Free access is closing! 700+ free courses are waiting.
Ends in:
Start Now
Bu proje, aşağıdakileri yapan bir seyahat planlayıcı oluşturur:
flight_agent: Uçuş seçenekleri önerir.stay_agent: Bütçe dâhilinde otel bulur.activities_agent: İlgi çekici aktiviteler önerir.host_agent kullanır.Tüm ajanlar ayrı FastAPI sunucuları olarak barındırılır ve bir /run uç noktası sunar. İletişim, paylaşılan A2A uyumlu istemci aracılığıyla gerçekleştirilir.
Not: Basit tutmak için bu proje tamamen yerel makinenizde çalışır; ancak her ajanı ve arayüzü Render, Railway veya Google Cloud Run gibi bulut platformlarına kolayca dağıtabilirsiniz.
Şu kütüphaneleri yükleyerek başlayalım:
pip install google-adk litellm fastapi uvicorn httpx pydantic openai streamlit
Ardından OpenAI API anahtarınızı ayarlayın—başka bir model sağlayıcısı da kullanabilirsiniz. OpenAI API anahtarınızı nasıl ayarlayacağınıza dair bilgi için GPT-4o API üzerine bu giriş niteliğindeki eğitimi öneririm.
export OPENAI_API_KEY="your_key_here"
Zeki ajanlar oluşturmadan önce, birbirleriyle konuşmaları için ortak bir dil tanımlamamız gerekir. Bizim kurulumumuzda bu şu şekilde yapılır:
/run uç noktasını standartlaştıran bir REST sunucu sarmalayıcısıBunlar kodu modüler tutmak için shared/ ve common/ klasörlerine yerleştirilir. Her birine bakalım.
shared/schemas.py dosyası oluşturmaPydantic kullanarak bir TravelRequest şeması tanımlıyoruz. Bu, tüm ajanların gelen isteklerin yapısı üzerinde uzlaşmasını sağlar; bu yapı varış noktası, seyahat tarihleri ve kullanıcı bütçesini içerir.
from pydantic import BaseModel
class TravelRequest(BaseModel):
destination: str
start_date: str
end_date: str
budget: float
Bu sınıf şunlara yardımcı olur:
common/a2a_client.py dosyası oluşturmaBu hafif asenkron yardımcı, herhangi bir ajanın (özellikle host) /run uç noktasını çağırarak A2A protokolü aracılığıyla başka bir ajanı çağırmasına olanak tanır.
import httpx
async def call_agent(url, payload):
async with httpx.AsyncClient() as client:
response = await client.post(url, json=payload, timeout=60.0)
response.raise_for_status()
return response.json()
Bu yardımcı, httpx kullanarak başka bir ajanın /run uç noktasına asenkron bir POST isteği gönderir. İsteğin başarısız olması hâlinde bir hata yükseltir ve ayrıştırılmış JSON yanıtını döndürür.
Bu yardımcının host_agent içinde flight_agent, stay_agent ve activities_agent çağrılarında kullanılacağını göreceğiz.
common/a2a_server.py dosyası oluşturmaHer ajan için özel bir FastAPI rotası yazmak yerine, create_app(agent) işlevini kullanarak genelleştiriyoruz; bu işlev şunları ele alır:
/run üzerinde ajanın sunulmasıfrom fastapi import FastAPI
import uvicorn
def create_app(agent):
app = FastAPI()
@app.post("/run")
async def run(payload: dict):
return await agent.execute(payload)
return app
Bu yardımcı, sağlanan ajana yürütmeyi devreden standart bir /run rotasına sahip bir FastAPI uygulaması oluşturur. Yapılandırılmış JSON girişi kullanan tüm hizmetler için tutarlı bir ajanlar arası (A2A) arayüz sağlar.
Birlikte ele alındığında bu paylaşılan bileşenler, çoklu ajan sistemimizi daha sürdürülebilir, yeniden kullanılabilir ve Google’ın basit, yapılandırılmış ajanlar arası mesajlaşma felsefesi olan A2A ile uyumlu hâle getirir.
Artık paylaşılan sözleşmeler ve yardımcılar hazır olduğuna göre, tek tek ajanları oluşturmaya başlayalım. Bunu gerçekten modüler ve çoklu ajanlı bir sisteme dönüştürmek için Google’ın A2A protokolünü—ajanların tutarlı ve birlikte çalışabilir biçimde iletişim kurmasını sağlayan basit HTTP tabanlı arayüzü—kullanacağız.
