrun 属于运维云端类 MCP 服务器,stdio · 本地进程,Token,有可直接执行的安装命令。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类运维云端 传输方式stdio · 本地进程 鉴权Token 部署方式本地部署
GitHub 星标 5 仓库热度,无公开仓库时显示未标注
工具数 未标注 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

运维云端
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量未标注暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

适用场景

分布式系统Python本地部署多代理协调社交媒体广告自动化创意A2A协议

安装与配置

stdio · 本地进程 Token
客户端在本机拉起子进程,数据不出本机
python3 -m venv venv

这条命令只是入口,具体启动参数请按官方文档补齐,不要直接照搬到别的服务器。

  1. 1
    准备运行环境

    stdio 服务在本地起进程,需要先装好 Python,再按安装命令拉取依赖。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后随便调一个只读工具,确认能返回结果,再接入正式流程。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
云资源查询

查实例、存储、账单等云上资源状态。

部署与发布

把部署、重启、回滚这类操作接进对话。

监控与告警

拉取监控指标,异常时让模型帮你判断。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。

先想清楚的地方

  • stdio 方式要求本地装好运行时(如 Node.js),换机器要重新装一遍。
  • 使用前要准备好Token对应的凭据,并按最小权限配置。
  • 资料没标注工具数量,实际能力要装好后确认。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在运维云端场景里让模型直接调用外部能力的人。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 完全不想在本地装环境的人。
  • 不方便管理密钥或第三方授权的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
AI Creative Studio Adk A2a MCP Vertexai Cloudrun当前 未标注 stdio · 本地进程 本地部署 有 2026-05-17
lobehub 未标注 stdio · 本地进程 本地部署 有 2026-04-11
TrendRadar 未标注 stdio · 本地进程 本地部署 有 2026-04-13
Ui Tars Desktop 8a825770 未标注 stdio · 本地进程 本地部署 有 2026-05-17
ruflo 未标注 stdio · 本地进程 本地部署 有 2026-04-13
FastGPT 未标注 stdio · 本地进程 本地部署 有 2026-04-11

服务器档案

运维云端
字段来自项目仓库与公开索引,中文说明由本站标注
提供方Saoussen-CH上游标注的维护方 Saoussen-CH
分类运维云端本站按上游分类展示
连接方式stdio · 本地进程客户端在本机拉起子进程,数据不出本机
鉴权方式Token远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · Python本地安装时用到的包标识与运行时
部署类型本地部署上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

36.2 KB
来自项目仓库与上游目录的原文,未做删改

AI创意工作室

> 一个使用A2A协议、Vertex AI agent引擎和Cloud Run的分布式多代理编排系统,演示了与远程专业代理的代理间通信,用于社交媒体活动生成。

🎬 现场演示

观察整个系统的运行情况: 将分布式多代理系统部署到Google Cloud:现场演示

观看分布式多代理系统的运行:1个创意总监协调器通过A2A协议协调5个专业代理,以生成完整的Instagram活动:从市场研究到Notion时间线(通过MCP集成)。

📋 目录

  • 概述
  • 建筑
  • 代理实施
  • 快速开始
  • 部署
  • 测试和可观察性
  • 技术栈
  • 故障排除

🚀 快速链接

  • 完整部署指南 -全面的分步部署说明
  • 修订工作流程指南 -基于评论家反馈的自动质量改进
  • 批判性测试提示 -修订工作流程的测试场景
  • A2A检查员指南 -使用A2A检查员测试单个试剂
  • A2A测井指南 -调试和监控A2A交互

概述

AI创意工作室演示 分布式多代理编排 创建完整的社交媒体活动。它展示了A2A协议,其中部署了部署在Vertex AI Agent Engine上的智能编排器(创意总监),该引擎协调了5个在Cloud Run上运行的专业代理,以处理从市场研究到项目规划的所有事务(通过Notion MCP集成)。

主要特点

  • 🌐 分布式多代理系统:Vertex AI代理引擎上的编排器在Cloud Run上协调5个远程专业代理
  • 🔄 A2A协议:通过HTTPS进行标准化的代理间通信
  • 🎯 智能编排:灵活的路由-简单任务调用1个代理,完整活动调用5个代理
  • 📊 规划优先:编排者在委派之前创建执行计划
  • 🔁 批判性修订工作流程:自动质量改进循环-评论家反馈在最终交付前触发代理修订
  • 🧠 智能上下文压缩:延迟摘要可防止令牌限制失败,同时保持质量
  • 📝 MCP集成概念:项目经理通过模型上下文协议直接在Notion中创建任务
  • 🔍 内置可观察性:通过插件进行全面的日志记录和委派跟踪
  • 🔧 代理工具模式:将远程代理包装为可调用的工具,以实现灵活的委派

它的作用

输入:活动简介```text
"Create Instagram campaign for EcoFlow smart water bottle targeting health-conscious millennials"


**输出**:完成活动,包括:

- 市场调研和竞争对手分析
- 5个带有标题和标签的Instagram帖子
- 每条帖子的AI图像生成提示
- 质量审查和反馈
- 项目时间表和交付成果
- 为项目跟踪创建的概念任务(可选)

