สร้างแอป Google Chat ด้วยเอเจนต์ Agent2Agent

หน้านี้อธิบายวิธีสร้างส่วนเสริม Google Workspace ที่ใช้ได้ใน Google Chat และเชื่อมต่อกับ AI Agent ที่ใช้โปรโตคอล Agent2Agent (A2A) คุณพัฒนา Agent โดยใช้ Agent Development Kit (ADK) และโฮสต์ใน Vertex AI Agent Engine

เอเจนต์ AI จะรับรู้สภาพแวดล้อม ใช้เหตุผล และดำเนินการที่ซับซ้อน แบบหลายขั้นตอนโดยอัตโนมัติเพื่อให้บรรลุเป้าหมายที่กำหนด ในบทแนะนำนี้ คุณจะติดตั้งใช้งานตัวอย่างแบบหลาย Agent ของ LLM Auditor ที่วิจารณ์และแก้ไขข้อเท็จจริงโดยใช้การเชื่อมต่อ Gemini และ Google Search

ตัวอย่าง Multi-Agent ของ LLM Auditor เป็นแอป Chat

แผนภาพต่อไปนี้แสดงสถาปัตยกรรมและรูปแบบการรับส่งข้อความ

สถาปัตยกรรมของแอปใน Chat ที่ใช้เอเจนต์ AI แบบ A2A

ในแผนภาพ ผู้ใช้ที่โต้ตอบกับแอปแชทที่ติดตั้งใช้งานด้วยตัวแทน A2A จะมีขั้นตอนการไหลของข้อมูลดังนี้

  1. ผู้ใช้ส่งข้อความไปยังแอป Chat ไม่ว่าจะใน ข้อความส่วนตัวหรือในพื้นที่ใน Chat
  2. ตรรกะของแอป Chat ที่ใช้งานใน Apps Script หรือเป็นเว็บเซิร์ฟเวอร์ที่มีปลายทาง HTTP จะรับและประมวลผลข้อความ
  3. เอเจนต์ A2A ที่โฮสต์ด้วย Vertex AI Agent Engine จะรับและประมวลผล การโต้ตอบ
  4. แอป Chat หรือเอเจนต์ AI สามารถผสานรวมกับบริการของ Google Workspace เช่น ปฏิทินหรือชีต หรือบริการอื่นๆ ของ Google เช่น Google Maps หรือ YouTube ได้ (ไม่บังคับ)
  5. แอป Chat จะส่งการตอบกลับแบบไม่พร้อมกัน โดยใช้ Google Chat API เพื่อสื่อสารความคืบหน้าของเอเจนต์ AI
  6. ระบบจะส่งคำตอบให้ผู้ใช้

วัตถุประสงค์

  • ตั้งค่าสภาพแวดล้อม
  • ติดตั้งใช้งานเอเจนต์ A2A
  • ติดตั้งใช้งานแอป Chat
  • กำหนดค่าแอป Chat
  • ทดสอบแอป Chat

ข้อกำหนดเบื้องต้น

ตั้งค่าสภาพแวดล้อม

เปิดใช้ Google Cloud APIs

ก่อนใช้ Google API คุณต้องเปิดใช้ API ในโปรเจ็กต์ที่อยู่ในระบบคลาวด์ของ Google คุณเปิด API อย่างน้อย 1 รายการในโปรเจ็กต์ Google Cloud เดียวได้

  • ใน Google Cloud Console ให้เปิดใช้ Google Chat, Vertex AI และ Cloud Resource Manager API

    เปิดใช้ API

กำหนดค่าหน้าจอขอความยินยอม OAuth

แอปทั้งหมดที่ใช้ OAuth 2.0 ต้องมีการกำหนดค่าหน้าจอขอความยินยอม การกำหนดค่าหน้าจอขอความยินยอม OAuth ของแอปจะกำหนดสิ่งที่แสดงต่อผู้ใช้และผู้ตรวจสอบแอป รวมถึงลงทะเบียนแอปเพื่อให้คุณเผยแพร่ได้ในภายหลัง

  1. ในคอนโซล Google API ให้ไปที่เมนู > แพลตฟอร์มการตรวจสอบสิทธิ์ของ Google > การสร้างแบรนด์