A2A (Agent-to-Agent), ajanlar yerel Python işlevleri olsa da ağlar arasında barındırılsa da tak-çalıştır koordinasyon sağlar. Her ajan, ortak bir şemaya sahip bir /run uç noktası sunar ve bir servis gibi davranır.
Demo’muzda dört ajan var:
host_agent: Diğer tüm ajanları orkestre ederflight_agent: Uygun uçuşları bulurstay_agent: Konaklama öneriractivities_agent: Yerel etkinlikler için önerilerde bulunurTüm ajanlar benzer şekilde yapılandırılmıştır; 3 dosya ve bir alt klasörle:
agents/
├── host_agent/
│ │ ├── agent.py # Optional if host logic is minimal
│ │ ├── task_manager.py # Calls other agents and aggregates responses
│ │ ├── __main__.py # Starts FastAPI app via common/a2a_server.py
│ │ └── .well-known/
│ │ └── agent.json # A2A Agent Card metadata
├── flight_agent/
├── stay_agent/
└── activities_agent/
Her ajan, google.adk.agents.Agent, bir LiteLlm model sarmalayıcı ve yürütme için Runner kullanır. activities_agent klasörü içinde aşağıdaki dosyaları oluşturarak başlayın ve aynılarını flight_agent ve stay_agent için de tekrarlayın.
agent.py dosyası oluşturmaŞimdi, kullanıcının seyahat planına göre ilgi çekici yerel deneyimler oluşturmaktan sorumlu olacak activities_agent mantığını tanımlayalım.
Ajana yapılandırma ve çalıştırma için gerekli modülleri içe aktararak başlıyoruz.
from google.adk.agents import Agent
from google.adk.models.lite_llm import LiteLlm
from google.adk.runners import Runner
from google.adk.sessions import InMemorySessionService
from google.genai import types
import json
Bu ajan, Google ADK’nin Agent, ' Runner, ' ve LiteLlm gibi bileşenlerini kullanır ve durumu InMemorySessionService ile yönetir. Types kitaplığı, yapılandırılmış istemler oluşturmak için kullanılır.
Şimdi, ADK’nın Agent sınıfını kullanarak ajanın kendisini oluşturuyoruz.
activities_agent = Agent(
name="activities_agent",
model=LiteLlm("openai/gpt-4o"),
description="Suggests interesting activities for the user at a destination.",
instruction=(
"Given a destination, dates, and budget, suggest 2-3 engaging tourist or cultural activities. "
"For each activity, provide a name, a short description, price estimate, and duration in hours. "
"Respond in plain English. Keep it concise and well-formatted."
)
)
Instruction parametresi, LLM’in davranışını yönlendiren sistem istemini tanımlar. Bu örnekte sade İngilizce kullanılsa da daha kolay ayrıştırma için çıktıyı yapılandırılmış JSON olarak döndürecek şekilde instruction’ı uyarlayabilirsiniz.
Sırada, kullanıcı etkileşimlerini takip etmek için bir Runner ve oturum bilgisini yapılandırıyoruz.
session_service = InMemorySessionService()
runner = Runner(
agent=activities_agent,
app_name="activities_app",
session_service=session_service
)
USER_ID = "user_activities"
SESSION_ID = "session_activities"
Runner, belirli bir uygulama oturumu için ajanın yürütmesini yönetir. InMemorySessionService sınıfı ise bağlamı bellekte saklar. Ardından kullanıcı ve oturum kimliklerini tanımlarız. Üretimde bunlar dinamik veya kullanıcıya özgü olabilir. Bu, LLM ajanına herhangi bir istem göndermeden önce yeni bir ADK oturumunun var olmasını sağlar.
execute() işlevi gelen istekleri işler, bir istem oluşturur, modeli çağırır ve çıktıyı ayrıştırır.
async def execute(request):
session_service.create_session(
app_name="activities_app",
user_id=USER_ID,
session_id=SESSION_ID
)
prompt = (
f"User is flying to {request['destination']} from {request['start_date']} to {request['end_date']}, "
f"with a budget of {request['budget']}. Suggest 2-3 activities, each with name, description, price estimate, and duration. "
f"Respond in JSON format using the key 'activities' with a list of activity objects."