______________________________________________________________________

## 建筑

### 系统架构```mermaid
graph TB
subgraph "User Interface"
USER[User/Client]
end

subgraph "Orchestration Layer - Vertex AI Agent Engine"
CD[Creative Director
Orchestrator]
end

subgraph "Specialist Agents - Cloud Run"
BS[Brand Strategist
Market Research]
CW[Copywriter
Social Media Copy]
DS[Designer
Visual Concepts]
CR[Critic
Quality Review]
PM[Project Manager
Timeline & Tasks]
end

subgraph "External Tools"
GS[Google Search]
NOTION[Notion API
via MCP]
end

USER -->|Campaign Brief| CD
CD -->|A2A Protocol| BS
CD -->|A2A Protocol| CW
CD -->|A2A Protocol| DS
CD -->|A2A Protocol| CR
CD -->|A2A Protocol| PM

BS -->|Uses| GS
PM -->|Uses| NOTION

CD -->|Complete Campaign| USER

style CD fill:#4285f4,color:#fff
style BS fill:#34a853,color:#fff
style CW fill:#34a853,color:#fff
style DS fill:#34a853,color:#fff
style CR fill:#34a853,color:#fff
style PM fill:#34a853,color:#fff

代理工作流(完成活动)```mermaid

sequenceDiagram
participant User
participant CreativeDirector
participant BrandStrategist
participant Copywriter
participant Designer
participant Critic
participant ProjectManager

User->>CreativeDirector: Campaign Brief

Note over CreativeDirector: PLANNING PHASE
Creates 5-step plan
CreativeDirector->>User: Present Plan:
1. Research
2. Copy
3. Design
4. Review
5. Timeline

Note over CreativeDirector: EXECUTION PHASE

CreativeDirector->>BrandStrategist: Research market & competitors
BrandStrategist->>CreativeDirector: Audience insights, trends
CreativeDirector->>User: ✓ Research complete

CreativeDirector->>Copywriter: Create posts with insights
Copywriter->>CreativeDirector: 5 Instagram posts
CreativeDirector->>User: ✓ Copywriting complete

CreativeDirector->>Designer: Generate image prompts
Designer->>CreativeDirector: Image concepts
CreativeDirector->>User: ✓ Design complete

CreativeDirector->>Critic: Review all creative work
Critic->>CreativeDirector: Quality feedback
CreativeDirector->>User: ✓ Review complete

CreativeDirector->>ProjectManager: Create timeline
ProjectManager->>CreativeDirector: Project plan
CreativeDirector->>User: ✓ Timeline complete

CreativeDirector->>User: Final Campaign
(All 5 sections)


### 部署架构```mermaid
graph TB
subgraph "Google Cloud Platform"
subgraph "Vertex AI Agent Engine"
AE[Creative Director
Orchestrator Agent]
end

subgraph "Cloud Run Services"
CR1[brand-strategist-agent
Port 8000]
CR2[copywriter-agent
Port 8000]
CR3[designer-agent
Port 8000]
CR4[critic-agent
Port 8000]
CR5[project-manager-agent
Port 8000]
end

subgraph "APIs"
GEMINI[Gemini API
2.5 Flash]
end
end

subgraph "Environment Configuration"
ENV[.env file with:
- Agent URLs
- API Keys
- Project ID]
end

ENV -.->|Agent URLs| AE
AE -->|HTTPS + A2A| CR1
AE -->|HTTPS + A2A| CR2
AE -->|HTTPS + A2A| CR3
AE -->|HTTPS + A2A| CR4
AE -->|HTTPS + A2A| CR5

CR1 & CR2 & CR3 & CR4 & CR5 -->|LLM Calls| GEMINI

style AE fill:#4285f4,color:#fff
style CR1 fill:#34a853,color:#fff
style CR2 fill:#34a853,color:#fff
style CR3 fill:#34a853,color:#fff
style CR4 fill:#34a853,color:#fff
style CR5 fill:#34a853,color:#fff

代理通信流程```mermaid

graph LR
subgraph "Creative Director (Orchestrator)"
LLM1[Gemini 2.5 Flash]
AT1[AgentTool: brand_strategist]
AT2[AgentTool: copywriter]
AT3[AgentTool: designer]
AT4[AgentTool: critic]
AT5[AgentTool: project_manager]
end

subgraph "Remote Agents via A2A"
R1[RemoteA2aAgent
brand_strategist]
R2[RemoteA2aAgent
copywriter]
R3[RemoteA2aAgent
designer]
R4[RemoteA2aAgent
critic]
R5[RemoteA2aAgent
project_manager]
end

LLM1 -->|Function Call| AT1
LLM1 -->|Function Call| AT2
LLM1 -->|Function Call| AT3
LLM1 -->|Function Call| AT4
LLM1 -->|Function Call| AT5

AT1 -->|A2A Protocol
HTTPS| R1
AT2 -->|A2A Protocol
HTTPS| R2
AT3 -->|A2A Protocol
HTTPS| R3
AT4 -->|A2A Protocol
HTTPS| R4
AT5 -->|A2A Protocol
HTTPS| R5

style LLM1 fill:#fbbc04,color:#000
style AT1 fill:#4285f4,color:#fff
style AT2 fill:#4285f4,color:#fff
style AT3 fill:#4285f4,color:#fff
style AT4 fill:#4285f4,color:#fff
style AT5 fill:#4285f4,color:#fff