    ไปที่การสร้างแบรนด์

  2. หากกำหนดค่าแพลตฟอร์มการตรวจสอบสิทธิ์ของ Google แล้ว คุณจะกำหนดค่าการตั้งค่าหน้าจอขอคำยินยอม OAuth ต่อไปนี้ได้ในการสร้างแบรนด์ กลุ่มเป้าหมาย และการเข้าถึงข้อมูล หากเห็นข้อความที่ระบุว่ายังไม่ได้กำหนดค่าแพลตฟอร์ม Google Auth ให้คลิกเริ่มต้นใช้งาน
    1. ในส่วนข้อมูลแอป ให้ป้อนชื่อแอปในชื่อแอป
    2. ในอีเมลสนับสนุนสำหรับผู้ใช้ ให้เลือกอีเมลสนับสนุนที่ผู้ใช้สามารถติดต่อคุณได้หากมีข้อสงสัยเกี่ยวกับการยินยอม
    3. คลิกถัดไป
    4. ในส่วนกลุ่มเป้าหมาย ให้เลือกภายใน
    5. คลิกถัดไป
    6. ในส่วนข้อมูลติดต่อ ให้ป้อนอีเมลที่คุณต้องการรับการแจ้งเตือนเกี่ยวกับการเปลี่ยนแปลงในโปรเจ็กต์
    7. คลิกถัดไป
    8. ในส่วนเสร็จสิ้น ให้อ่านนโยบายข้อมูลผู้ใช้ของบริการ Google API และหากยอมรับ ให้เลือกฉันยอมรับบริการ Google API: นโยบายข้อมูลผู้ใช้
    9. คลิกต่อไป
    10. คลิกสร้าง
  3. ในตอนนี้ คุณข้ามการเพิ่มขอบเขตได้ ในอนาคต เมื่อสร้างแอปเพื่อใช้ภายนอกองค์กร Google Workspace คุณจะต้องเปลี่ยนประเภทผู้ใช้เป็นภายนอก จากนั้น เพิ่มขอบเขตการให้สิทธิ์ที่แอปของคุณต้องการ ดูข้อมูลเพิ่มเติมได้ที่คู่มือกำหนดค่าความยินยอม OAuth ฉบับเต็ม

สร้างบัญชีบริการในคอนโซล Google Cloud

สร้างบัญชีบริการใหม่ที่มีบทบาท Vertex AI User โดยทำตาม ขั้นตอนต่อไปนี้

Google Cloud Console

  1. ในคอนโซล Google Cloud ให้ไปที่เมนู > IAM และผู้ดูแลระบบ > บัญชีบริการ

    ไปที่บัญชีบริการ

    ขั้นตอนที่เหลือจะปรากฏในคอนโซล Google Cloud

  2. เลือกโปรเจ็กต์ที่อยู่ใน Google Cloud
  3. คลิกสร้างบัญชีบริการ
  4. ป้อนชื่อบัญชีบริการเพื่อแสดงในคอนโซล Google Cloud
  5. หากไม่ต้องการตั้งค่าการควบคุมการเข้าถึงในตอนนี้ ให้คลิกเสร็จสิ้นเพื่อสร้างบัญชีบริการให้เสร็จ หากต้องการตั้งค่าการควบคุมการเข้าถึงตอนนี้ ให้คลิกสร้างและดำเนินการต่อ แล้วไปที่ขั้นตอนถัดไป
  6. ไม่บังคับ: มอบหมายบทบาทให้กับบัญชีบริการเพื่อให้สิทธิ์เข้าถึงทรัพยากรของโปรเจ็กต์ Google Cloud นอกเหนือจากทรัพยากร Google Workspace โปรดดูรายละเอียดเพิ่มเติมที่หัวข้อจัดการการเข้าถึงโปรเจ็กต์ โฟลเดอร์ และองค์กร
  7. คลิกต่อไป
  8. ไม่บังคับ: ป้อนผู้ใช้หรือกลุ่มที่จัดการและดำเนินการกับบัญชีบริการนี้ได้ โปรดดูรายละเอียดเพิ่มเติมที่หัวข้อการแอบอ้างเป็นบัญชีบริการ
  9. คลิกเสร็จสิ้นเพื่อสร้างบัญชีบริการให้เสร็จสมบูรณ์