)
message = types.Content(role="user", parts=[types.Part(text=prompt)])
async for event in runner.run_async(user_id=USER_ID, session_id=SESSION_ID, new_message=message):
if event.is_final_response():
response_text = event.content.parts[0].text
try:
parsed = json.loads(response_text)
if "activities" in parsed and isinstance(parsed["activities"], list):
return {"activities": parsed["activities"]}
else:
print("'activities' key missing or not a list in response JSON")
return {"activities": response_text} # fallback to raw text
except json.JSONDecodeError as e:
print("JSON parsing failed:", e)
print("Response content:", response_text)
return {"activities": response_text} # fallback to raw text
execute() işlevi, varış noktası, tarihler ve bütçe gibi gelen istek parametrelerini kullanarak dinamik bir istem oluşturur. Kaputun altında şunlar olur:
Content nesnesi oluşturulur ve ADK Runner’a iletilir; Runner, akış üreteci kullanarak modelin nihai yanıtını asenkron olarak bekler.Bu strateji, özellikle model çıktıları sıcaklık veya istem yorumlamasına bağlı olarak biraz değiştiğinde sağlamlığı ve kullanıcı deneyimini artırır.
task_manager.py dosyası oluşturmaagent.py içinde execute() mantığını tanımladıktan sonra, şimdi bunu task_manager.py kullanarak ADK uyumlu sunucu kurulumuna bağlıyoruz.
from .agent import execute
async def run(payload):
return await execute(payload)
Bu dosya, daha önce tanımlanan execute() işlevi etrafında ince bir sarmalayıcı görevi görür. run() yöntemini özellikle __main__.py içindeki sunucu betiğine dış modüller için kullanılabilir kılar.
__main__.py dosyası oluşturma__main__.py dosyası, ajanın /run uç noktasında hizmet vereceği şekilde 8003 portunda bir FastAPI sunucusu başlatır.
from common.a2a_server import create_app
from .task_manager import run
app = create_app(agent=type("Agent", (), {"execute": run}))
if __name__ == "__main__":
import uvicorn
uvicorn.run(app, port=8003)
Burada olanlar şunlar:
create_app() (common/a2a_server.py’den), ajanımızı standart A2A uyumlu bir FastAPI arayüzüne sarar.run()u doğru şekilde çağırabilmesi için dinamik olarak bir execute() yöntemi olan bir nesne oluşturuyoruz..well-known/agent.json dosyası oluşturmaBu JSON dosyasını, A2A (Agent-to-Agent) protokolüne göre ajanın kimliğini ve amacını tanımlamak için kullanıyoruz.
{
"name": "activity_agent",
"description": "Agent providing activity details."
}
Not: .well-known/agent.json dosyası bu projede ajanlarımız tarafından doğrudan kullanılmasa da A2A spesifikasyonuna uygundur ve LangGraph, CrewAI veya Google’ın ajan kayıt defteri gibi orkestratörlerle keşif, içgörü ve gelecekteki uyumluluk açısından önemlidir.
Benzer mantık flight_agent ve stay_agent için de kullanılır.
host_agent ile Koordinasyonhost_agent, demoda merkezi bir planlayıcı gibi davranır. host_agent, çoklu ajan sistemlerinde denetleyici (controller) desenine örnektir. Karar alma ile yürütmeyi birbirinden ayırır; her alt ajanın kendi alanına odaklanmasını sağlarken koordinasyon mantığını merkezileştirir. Bu, yalnızca test ve ölçeklemeyi basitleştirmekle kalmaz; aynı zamanda dağıtık sistemlerde gerçek dünya mikro hizmet mimarisini de yansıtır.
Aynı yükü üç ajanın her birine, sundukları /run API’leri üzerinden gönderir ve sonuçları birleştirir. host_agent klasörüne aşağıdaki dosyaları ekleyelim.
agent.py dosyası oluşturmaTemel içe aktarımlar ile başlayalım.
from google.adk.agents import Agent
from google.adk.models.lite_llm import LiteLlm
from google.adk.runners import Runner
from google.adk.sessions import InMemorySessionService
from google.genai import types
Bu içe aktarma bloğu, Google ADK kullanarak LLM tabanlı bir ajanı tanımlamak ve çalıştırmak için gereken tüm çekirdek yapı taşlarını getirir: Agent sınıfı, hafif LLM sarmalayıcı, yürütmeyi yöneten Runner ve bellek içi oturum yönetimi.
host_agent = Agent(
name="host_agent",
model=LiteLlm("openai/gpt-4o"),
description="Coordinates travel planning by calling flight, stay, and activity agents.",
instruction="You are the host agent responsible for orchestrating trip planning tasks. "
"You call external agents to gather flights, stays, and activities, then return a final result."