______________________________________________________________________

## 代理实施

### 代理类型

#### 1.创意总监(编曲)

**文件**: `agents/creative_director/agent.py`

**类型**: `Agent` (不是 `LlmAgent`)与 `AgentTool` 包装器

**模式**:代理工具+规划优先

**关键实施**:```python
from google.adk.agents import Agent
from google.adk.agents.remote_a2a_agent import RemoteA2aAgent
from google.adk.tools.agent_tool import AgentTool
from google.adk.apps import App
from google.adk.apps.app import EventsCompactionConfig
from google.adk.apps.llm_event_summarizer import LlmEventSummarizer
from google.adk.models import Gemini

# Create remote agents
strategist_agent = RemoteA2aAgent(
name="brand_strategist",
description="Brand strategist for market research",
agent_card=f"{STRATEGIST_URL}/.well-known/agent.json"
)

# Wrap as AgentTool
strategist_tool = AgentTool(agent=strategist_agent)

# Create orchestrator agent
agent = Agent(
name="creative_director",
model="gemini-2.5-flash",
tools=[strategist_tool, copywriter_tool, designer_tool, critic_tool, pm_tool],
instruction=PLANNING_FIRST_INSTRUCTION,
generate_content_config=GenerateContentConfig(
max_output_tokens=20000,  # Support full 5-agent workflows
temperature=0.2
)
)

# Configure lazy context compaction for scalability
summarizer = LlmEventSummarizer(llm=Gemini(model_id="gemini-2.5-flash"))
compaction_config = EventsCompactionConfig(
summarizer=summarizer,
compaction_interval=3,  # Summarize after every 3 agents
overlap_size=1          # Keep most recent agent's full output
)

# Wrap in App with compaction
app = App(
name="creative_director",
root_agent=agent,
events_compaction_config=compaction_config
)

教学模式:

编排器使用 规划先行 指令模式:

  1. 了解请求复杂性:确定任务是需要1个代理还是需要全部5个代理
  2. 委派前创建计划:向用户概述完整的序列
  3. 按顺序执行:呼叫每个代理,等待响应,确认,继续
  4. 传递上下文:每个代理从以前的代理接收相关输出

上下文压缩策略:

为了防止长工作流中的令牌限制失败,编排器使用 延迟上下文压缩:

  • 当:每完成3个代理后(可配置)
  • 如何:使用Gemini Flash总结较旧的代理输出
  • 质量:保留最新代理的完整输出(overlap_size=1)

对于5代理工作流:

  1. 代理人1-3(战略家→ 文案撰写人→ 设计师):保留完整上下文
  2. Agent 3之后:上下文压缩→ 代理人1-2已总结,代理人3已满
  3. 代理人4-5(评论家→ PM):查看完整的近期背景+总结的早期工作

好处:

  • ✅ 防止多代理工作流中的令牌限制失败
  • ✅ 保持质量(始终提供完整的最新上下文)
  • ✅ 扩展到10多个代理工作流
  • ✅ 经济高效(仅在需要时进行总结)

简单请求 → 呼叫1名客服:```text
User: "Just research the market for eco water bottles"
→ Creative Director calls brand_strategist only


**复杂请求** → 致电所有5名客服:```text
User: "Create complete campaign with posts and timeline"
→ Creative Director executes all 5 steps sequentially

部署:顶点AI代理引擎(在运行时通过环境变量处理代理URL)


2.品牌策略师

文件: agents/brand_strategist/agent.py

类型: LlmAgent

工具: google_search

责任:研究市场趋势、竞争对手和目标受众见解

输出格式:```markdown
Audience Insights:
[Key behaviors, preferences, pain points]

Competitive Analysis:
[2-3 competitors - strengths and weaknesses]

Trending Topics:
[3-5 relevant trends]

Key Strategic Insights:
[High-level themes and positioning]


**部署**:使用A2A服务器进行云运行

______________________________________________________________________

#### 3.文案

**文件**: `agents/copywriter/agent.py`

**类型**: `LlmAgent`

**工具**:无(纯法学硕士)

**责任**:创建引人入胜的社交媒体标题并复制

**输入**:从对话历史中获得活动简报+品牌策略师见解

**输出格式**:```markdown
### 1. Caption Title: [Theme]
**Full Caption Text:**
[Caption with emojis]

**Hashtags:**
#tag1 #tag2 #tag3...

**Suggested CTA:**
[Call to action]

部署:使用A2A服务器进行云运行


4.设计师

文件: agents/designer/agent.py

类型: LlmAgent

工具:无(纯法学硕士)

责任:生成AI图像概念和视觉设计提示

输入:从对话历史中接收撰稿人的帖子

输出格式:```markdown
For Caption 1: [Theme]
Concept A: [Visual Theme]
- Prompt: [Detailed Imagen prompt]
- Style: [minimalist, vibrant, cinematic]
- Colors: [Palette]
- Mood: [energetic, calm, inspiring]