    จดอีเมลของบัญชีบริการไว้

gcloud CLI

  1. สร้างบัญชีบริการโดยทำดังนี้ 
    gcloud iam service-accounts create SERVICE_ACCOUNT_NAME \
  --display-name="SERVICE_ACCOUNT_NAME"
  2. ไม่บังคับ: มอบหมายบทบาทให้กับบัญชีบริการเพื่อให้สิทธิ์เข้าถึงทรัพยากรของโปรเจ็กต์ Google Cloud นอกเหนือจากทรัพยากร Google Workspace โปรดดูรายละเอียดเพิ่มเติมที่หัวข้อจัดการการเข้าถึงโปรเจ็กต์ โฟลเดอร์ และองค์กร

บัญชีบริการจะปรากฏในหน้าบัญชีบริการ

สร้างคีย์ส่วนตัว

หากต้องการสร้างและดาวน์โหลดคีย์ส่วนตัวสำหรับบัญชีบริการ ให้ทำตามขั้นตอนต่อไปนี้

  1. ในคอนโซล Google Cloud ให้ไปที่เมนู > IAM และผู้ดูแลระบบ > บัญชีบริการ

    ไปที่บัญชีบริการ

    ขั้นตอนที่เหลือจะปรากฏในคอนโซล Google Cloud

  2. เลือกโปรเจ็กต์ที่อยู่ใน Google Cloud
  3. คลิกอีเมลของบัญชีบริการที่คุณต้องการสร้างคีย์
  4. คลิกแท็บคีย์
  5. คลิกเมนูแบบเลื่อนลงเพิ่มคีย์ แล้วเลือกสร้างคีย์ใหม่
  6. เลือก JSON เป็นประเภทคีย์ แล้วคลิกสร้าง

    ระบบจะสร้างคู่คีย์สาธารณะ/ส่วนตัวใหม่และดาวน์โหลดลงในเครื่องของคุณเป็นไฟล์คีย์บัญชีบริการ บันทึกไฟล์ JSON ที่ดาวน์โหลดเป็น credentials.json ในไดเรกทอรีการทำงาน ไฟล์นี้เป็นสำเนาเดียวของคีย์นี้ หลังจาก ดาวน์โหลดไฟล์คีย์แล้ว คุณจะดาวน์โหลดอีกครั้งไม่ได้ ดูข้อมูลเกี่ยวกับวิธีจัดเก็บคีย์อย่างปลอดภัยได้ที่แนวทางปฏิบัติแนะนำสำหรับการจัดการคีย์ของบัญชีบริการ

ดูข้อมูลเพิ่มเติมเกี่ยวกับบัญชีบริการได้ที่บัญชีบริการในเอกสารประกอบของ Google Cloud IAM

ติดตั้งใช้งานเอเจนต์ A2A

  1. หากยังไม่ได้ดำเนินการ ให้ตรวจสอบสิทธิ์ด้วยบัญชี Google Cloud และ กำหนดค่า Google Cloud CLI ให้ใช้โปรเจ็กต์ Google Cloud

    gcloud auth application-default login
gcloud config set project PROJECT_ID
gcloud auth application-default set-quota-project PROJECT_ID

    แทนที่ PROJECT_ID ด้วยรหัสโปรเจ็กต์ Cloud

  2. ดาวน์โหลดที่เก็บ GitHub ของตัวอย่าง ADK โดยใช้ปุ่มนี้

    ดาวน์โหลด adk-samples

  3. ในสภาพแวดล้อมการพัฒนาในเครื่องที่ต้องการ ให้แตกไฟล์ที่ดาวน์โหลดมา และเปิดไดเรกทอรี adk-samples/python/agents/llm-auditor

    unzip adk-samples-main.zip
cd adk-samples-main/python/agents/llm-auditor

  4. อัปเดตการติดตั้งใช้งานเพื่อติดตั้งใช้งาน Agent ของ ADK เป็น Agent ระยะไกลแบบ A2A