)
session_service = InMemorySessionService()
runner = Runner(
agent=host_agent,
app_name="host_app",
session_service=session_service
)
USER_ID = "user_host"
SESSION_ID = "session_host"
Yukarıdaki kod, tüm seyahat planını koordine etmekten sorumlu üst düzey bir ADK ajanını tanımlar. Bu uygulamada alt ajanları LLM içinden çağırmasak da sistem istemi, LLM’in gelecekte araç kullanımı ve meta-akıl yürütmeyi üstlenebileceği bir genişletmeye zemin hazırlar.
async def execute(request):
# Ensure session exists
session_service.create_session(
app_name="host_app",
user_id=USER_ID,
session_id=SESSION_ID
)
prompt = (
f"Plan a trip to {request['destination']} from {request['start_date']} to {request['end_date']} "
f"within a total budget of {request['budget']}. Call the flights, stays, and activities agents for results."
)
message = types.Content(role="user", parts=[types.Part(text=prompt)])
async for event in runner.run_async(user_id=USER_ID, session_id=SESSION_ID, new_message=message):
if event.is_final_response():
return {"summary": event.content.parts[0].text}
Bu execute() işlevi, host ajanın LLM’ine ana giriş noktası görevi görür ve şu adımları izler:
runner.run_async() yöntemiyle modele gönderirtask_manager.py dosyası oluşturmaGörev yöneticisi, uzak ajanları çağırarak ve tüm seyahat planlama iş akışını ele alarak orkestrasyon mantığını yürütür. Pratik uygulaması için, her alt ajan için hizmet URL’lerini tanımlıyoruz. Bu uç noktalar A2A /run protokolüne uyar ve ortak TravelRequest` JSON şeması bekler.
from common.a2a_client import call_agent
FLIGHT_URL = "http://localhost:8001/run"
STAY_URL = "http://localhost:8002/run"
ACTIVITIES_URL = "http://localhost:8003/run"
Şimdi, yükü tanımlayalım.
async def run(payload):
#Print what the host agent is sending
print("Incoming payload:", payload)
flights = await call_agent(FLIGHT_URL, payload)
stay = await call_agent(STAY_URL, payload)
activities = await call_agent(ACTIVITIES_URL, payload)
# Log outputs
print("flights:", flights)
print("stay:", stay)
print("activities:", activities)
# Ensure all are dicts before access
flights = flights if isinstance(flights, dict) else {}
stay = stay if isinstance(stay, dict) else {}
activities = activities if isinstance(activities, dict) else {}
return {
"flights": flights.get("flights", "No flights returned."),
"stay": stay.get("stays", "No stay options returned."),
"activities": activities.get("activities", "No activities found.")
}
Bu işlev, yükü her bir alt hizmete iletmek için call_agent() yardımcı işlevini kullanır ve geliştirme sırasında görünürlük için girdileri ve çıktıları günlüğe kaydeder. Gerçek orkestrasyon mantığının yaşadığı yer esasen burasıdır.
__main__.py dosyası oluşturma__main__.py dosyası, host ajanı saran FastAPI sunucusu için giriş noktası görevi görür.
from common.a2a_server import create_app
from .task_manager import run
app = create_app(agent=type("Agent", (), {"execute": run}))
if __name__ == "__main__":
import uvicorn
uvicorn.run(app, port=8000)
Ana dosya şunları yapar:
/run uç noktası olan bir FastAPI uygulaması oluşturmak için common/a2a_server.py içindeki create_app()i kullanır.task_manager.run() işlevine delege eden bir execute() yöntemine sahip basit bir ajan benzeri nesneyi iletir.uvicorn ile başlatır.Bu, host ajanın arayüzünü diğer alt ajanlarla hizalar ve sistem genelinde tutarlılığı korur.
.well-known/agent.json dosyası oluşturmaBu dosya, merkezi bir düğümün görevleri devredip birleştirdiği klasik bir çoklu ajan deseninde görev yapar.
{
"name": "host_agent",
"description": "Coordinates travel planning among specialized agents."