**部署**:使用A2A服务器进行云运行

______________________________________________________________________

#### 5.评论家

**文件**: `agents/critic/agent.py`

**类型**: `LlmAgent`

**工具**:无(纯法学硕士)

**责任**:审查创造性工作并提供高质量的反馈

**输入**:从对话历史中接收所有输出(策略、副本、视觉效果)

**输出格式**:```markdown
**Overall Assessment:**
[Quality score and summary]

**Strengths:**
[What works well]

**Areas for Improvement:**
[Specific suggestions]

**Platform Optimization:**
[Instagram-specific recommendations]

部署:使用A2A服务器进行云运行

修订工作流程:当评论家发现问题时(状态:NEEDS_REVISION),编排者会自动调用相关代理(文案或设计师),并附上评论家的反馈,在继续提交给项目经理之前对作品进行修改。看 docs/REVISION_WORKFLOW.md 了解详情。


6.项目经理

文件: agents/project_manager/agent.py

类型: Agent (使用 Agent 使用MCP工具上课)

工具:概念MCP(模型上下文协议)通过 @notionhq/notion-mcp-server

责任:使用Notion集成创建项目时间表、任务和可交付成果

MCP集成:

  • 通过MCP服务器连接到Notion API: @notionhq/notion-mcp-server
  • 用途 McpToolset 和 StdioConnectionParams 将MCP服务器作为子进程生成
  • 在两个独立的Notion数据库中创建项目和任务页面

MCP在这里是如何工作的:
代理连接到 @notionhq/notion-mcp-server 通过stdio。服务器返回一个工具列表及其描述——LLM读取这些工具并根据任务决定调用哪个。代理中没有硬编码的工具序列。

工具广告由 @notionhq/notion-mcp-server (法学硕士从中挑选):

  • API-post-page:在数据库(项目或任务)中创建新页面
  • API-patch-page:更新现有页面
  • API-post-search:搜索现有页面
  • API-post-database-query:使用筛选器查询数据库
  • API-retrieve-a-database:获取数据库架构和详细信息

概念数据库结构:

需要两个数据库 --代理在运行时使用以下命令动态发现其模式 API-retrieve-a-database,因此属性名称可以是任何名称。默认模板使用:

  1. 项目数据库 (ID来自 NOTION_PROJECT_DATABASE_ID 环境变量)
  • 一个标题属性(活动名称)
  • 一个状态属性(例如“进行中”、“已完成”)
  • 选择一个属性作为优先级(例如,“高”、“中”、“低”)
  • 带有开始和结束的日期属性(例如,活动日期)
  • 一个用于摘要的rich_text属性
  1. 任务数据库 (ID来自 NOTION_TASKS_DATABASE_ID 环境变量)
  • 一个标题属性(任务描述)
  • 一个状态属性(例如,“未开始”、“进行中”、“完成”)
  • 优先选择一个属性
  • 截止日期的一次性属性
  • 一个链接到Projects数据库的关系属性

> 动态模式发现:代理从不硬编码属性名。MCP服务器公开 API-retrieve-a-database 作为一种工具,LLM在写入之前自主调用它来读取精确的属性名和有效值。将属性重命名为任何语言——代理会自动适应。

环境变量:

  • NOTION_API_KEY:Notion集成令牌(传递为 NOTION_TOKEN 到MCP服务器)
  • NOTION_PROJECT_DATABASE_ID:的数据库ID 项目 数据库
  • NOTION_TASKS_DATABASE_ID:的数据库ID 任务 数据库

工作流程:

  1. ADK在启动时将代理连接到MCP服务器——服务器通告其可用工具
  2. LLM接收任务,并决定调用哪些MCP工具以及调用顺序
  3. 通常:发现模式→ 创建项目页面→ 创建链接到项目的任务页面
  4. 无论Notion操作是否成功,都会生成文本时间线

输入:从对话历史记录中接收完整的活动详细信息

输出格式:```markdown
Project Timeline:
[Gantt-style timeline]

Key Milestones:
[Major checkpoints]

Tasks & Deliverables:
[Detailed task list with Notion links]

Team Responsibilities:
[Who does what]


**部署**:与A2A服务器和Notion MCP集成的云运行

______________________________________________________________________

### 代理对代理(A2A)协议

所有专业代理都公开了一个A2A服务器用于远程通信:```python
# agents/[agent_name]/app.py
from google.adk.servers.a2a_server import A2aServer

a2a_server = A2aServer(agent=root_agent)
app = a2a_server.create_app()

if __name__ == "__main__":
a2a_server.run(port=8000)

A2A功能:

  • 📡 代理卡: /.well-known/agent.json -描述代理功能
  • 🔄 无状态:每个请求都是独立的
  • 🌐 基于HTTP:标准HTTPS通信
  • 📝 JSONRPC:结构化消息格式

代理工具模式

编排器使用 代理工具模式 将远程代理包装为可调用工具:

为什么选择AgentTool?