    1. pyproject.toml: เพิ่มทรัพยากร Dependency ของ ADK และ A2A SDK ในกลุ่มการติดตั้งใช้งาน

      apps-script/chat/a2a-ai-agent/llm-auditor/pyproject.toml
      [project]
name = "llm-auditor"
version = "0.1.0"
description = "The LLM Auditor evaluates LLM-generated answers, verifies actual accuracy using the web, and refines the response to ensure alignment with real-world knowledge."
authors = [
    { name = "Chun-Sung Ferng", email = "csferng@google.com" },
    { name = "Cyrus Rashtchian", email = "cyroid@google.com" },
    { name = "Da-Cheng Juan", email = "dacheng@google.com" },
    { name = "Ivan Kuznetsov", email = "ivanku@google.com" },
]
license = "Apache License 2.0"
readme = "README.md"

[tool.poetry.dependencies]
python = "^3.10"
google-adk = "^1.0.0"
google-cloud-aiplatform = { extras = [
    "adk",
    "agent-engines",
], version = "^1.93.0" }
google-genai = "^1.9.0"
pydantic = "^2.10.6"
python-dotenv = "^1.0.1"

[tool.poetry.group.dev]
optional = true

[tool.poetry.group.dev.dependencies]
google-adk = { version = "^1.0.0", extras = ["eval"] }
pytest = "^8.3.5"
pytest-asyncio = "^0.26.0"

[tool.poetry.group.deployment]
optional = true

[tool.poetry.group.deployment.dependencies]
absl-py = "^2.2.1"
google-adk = "^1.0.0"
a2a-sdk = "^0.3.0"

[build-system]
requires = ["poetry-core>=2.0.0,<3.0.0"]
build-backend = "poetry.core.masonry.api"

    2. deployment/deploy.py: แทนที่การติดตั้งใช้งานแอป ADK ด้วย Agent และการ์ด A2A

      apps-script/chat/a2a-ai-agent/llm-auditor/deployment/deploy.py
      # Copyright 2025 Google LLC
#
# Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
#     http://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.

"""Deployment script for LLM Auditor."""

import os

from absl import app
from absl import flags
from dotenv import load_dotenv
from llm_auditor.agent import root_agent
import vertexai
from vertexai import agent_engines

# A2A wrapping
from a2a.types import AgentSkill
from google.adk.a2a.executor.a2a_agent_executor import A2aAgentExecutor
from google.adk.runners import InMemoryRunner
from vertexai.preview.reasoning_engines.templates.a2a import create_agent_card
from vertexai.preview.reasoning_engines import A2aAgent

FLAGS = flags.FLAGS
flags.DEFINE_string("project_id", None, "GCP project ID.")
flags.DEFINE_string("location", None, "GCP location.")
flags.DEFINE_string("bucket", None, "GCP bucket.")
flags.DEFINE_string("resource_id", None, "ReasoningEngine resource ID.")

flags.DEFINE_bool("list", False, "List all agents.")
flags.DEFINE_bool("create", False, "Creates a new agent.")
flags.DEFINE_bool("delete", False, "Deletes an existing agent.")
flags.mark_bool_flags_as_mutual_exclusive(["create", "delete"])


def create() -> None:
    """Creates an agent engine for LLM Auditor."""
    agent_card = create_agent_card(
        agent_name=root_agent.name,
        description=root_agent.description,
        skills=[AgentSkill(
            id='audit_llm_output',
            name='Audit LLM Output',
            description='Critiques and revises outputs from large language models.',
            tags=['LLM', 'Audit', 'Revision'],
            examples=[
                'The earth is flat.',
                'The capital of France is Berlin.',
                'The last winner of the Super Bowl was the New England Patriots in 2020.',
            ],
        )]
    )
    a2a_agent = A2aAgent(
        agent_card=agent_card,
        agent_executor_builder=lambda: A2aAgentExecutor(
            runner=InMemoryRunner(
                app_name=root_agent.name,
                agent=root_agent,
            )
        )
    )
    a2a_agent.set_up()

    remote_agent = agent_engines.create(
        a2a_agent,
        display_name=root_agent.name,
        requirements=[
                "google-adk (>=0.0.2)",
                "google-cloud-aiplatform[agent_engines] (>=1.88.0,<2.0.0)",
                "google-genai (>=1.5.0,<2.0.0)",
                "pydantic (>=2.10.6,<3.0.0)",
                "absl-py (>=2.2.1,<3.0.0)",
                "a2a-sdk>=0.3.22",
                "uvicorn",
        ],
        # In-memory runner
        max_instances=1,
        env_vars ={
            "NUM_WORKERS": "1"
        },
        extra_packages=["./llm_auditor"],
    )
    print(f"Created remote agent: {remote_agent.resource_name}")