}
Zorunlu olmasa da, daha önce açıklandığı gibi tüm ajan dizinlerine bunu eklemek iyi bir uygulamadır.
Son olarak, kullanıcıların tercihlerini girebilecekleri ve yapılandırılmış bir gezi planı alabilecekleri basit bir uygulama oluşturalım. Kök dizinde bir travel_ui.py dosyası oluşturun ve aşağıdaki kodu ekleyin.
import streamlit as st
import requests
UI desteği için Streamlit ve requests gibi temel kütüphaneleri içe aktarıyoruz.
st.set_page_config(page_title="ADK-Powered Travel Planner", page_icon="✈️")
st.title("🌍 ADK-Powered Travel Planner")
origin = st.text_input("Where are you flying from?", placeholder="e.g., New York")
destination = st.text_input("Destination", placeholder="e.g., Paris")
start_date = st.date_input("Start Date")
end_date = st.date_input("End Date")
budget = st.number_input("Budget (in USD)", min_value=100, step=50)
if st.button("Plan My Trip ✨"):
if not all([origin, destination, start_date, end_date, budget]):
st.warning("Please fill in all the details.")
else:
payload = {
"origin": origin,
"destination": destination,
"start_date": str(start_date),
"end_date": str(end_date),
"budget": budget
}
response = requests.post("http://localhost:8000/run", json=payload)
if response.ok:
data = response.json()
st.subheader("✈️ Flights")
st.markdown(data["flights"])
st.subheader("🏨 Stays")
st.markdown(data["stay"])
st.subheader("🗺️ Activities")
st.markdown(data["activities"])
else:
st.error("Failed to fetch travel plan. Please try again.")
Streamlit uygulaması, ADK ile oluşturulan çoklu ajanlı seyahat planlayıcıyla etkileşim için kullanıcı dostu bir arayüz sağlar. Yukarıdaki kodda değindiğimiz birkaç nokta:
text_input, date_input ve number_input kullanarak kalkış noktası, varış noktası, tarihler ve bütçeyi toplar.http://localhost:8000/run adresindeki host_agent’a bir POST isteği gönderir.host_agent, tüm alt ajanları (uçuş, konaklama, aktivite) çağırır, yanıtları birleştirir ve tek bir seyahat planı döndürür.st.markdown() yöntemiyle ayrıştırılıp görüntülenir.st.error() kullanılarak bir hata mesajı gösterilir.Şimdi, yerelde terminalinizde aşağıdaki komutu çalıştırın:
uvicorn agents.host_agent.__main__:app --port 8000 &
uvicorn agents.flight_agent.__main__:app --port 8001 &
uvicorn agents.stay_agent.__main__:app --port 8002 &
uvicorn agents.activities_agent.__main__:app --port 8003 &
streamlit run travel_ui.py
Bir kullanıcı “Plan My Trip”e tıkladığında, host ajan devreye girer, ajanları çalıştırır ve sonuçları arayüzde gösterir:

Genel dosya yapınız aşağıdakine benzer olacaktır:
ADK_demo/
├── agents/
│ ├── host_agent/
│ │ ├── agent.py
│ │ ├── task_manager.py
│ │ ├── __main__.py
│ │ └── .well-known/
│ │ └── agent.json
│ │
│ ├── flight_agent/
│ │ ├── agent.py
│ │ ├── task_manager.py
│ │ ├── __main__.py
│ │ └── .well-known/
│ │ └── agent.json
│ │
│ ├── stay_agent/
│ │ ├── agent.py
│ │ ├── task_manager.py
│ │ ├── __main__.py
│ │ └── .well-known/
│ │ └── agent.json
│ │
│ └── activities_agent/
│ ├── agent.py
│ ├── task_manager.py
│ ├── __main__.py
│ └── .well-known/
│ └── agent.json
│
├── common/
│ ├── a2a_client.py # Utility to send requests to other agents
│ └── a2a_server.py # Shared FastAPI A2A-compatible server template
│
├── shared/
│ └── schemas.py # Shared Pydantic schema
│
├── streamlit_app.py # Frontend UI for user input and response rendering
├── requirements.txt
└── README.md




Ve hepsi bu kadar! Oluşturduğumuz her şeyi bu GitHub projesinde bir araya getirdim.