  • ✅ 灵活的路由(LLM决定呼叫哪些代理)
  • ✅ 可以多次呼叫同一代理(修订版)
  • ✅ 在连续调用之间传递上下文
  • ✅ 与远程A2A代理配合使用

运作原理:```mermaid
graph LR
A[LLM generates
function call] --> B[AgentTool intercepts]
B --> C[Wraps request in
A2A protocol]
C --> D[Sends HTTPS request
to remote agent]
D --> E[Remote agent
processes]
E --> F[Returns response
via A2A]
F --> G[AgentTool unwraps]
G --> H[Returns to
orchestrator LLM]


______________________________________________________________________

## 快速开始

### 先决条件

- **谷歌云项目** 已启用计费
- **Python 3.11+**
- **Google API密钥** 从 AI工作室
- **gcloud命令行界面** 已安装并配置
- **Node.js和npm** (通过npx用于Notion MCP服务器)
- **通知账户** (可选,用于项目经理集成)
- 在以下位置创建Notion集成 概念开发者

- 创建 **两个数据库** 在Notion中具有以下属性:

**项目数据库:**

- 项目名称(标题)
- 状态(Status)
- 优先级(选择:高、中、低)
- 日期(带开始和结束的日期)
- 摘要(富文本)

**任务数据库:**

- 任务名称(标题)
- 状态(状态:未开始、进行中、完成)
- 优先级(选择:高、中、低)
- 到期日
- 项目(与项目数据库的关系)

- 分享 **两个数据库** 与您的集成

- 复制集成令牌 **项目数据库ID**

- 复制 **任务数据库ID** 并在中更新 `agents/project_manager/agent.py:59`

### 1.克隆和安装```bash
# Clone repository
git clone
cd ai-creative-studio

# Create virtual environment
python3 -m venv venv
source venv/bin/activate  # On Windows: venv\Scripts\activate

# Install dependencies
pip install -r requirements.txt

2.配置环境```bash

Copy environment template

cp .env.example .env


编辑 `.env` 使用您的凭据:```bash
# Google Cloud
PROJECT_ID="your-gcp-project-id"
REGION="us-central1"

# Gemini API
GOOGLE_API_KEY="your-gemini-api-key"

# Notion Integration (for Project Manager)
# IMPORTANT: You need TWO databases:
# 1. Projects Database (ID from NOTION_PROJECT_DATABASE_ID)
# 2. Tasks Database (ID from NOTION_TASKS_DATABASE_ID)
NOTION_API_KEY="your-notion-integration-token"
NOTION_PROJECT_DATABASE_ID="your-projects-database-id"
NOTION_TASKS_DATABASE_ID="your-tasks-database-id"

# Agent URLs (will be filled after deployment)
STRATEGIST_AGENT_URL=""
COPYWRITER_AGENT_URL=""
DESIGNER_AGENT_URL=""
CRITIC_AGENT_URL=""
PM_AGENT_URL=""

3.在本地测试单个代理```bash

Test brand strategist

cd agents/brand_strategist
python agent.py


预期产量:```text
🎯 Starting Brand Strategist Agent...

Brief:
Research competitors for eco-friendly water bottles targeting millennials

User > Research competitors for eco-friendly water bottles

brand_strategist > **Audience Insights:**
...

4.部署完整系统```bash

Deploy all agents (specialists + orchestrator) with one command

cd deploy
./deploy_complete_system.sh


这将:

1. 加载环境变量(包括Notion凭据)
1. 将所有5个专业代理部署到Cloud Run(并行)
1. 自动收集代理URL
1. 将创意总监部署到Vertex AI代理引擎
1. 输出资源名称

**或者单独部署专家:**```bash
# Deploy all specialists only
cd deploy
python3 deploy_all_specialists.py

5.替代方案:单独部署编排器```bash

Deploy orchestrator only (after specialists are deployed)

python3 deploy_orchestrator.py --action deploy


这将:

1. 使用已部署的专业代理(如果使用了--auto-deploy experts标志,则部署它们)
1. 从环境变量中读取代理URL
1. 将创意总监部署到Vertex AI代理引擎
1. 输出资源名称

**复制资源名称** 并添加到 `.env`:```bash
AGENT_ENGINE_RESOURCE_NAME="projects/123456789/locations/us-central1/reasoningEngines/987654321"

6.测试整个系统```bash

Test orchestrator with deployed agents

cd ..
python test_orchestrator.py


预期产量:```text
================================================================================
Testing Campaign: EcoFlow Water Bottle (B2C)
================================================================================

creative_director > I'll coordinate our team to create your complete social media
campaign. Here's my plan:

1. Brand Strategist will research the market
2. Copywriter will create 5 Instagram posts
3. Designer will generate image concepts
4. Critic will review quality
5. Project Manager will create timeline

Let's begin with the market research!

[... full campaign output ...]

Total Events: 11+
✓ Success!

部署

完整的系统部署(推荐)

只需一个命令即可部署所有内容:```bash
cd deploy
./deploy_complete_system.sh


此脚本:

1. ✅ 将所有5个专业代理部署到Cloud Run(并行)
1. ✅ 自动收集代理URL
1. ✅ 使用URL将创意总监部署到代理引擎
1. ✅ 输出完整配置

**时间:** 约10-15分钟完成部署

______________________________________________________________________

### 替代部署选项

#### 选项1:带自动部署的Python脚本```bash
cd deploy
python3 deploy_orchestrator.py --action deploy --auto-deploy-specialists

与上面的shell脚本相同,但为您提供了更多的控制和详细的输出。

选项2:手动部署

如果您更喜欢手动控制每一步:```bash

Step 1: Deploy all specialist agents (with public agent cards)

cd deploy
python3 deploy_all_specialists.py

Step 2: Deploy orchestrator with collected URLs

python3 deploy_orchestrator.py --action deploy


### 部署架构详细信息

**专业代理** → 云运行:

- 使用A2A服务器进行集装箱化
- 自动缩放(0-100个实例)
- 公共HTTPS端点(--允许代理卡未经身份验证)
- 使用默认的计算引擎服务帐户
- 环境变量:
- `GOOGLE_GENAI_USE_VERTEXAI=true`
- `GOOGLE_CLOUD_PROJECT` 和 `GOOGLE_CLOUD_LOCATION`
- `NOTION_API_KEY` (仅限项目经理-用于Notion MCP集成)
- `NOTION_PROJECT_DATABASE_ID` (仅限项目经理-项目数据库ID)

**创意总监** → 顶点AI代理引擎:

- 托管代理运行时
- 环境:所有5个代理URL+API密钥
- 无需集装箱化
- 与Vertex AI集成

### 环境变量设置

部署脚本会自动配置:```bash
# For Creative Director (Agent Engine)
GOOGLE_API_KEY="..."
STRATEGIST_AGENT_URL="https://brand-strategist-agent-...-uc.a.run.app"
COPYWRITER_AGENT_URL="https://copywriter-agent-...-uc.a.run.app"
DESIGNER_AGENT_URL="https://designer-agent-...-uc.a.run.app"
CRITIC_AGENT_URL="https://critic-agent-...-uc.a.run.app"
PM_AGENT_URL="https://project-manager-agent-...-uc.a.run.app"

⚠️ 重要:读取代理URL 运行时 使用 os.getenv(),不是在构建时!


测试和可观察性

A2A协议记录

该系统包括所有Agent到Agent(A2A)交互的全面日志记录:

特性:

  • 🔍 自动记录:所有A2A呼叫都记录到云日志
  • 📊 协议细节:代理名称、时间戳、查询/响应大小
  • 🎯 错误检测:自动标记失败的代理呼叫
  • 📈 性能跟踪:响应时间和工作流程分析

查看日志:```bash

Fetch recent A2A logs

cd deploy
./fetch_orchestrator_logs.sh 1h

Analyze logs

python3 analyze_agent_logs.py /tmp/orchestrator_logs_*.txt

Monitor live

gcloud logging tail \
'resource.type="aiplatform.googleapis.com/ReasoningEngine"' \
--project=YOUR_PROJECT_ID


**📖 完整指南:** A2A_LOGGING_GUIDE.md

- 如何访问A2A日志
- 日志分析和指标
- 调试A2A问题
- 性能监控

**日志输出示例**:```text
======================================================================
🔧 A2A AGENT CALL: brand_strategist
Timestamp: 2025-12-18T22:45:12.123456
Protocol: Agent-to-Agent (A2A)
Query length: 450 chars
======================================================================

======================================================================
📥 A2A AGENT RESPONSE: brand_strategist - ✅ SUCCESS
Timestamp: 2025-12-18T22:45:19.654321
Response length: 2340 chars
======================================================================

A2A检验员测试

测试单个试剂 使用A2A检查器工具(本地和云端运行):```bash

Setup inspector (one-time)

cd deploy
./setup_inspector.sh

Start inspector

cd ~/a2a-inspector
bash scripts/run.sh

Open http://localhost:5001

Connect to local agent: http://localhost:8080

Or Cloud Run agent with auth token


**📖 请参阅完整指南:** A2A_INSPECTOR_GUIDE.md

- 如何在本地测试代理
- 如何测试Cloud Run部署
- 常见问题排查

______________________________________________________________________

### 使用插件进行本地测试

为了实现深度调试和可观察性:```bash
python test_orchestrator_local_with_plugins.py

特性:

  • 🔍 登录插件:全面的ADK日志记录

  • LLM请求和响应

  • 工具调用和结果
  • 令牌使用
  • 事件时间表

  • 📊 AgentDelegationTracker插件:自定义委派跟踪

  • 叫了哪些特工

  • 通话顺序
  • 工作流完成诊断
  • 摘要报告

输出:```text

🔍 AGENT DELEGATION TRACKER - SUMMARY

📊 AGENT CALLS:
• creative_director: 1 call(s)
• brand_strategist: 1 call(s)
• copywriter: 1 call(s)
• designer: 1 call(s)
• critic: 1 call(s)
• project_manager: 1 call(s)

🎯 EXPECTED SPECIALIST AGENTS:
• brand_strategist: ✅ CALLED
• copywriter: ✅ CALLED
• designer: ✅ CALLED
• critic: ✅ CALLED
• project_manager: ✅ CALLED

🩺 DIAGNOSIS:
✅ SUCCESS: All specialist agents were called!