def delete(resource_id: str) -> None:
    remote_agent = agent_engines.get(resource_id)
    remote_agent.delete(force=True)
    print(f"Deleted remote agent: {resource_id}")


def list_agents() -> None:
    remote_agents = agent_engines.list()
    TEMPLATE = '''
{agent.name} ("{agent.display_name}")
- Create time: {agent.create_time}
- Update time: {agent.update_time}
'''
    remote_agents_string = '\n'.join(TEMPLATE.format(agent=agent) for agent in remote_agents)
    print(f"All remote agents:\n{remote_agents_string}")

def main(argv: list[str]) -> None:
    del argv  # unused
    load_dotenv()

    project_id = (
        FLAGS.project_id
        if FLAGS.project_id
        else os.getenv("GOOGLE_CLOUD_PROJECT")
    )
    location = (
        FLAGS.location if FLAGS.location else os.getenv("GOOGLE_CLOUD_LOCATION")
    )
    bucket = (
        FLAGS.bucket if FLAGS.bucket
        else os.getenv("GOOGLE_CLOUD_STORAGE_BUCKET")
    )

    print(f"PROJECT: {project_id}")
    print(f"LOCATION: {location}")
    print(f"BUCKET: {bucket}")

    if not project_id:
        print("Missing required environment variable: GOOGLE_CLOUD_PROJECT")
        return
    elif not location:
        print("Missing required environment variable: GOOGLE_CLOUD_LOCATION")
        return
    elif not bucket:
        print(
            "Missing required environment variable: GOOGLE_CLOUD_STORAGE_BUCKET"
        )
        return

    vertexai.init(
        project=project_id,
        location=location,
        staging_bucket=f"gs://{bucket}",
    )

    if FLAGS.list:
        list_agents()
    elif FLAGS.create:
        create()
    elif FLAGS.delete:
        if not FLAGS.resource_id:
            print("resource_id is required for delete")
            return
        delete(FLAGS.resource_id)
    else:
        print("Unknown command")


if __name__ == "__main__":
    app.run(main)

  5. สร้าง Bucket ของ Cloud Storage ใหม่สำหรับ Agent ประเภท ADK โดยเฉพาะ

    gcloud storage buckets create gs://CLOUD_STORAGE_BUCKET_NAME --project=PROJECT_ID --location=PROJECT_LOCATION

    แทนที่ค่าต่อไปนี้

    1. CLOUD_STORAGE_BUCKET_NAME โดยใช้ชื่อ Bucket ที่ไม่ซ้ำกันซึ่งคุณต้องการใช้
    2. PROJECT_ID ด้วยรหัสโปรเจ็กต์ Cloud
    3. PROJECT_LOCATION ที่มีตำแหน่งของโปรเจ็กต์ Cloud

  6. ตั้งค่าตัวแปรสภาพแวดล้อมต่อไปนี้

    export GOOGLE_GENAI_USE_VERTEXAI=true
export GOOGLE_CLOUD_PROJECT=PROJECT_ID
export GOOGLE_CLOUD_LOCATION=PROJECT_LOCATION
export GOOGLE_CLOUD_STORAGE_BUCKET=CLOUD_STORAGE_BUCKET_NAME

    แทนที่ค่าต่อไปนี้

    1. CLOUD_STORAGE_BUCKET_NAME โดยใช้ชื่อที่เก็บข้อมูลที่คุณสร้าง
    2. PROJECT_ID ด้วยรหัสโปรเจ็กต์ Cloud
    3. PROJECT_LOCATION ที่มีตำแหน่งของ โปรเจ็กต์ Cloud

  7. ติดตั้งและทําให้ Agent ประเภท ADK ใช้งานได้จากสภาพแวดล้อมเสมือน

    python3 -m venv myenv
source myenv/bin/activate
poetry install --with deployment
python3 deployment/deploy.py --create