Yalnızca birkaç FastAPI uygulaması ve ADK ajanıyla, aşağıdakileri yapan iş birliğine dayalı bir seyahat planlayıcı oluşturduk:
Tüm ajanlar kaputun altında aynı modeli kullansa da bu sistem davranış olarak çoklu ajandır; yani ajanların farklı rolleri, izole sorumlulukları ve yapılandırılmış iletişimi vardır.
Başlamak için birkaç kaynak:
ML (Üretken Yapay Zekâ) alanında Google Developers Uzmanıyım, Kaggle 3x Expert unvanına sahibim ve 3+ yıllık teknoloji deneyimiyle Women Techmakers Elçisiyim. 2020'de bir sağlık teknolojileri girişiminin kurucu ortağı oldum ve Georgia Tech'te makine öğrenmesi alanında uzmanlaşarak bilgisayar bilimleri yüksek lisansı yapıyorum.

blog
blog
Eğitim
Bu kurslarla yapay zekâ ajanları oluşturun!
Kurs
AI ajanlarının temellerini, bileşenlerini ve gerçek hayattaki kullanımlarını öğrenin — kodlama gerekmez.
Kurs
LangGraph çerçevesinde yeni ortaya çıkan ajan tasarım modellerini uygulayarak güçlü çoklu ajan sistemleri oluşturun.
Kurs
Google'ın Ajan Geliştirme Kiti (ADK) ile adım adım bir müşteri destek asistanı oluşturun.
Bu blogda, Google'ın yeni açık kaynaklı Agent Development Kit (ADK) ve A2A (Agent-to-Agent) protokolünü kullanarak çoklu ajanlı, yapay zekâ destekli bir seyahat asistanını nasıl oluşturacağınızı adım adım göstereceğim.
Uçuşlar, oteller ve aktivite önerilerini yönetmek için birden fazla ajandan yararlanacağız; bunlar REST API'leri ve FastAPI sunucuları aracılığıyla iletişim kuracak. Sonunda, sezgisel bir kullanıcı deneyimi için tümünü şık bir Streamlit arayüzüyle tamamlayacağız.
Yazının sonunda, öğreniminizi genişletmek için Google ADK ile Yapay Zekâ Ajanları Oluşturma kursumuzu alarak ADK ile bir müşteri destek asistanı oluşturmanızı öneririm.
Okurlarımızı en güncel yapay zekâ gelişmeleri hakkında bilgilendirmek için her Cuma The Median adlı ücretsiz bültenimizi gönderiyoruz; haftanın öne çıkan haberlerini birkaç dakikada özetliyoruz. Abone olun ve birkaç dakikada güncel kalın:
Google’ın Agent Development Kit’i (ADK) Nedir?
Google’ın ADK’si, LLM destekli ajanlar geliştirmek için modüler ve üretime hazır bir çerçevedir. Google’ın Agentspace ve Customer Engagement Suite gibi ürünlerindeki ajanları da aynı araç seti çalıştırır. Artık açık kaynak olarak sunulan ADK, geliştiricilerin güçlü, esnek ve birbiriyle uyumlu çoklu ajan uygulamaları kurmasına yardımcı olur.
Neden Agent Development Kit (ADK) kullanmalı?
ADK, durum yönetimi, geri çağırmalar, akış ve yapılandırılmış giriş/çıkış için yerleşik yapılarla birlikte Python’un esnekliğini sunar. Başlıca özelliklerine bakalım:
LiteLlmaracılığıyla Gemini, GPT-4o, Claude, Mistral ve diğerleriyle çalışır.Google’ın Agent2Agent (A2A) protokolü nedir?
Agent2Agent (A2A) protokolü, farklı platformlar ve çerçeveler genelinde yapay zekâ ajanlarının kolayca iletişim kurup iş birliği yapmasını sağlamak için Google tarafından geliştirilen, açık ve satıcıdan bağımsız bir standarttır.
ADK ajanları, standart bir
/runHTTP uç noktası ve.well-known/agent.jsonüzerinden meta veriler sunar. Bu, ajan keşfini ve ajanlar arasında (hatta LangGraph veya CrewAI gibi harici orkestratörlerle) kolay iletişimi mümkün kılar.Zorunlu olmasa da A2A meta veri dosyasını eklemek, ajanlarınızı daha geniş ajan araçları ve orkestratör ekosistemiyle birlikte çalışır hâle getirir. Google ADK kullanımını aşağıdaki video eğitiminde veya uygulamalı ADK kursumuzda daha fazla öğrenebilirsiniz.