### 测试远程部署```bash
# Test deployed orchestrator
python test_orchestrator.py

使用 adk web 用于交互式测试```bash

Test orchestrator locally with web UI

cd agents/creative_director
adk web --log_level DEBUG


然后打开 `http://localhost:8000` 通过web界面与代理进行交互。

______________________________________________________________________

## 技术栈

### 核心技术

- **谷歌ADK**:用于构建分布式代理的代理开发工具包
- **双子座2.5闪光灯**:快速、高效的多模式LLM
- **A2A协议**:代理间通信标准
- **顶点AI代理引擎**:编排器的托管代理运行时
- **云运行**:面向专业代理的无服务器容器平台
- **模型上下文协议(MCP)**:工具集成的标准协议
- **API通知**:任务管理和数据库集成

### 关键模式

- **分布式多代理体系结构**:协调器和专业代理分别部署,通过A2A进行通信
- **代理工具模式**:将远程代理包装为灵活编排的工具
- **规划优先**:编排者在执行前创建计划
- **顺序执行**:代理按照上下文传递的顺序执行
- **惰性上下文压缩**:智能摘要在保持质量的同时防止令牌限制
- **MCP集成**:通过模型上下文协议(Notion)进行外部工具集成
- **基于插件的可观察性**:通过ADK插件记录和跟踪

### 项目结构```text
ai-creative-studio/
├── agents/
│   ├── creative_director/     # Orchestrator
│   │   ├── agent.py           # Agent definition with AgentTool pattern
│   │   └── app.py             # Not used (deployed to Agent Engine)
│   ├── brand_strategist/      # Market research agent
│   │   ├── agent.py           # Agent definition
│   │   ├── app.py             # A2A server
│   │   └── Dockerfile         # Cloud Run deployment
│   ├── copywriter/            # Social media copy agent
│   ├── designer/              # Visual design agent
│   ├── critic/                # Quality review agent
│   ├── project_manager/       # Timeline & planning agent (with Notion MCP)
│   └── common/
│       ├── setup.sh                   # Local development setup
│       └── test_local.sh              # Local A2A testing
├── deploy/
│   ├── deploy_all_specialists.py      # Deploy all specialists to Cloud Run
│   ├── deploy_complete_system.sh      # One-command full deploy
│   ├── deploy_orchestrator.py         # Deploy orchestrator to Agent Engine
│   ├── env_utils.py                   # Environment variable utilities
│   ├── teardown_gcp.sh                # Clean up resources
│   ├── test_agents.sh                 # Test agents
│   └── test_deployed_agents.py        # Comprehensive tests
├── tools/
│   └── a2a-inspector/         # A2A debugging and testing tools
│       ├── setup_inspector.sh             # Setup A2A Inspector
│       ├── A2A_INSPECTOR_GUIDE.md         # Inspector usage guide
│       ├── A2A_LOGGING_GUIDE.md           # Logging guide
│       └── README.md
├── requirements.txt
├── .env.example
├── DEPLOYMENT_GUIDE.md
└── README.md

故障排除

常见问题

1.编排器在2-3个代理后停止(令牌限制)

症状:编排者在呼叫设计器(代理3)后停止,未完成评论家和项目经理

根本原因:编排器在完成所有5个代理之前达到令牌输出限制(默认8192)。每个代理产生1000-3000个令牌输出,编排器呈现完整结果。

解决方案:编排器现在使用 延迟上下文压缩 (实施于 agents/creative_director/agent.py):```python

Increased token limit

max_output_tokens=20000 # From 8192

Lazy context compaction (summarizes after 3 agents)

compaction_config = EventsCompactionConfig(
compaction_interval=3, # Summarize after every 3 agents
overlap_size=1, # Keep most recent agent's full output
summarizer=LlmEventSummarizer(llm=Gemini(model_id="gemini-2.5-flash"))
)


**运作原理**:

- 代理1-3:保留完整上下文
- 在Agent 3:对较老的Agent(1-2)进行总结后,Agent 3保持完整
- 代理人4-5:接收完整的最新背景+总结的早期工作

**验证修复**:```bash
python deploy/test_deployed_agents.py --test orchestrator
# Should see all 5 agents complete: strategist → copywriter → designer → critic → project_manager

2.编排器只调用一个代理

症状:编排器仅在调用brand_strategist后停止

解决方案:确保您使用的是最新版本 agent.py 与:

  • ✅ Agent (不是 LlmAgent)与 AgentTool 包装器
  • ✅ 规划第一指令模式
  • ✅ 逐步确认模式

3.找不到代理URL

症状: RemoteA2aAgent 失败,显示“无法解析代理卡”

解决方案:```bash

Verify URLs are set

echo $STRATEGIST_AGENT_URL

Test URL directly

curl https://your-agent-url/.well-known/agent.json

Redeploy with correct URLs

cd deploy
python3 deploy_orchestrator.py --action deploy


#### 4.超过API配额(429错误)

**症状**:“您已超出当前配额”错误

**解决方案**:

- 使用顶点AI部署(无配额限制)
- 升级至付费Gemini API层
- 添加具有指数回退的重试逻辑(已在代码中)

#### 5.云运行代理不可访问

**症状**:“连接被拒绝”或“服务不可用”

**解决方案**:```bash
# Check Cloud Run service
gcloud run services describe brand-strategist-agent --region us-central1

# Verify agent card is accessible
curl https://brand-strategist-agent-xxxxx-uc.a.run.app/.well-known/agent.json

# Check logs
gcloud logging read "resource.type=cloud_run_revision AND resource.labels.service_name=brand-strategist-agent" --limit 50

6.导入错误

症状: ModuleNotFoundError: No module named 'google.adk'