  8. ดึงข้อมูลรหัสตัวแทน คุณจะต้องใช้รหัสนี้ในภายหลังเมื่อกำหนดค่า แอป Chat

    python3 deployment/deploy.py --list

สร้างและกำหนดค่าโปรเจ็กต์แอป Chat

  1. คลิกปุ่มต่อไปนี้เพื่อเปิดโปรเจ็กต์ Apps Script ของ A2A AI Agent Quickstart

    เปิดโปรเจ็กต์

  2. คลิก ภาพรวม > ไอคอนสำหรับการทำสำเนา ทำสำเนา

  3. ในโปรเจ็กต์ Apps Script ให้ คลิกไอคอนสำหรับการตั้งค่าโปรเจ็กต์ การตั้งค่าโปรเจ็กต์ > แก้ไขพร็อพเพอร์ตี้สคริปต์ > เพิ่มพร็อพเพอร์ตี้สคริปต์ เพื่อเพิ่มพร็อพเพอร์ตี้สคริปต์ต่อไปนี้

    1. REASONING_ENGINE_RESOURCE_NAME โดยใช้ชื่อทรัพยากรของเอเจนต์ Vertex AI ที่คัดลอกไว้ในขั้นตอนก่อนหน้า
    2. SERVICE_ACCOUNT_KEY โดยใช้คีย์ JSON จากบัญชีบริการ ที่ดาวน์โหลดในขั้นตอนก่อนหน้า เช่น { ... }

  4. คลิกบันทึกพร็อพเพอร์ตี้ของสคริปต์

  5. ใน Google API Console ให้ไปที่เมนู > IAM และผู้ดูแลระบบ > การตั้งค่า

    ไปที่การตั้งค่า IAM และผู้ดูแลระบบ

  6. คัดลอกค่าในช่องหมายเลขโปรเจ็กต์

  7. ในโปรเจ็กต์ Apps Script ให้ คลิก ไอคอนสำหรับการตั้งค่าโปรเจ็กต์ การตั้งค่าโปรเจ็กต์

  8. ในส่วนโปรเจ็กต์ Google Cloud Platform (GCP) ให้คลิกเปลี่ยนโปรเจ็กต์

  9. ในหมายเลขโปรเจ็กต์ GCP ให้วางหมายเลขโปรเจ็กต์ Google Cloud ที่คัดลอกไว้ใน ขั้นตอนก่อนหน้า

  10. คลิกตั้งค่าโปรเจ็กต์ ตอนนี้โปรเจ็กต์ระบบคลาวด์และโปรเจ็กต์ Apps Script เชื่อมต่อกันแล้ว

สร้างการทดสอบการติดตั้งใช้งาน

คุณต้องมีรหัสการทําให้ใช้งานได้สําหรับโปรเจ็กต์ Apps Script นี้ เพื่อให้ คุณใช้รหัสดังกล่าวในขั้นตอนถัดไปได้

หากต้องการรับรหัสการทำให้ใช้งานได้ของเวอร์ชันล่าสุด ให้ทำดังนี้

  1. ในโปรเจ็กต์ Apps Script ของแอป Chat ให้คลิกทําให้ใช้งานได้ > ทดสอบการทําให้ใช้งานได้
  2. ในส่วนรหัสการทำให้ใช้งานได้ของเวอร์ชันล่าสุด ให้คลิก ไอคอนสำหรับการทำสำเนา คัดลอก
  3. คลิกเสร็จสิ้น

กำหนดค่าแอป Chat

ใช้การติดตั้งใช้งาน Apps Script แล้วทำตามขั้นตอนต่อไปนี้เพื่อติดตั้งใช้งาน แอป Google Chat สำหรับการทดสอบ

  1. ใน API Console ให้ค้นหา Google Chat API แล้วคลิก Google Chat API
  2. คลิกจัดการ

  3. คลิกการกำหนดค่า แล้วตั้งค่าแอป Chat ดังนี้

    1. ในช่องชื่อแอป ให้ป้อน A2A Quickstart
    2. ในช่อง URL อวตาร ให้ป้อน https://developers.google.com/workspace/add-ons/images/quickstart-app-avatar.png
    3. ในช่องคำอธิบาย ให้ป้อน A2A Quickstart
    4. ในส่วนฟังก์ชันการทำงาน ให้เลือกเข้าร่วมพื้นที่ทำงานและการสนทนากลุ่ม
    5. ในส่วนการตั้งค่าการเชื่อมต่อ ให้เลือกโปรเจ็กต์ Apps Script
    6. ในช่องรหัสการทำให้ใช้งานได้ ให้วางรหัสการทำให้ใช้งานได้ของ Head ที่คุณ คัดลอกไว้ก่อนหน้านี้
    7. ในส่วนระดับการแชร์ ให้เลือกบุคคลและกลุ่มที่เฉพาะเจาะจงในโดเมน แล้วป้อนอีเมล

  4. คลิกบันทึก

แอป Chat พร้อมตอบกลับข้อความแล้ว

ทดสอบแอป Chat

หากต้องการทดสอบแอป Chat ให้เปิดพื้นที่ข้อความส่วนตัวด้วย แอป Chat แล้วส่งข้อความโดยทำดังนี้

  1. เปิด Google Chat โดยใช้บัญชี Google Workspace ที่คุณ ระบุเมื่อเพิ่มตัวเองเป็นผู้ทดสอบที่เชื่อถือได้

    ไปที่ Google Chat

  2. คลิก แชทใหม่
  3. ในช่องเพิ่มบุคคลอย่างน้อย 1 คน ให้พิมพ์ชื่อแอป Chat

  4. เลือกแอป Chat จากผลการค้นหา ข้อความส่วนตัวจะเปิดขึ้น

  5. ในข้อความส่วนตัวใหม่กับแอป ให้พิมพ์ The Eiffel Tower was completed in 1900 แล้วกดenter

    แอปแชทจะตอบกลับด้วยคำตอบของ Agent ย่อย Critic และ Reviser

หากต้องการเพิ่มผู้ทดสอบที่เชื่อถือได้และดูข้อมูลเพิ่มเติมเกี่ยวกับการทดสอบฟีเจอร์แบบอินเทอร์แอกทีฟ โปรดดูทดสอบฟีเจอร์แบบอินเทอร์แอกทีฟสำหรับแอป Google Chat

แก้ปัญหา

เมื่อแอป Google Chat หรือการ์ดแสดงข้อผิดพลาด อินเทอร์เฟซของ Chat จะแสดงข้อความว่า "เกิดข้อผิดพลาด" หรือ "ดำเนินการตามคำขอของคุณไม่ได้" บางครั้ง UI ของ Chat จะไม่แสดงข้อความแสดงข้อผิดพลาดใดๆ แต่แอปหรือการ์ด Chat อาจแสดงผลลัพธ์ที่ไม่คาดคิด เช่น ข้อความในการ์ดอาจไม่ปรากฏ

แม้ว่าข้อความแสดงข้อผิดพลาดอาจไม่แสดงใน UI ของ Chat แต่ข้อความแสดงข้อผิดพลาดและข้อมูลบันทึกที่อธิบายไว้จะช่วยคุณแก้ไขข้อผิดพลาดได้เมื่อเปิดการบันทึกข้อผิดพลาดสำหรับแอป Chat หากต้องการความช่วยเหลือในการดู การแก้ไขข้อบกพร่อง และการแก้ไขข้อผิดพลาด โปรดดู แก้ปัญหาและแก้ไขข้อผิดพลาดของ Google Chat

ล้างข้อมูล

เราขอแนะนำให้คุณลบโปรเจ็กต์ Cloud เพื่อหลีกเลี่ยงการเรียกเก็บเงินจากบัญชี Google Cloud สำหรับทรัพยากรที่ใช้ในบทแนะนำนี้

  1. ในคอนโซล Google API ให้ไปที่หน้าจัดการทรัพยากร คลิก เมนู > IAM และผู้ดูแลระบบ > จัดการทรัพยากร

    ไปที่เครื่องมือจัดการทรัพยากร

  2. ในรายการโปรเจ็กต์ ให้เลือกโปรเจ็กต์ที่ต้องการลบ แล้วคลิก ลบ
  3. ในกล่องโต้ตอบ ให้พิมพ์รหัสโปรเจ็กต์ แล้วคลิกปิดเพื่อลบ โปรเจ็กต์