解决方案:```bash

Reinstall dependencies

pip install -r requirements.txt

Verify ADK installation

python -c "import google.adk; print(google.adk.version)"


### 获取帮助

- **文档**:参见 部署\_ GIDE.md 详细设置
- **A2A调试**:参见 A2A检查员指南 用于调试代理
- **日志记录**:参见 A2A测井指南 用于日志分析
- **建筑**:请参阅本README中的架构图

### 调试模式

启用DEBUG日志记录以获取详细输出:```bash
# Local testing with DEBUG logs
python test_orchestrator_local_with_plugins.py

# View detailed logs
cat orchestrator_test.log

高级用法

自定义插件

创建可观察性的自定义插件:```python
from google.adk.plugins.base_plugin import BasePlugin

class CustomMetricsPlugin(BasePlugin):
async def before_agent_callback(self, *, agent, callback_context):

Your custom logic

print(f"Agent {agent.name} starting...")


### 添加新代理

1. 创建代理目录: `agents/new_agent/`
1. 实施 `agent.py` 和 `LlmAgent`
1. 创建 `app.py` 使用A2A服务器
1. 添加Dockerfile
1. 更新编排器的工具
1. 部署到云端运行
1. 将URL添加到编排器环境

### MCP集成

项目经理代理通过模型上下文协议(MCP)与Notion集成:```python
# agents/project_manager/agent.py
from google.adk.tools.mcp_tool import McpToolset, StdioConnectionParams
from mcp import StdioServerParameters

# Configure Notion MCP server
# IMPORTANT: Notion MCP server expects NOTION_TOKEN, not NOTION_API_KEY
mcp_env = {
"NOTION_TOKEN": os.getenv("NOTION_API_KEY"),  # Pass as NOTION_TOKEN
"PATH": os.environ.get("PATH", "/usr/local/bin:/usr/bin:/bin")
}

server_params = StdioServerParameters(
command="notion-mcp-server",  # Use globally installed version from Dockerfile
args=[],
env=mcp_env
)

# Create MCP toolset
notion_toolset = McpToolset(
connection_params=StdioConnectionParams(
server_params=server_params,
timeout=30.0  # Timeout for MCP server startup
)
)

# Add to agent
agent = Agent(
name="project_manager",
model="gemini-2.5-flash",
tools=[notion_toolset],
instruction=get_system_instruction(database_id=os.getenv("NOTION_PROJECT_DATABASE_ID"))
)

MCP服务器:使用官方 @notionhq/notion-mcp-server 软件包版本 1.9.1

> 重要:Dockerfile将MCP服务器固定到1.9.1版本,以避免2.0.0版本中的UUID重新格式化错误。代理使用全局安装的版本,而不是通过npx下载最新版本。

Dockerfile配置:```dockerfile

Install Notion MCP server globally (pinned to 1.9.1)

RUN npm install -g @notionhq/notion-mcp-server@1.9.1


**需要环境变量**:

- `NOTION_API_KEY`:您的Notion集成令牌(传递为 `NOTION_TOKEN` 到MCP服务器)
- `NOTION_PROJECT_DATABASE_ID`:The **项目** 数据库ID
- **任务数据库ID**:硬编码 `agent.py:59` (默认值: `2ceb1b31123181508894ddb3c597dc48`)

**可用MCP操作**:

- `API-post-page`:在Notion数据库中创建项目/任务页面
- `API-patch-page`:更新现有页面属性
- `API-post-search`:搜索页面
- `API-post-database-query`:使用筛选器查询数据库
- `API-retrieve-a-database`:获取数据库架构和详细信息

**测试集成**:```bash
cd agents/project_manager
python test_local_notion.py

许可证

MIT许可证-有关详细信息,请参阅许可证文件


致谢

内置:

  • 谷歌代理开发工具包(ADK)
  • 代理对代理协议
  • Google Gemini API

问题? 检查 QUICK_START.md 或者查看上面的架构图。

常见问题

7 问
答案由本站依据条目字段整理,不引用上游原文
AI Creative Studio Adk A2a MCP Vertexai Cloudrun 怎么安装?

在客户端按下面的安装命令接入:python3 -m venv venv。装完在客户端配置里引用同一个包或端点。

AI Creative Studio Adk A2a MCP Vertexai Cloudrun 怎么在客户端里配置?

它的传输方式未标注,在客户端 MCP 配置里按官方文档填写启动命令和参数,保存后重启客户端生效。

AI Creative Studio Adk A2a MCP Vertexai Cloudrun 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

AI Creative Studio Adk A2a MCP Vertexai Cloudrun 需要 API Key 吗?

资料标注需要Token认证,使用前准备好对应凭据,并按最小权限配置。

AI Creative Studio Adk A2a MCP Vertexai Cloudrun 能提供哪些能力?

资料显示能力标签包括 分布式系统、Python、云端部署。具体工具清单以官方文档为准。

AI Creative Studio Adk A2a MCP Vertexai Cloudrun 需要什么运行环境?

运行时为 Python;属于本地进程,需要在本机装好运行环境。

AI Creative Studio Adk A2a MCP Vertexai Cloudrun 是本地还是远程?

它是本地进程(stdio),由客户端在本机拉起。传输方式为stdio · 本地进程。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。