Building your first production AI agent: Google ADK, RAG and MCP — and when a person must sign off
Google ADK conducts, RAG remembers, MCP acts — and a person signs off on anything that cannot be undone. Our notes from Dr Yu Yong Poh’s free AITraining2U webinar, with a live agent that settles a sales commission dispute.
- Talk
- Building Your First Production AI Agent (Google ADK, RAG, MCP)
- Speaker
- Dr Yu Yong Poh — Deputy Director of CBIEV at TAR UMT, former head of the data science laboratory at a public listed bank
- Host
- Warren, founder of AITraining2U
- Bila
- Thursday 29 October 2026, 9 pm Malaysia time. Billed as 90 minutes; it ran about 1 hour 45 minutes
- Ke mana
- Online, one of AITraining2U’s free Thursday webinars
- Material
- 39 slides, a “practical field guide” in the speaker’s AI Forward Deployed Engineer series, and a live demo in a Python notebook
Building Your First Production AI Agent was a free Thursday-night webinar by AITraining2U on 29 October 2026, given by Dr Yu Yong Poh and hosted by the company’s founder, Warren. It was the speaker’s second session in the series this month. The first, on 8 October, was about the job of a forward deployed engineer — the engineer who works inside a client’s company and connects AI to its real systems. This one showed how to build the agent itself, with three tools that keep coming up together: Google’s Agent Development Kit (ADK), retrieval-augmented generation (RAG) and the Model Context Protocol (MCP).
The infographic puts the whole talk on one page. The sections after it go through each part with the speaker’s own examples.
Istilah yang digunakan dalam bahagian ini
- AI agent
- An AI system that does not only answer, but plans steps, calls tools and changes data to finish a task.
- Orchestrator
- The part that manages an agent’s work: it splits a task into steps and gives each step to the right specialist agent.
- Google ADK
- Google’s Agent Development Kit, an open-source framework for building, testing and running agents in code.
- RAG
- Retrieval-augmented generation: find the relevant passages in your own documents first, then let the model answer from them.
- MCP
- The Model Context Protocol, an open standard created by Anthropic that gives AI models one common way to find and use outside tools and data.
- Vector database
- A database that stores text as lists of numbers, so it can find passages by meaning rather than by exact words. ChromaDB is a common one.
- Human in the loop
- A design in which a person must approve certain actions before the agent may carry them out.
Who is Dr Yu Yong Poh?
Dr Yu Yong Poh is Deputy Director of CBIEV at Tunku Abdul Rahman University of Management and Technology (TAR UMT), where the work is linking the university with industry and turning research into commercial projects. By the slides’ account, the speaker previously headed the data science laboratory at a public listed bank, put more than 100 machine learning models into live banking systems, designed a large all-in-one recommender system and managed prediction models behind more than RM1 billion in revenue.
The talk was meant to be practical rather than academic. Industry, the speaker said, cares less about theory than about whether a solution solves the client’s problem.
The 90-minute plan
The speaker opened with a show of hands. Quite a few people had heard of Google ADK, and slightly more of RAG. The harder question came next: had anyone deployed more than 100 agents in a single system?
Start with the problem, not the model
On the slides, the job of a forward deployed engineer is “production wiring”, not model training: connecting frontier models to real databases, APIs and business rules, removing surprises with fixed boundaries, and measuring value in production rather than on benchmarks. The engineer, the speaker said, is close to a consultant who stays with the client and follows the client’s pace, needs and pain points — not the other way round.
“My philosophy is that if you can use the simple solution, I always use that simple solution.”
If an equation is enough, there is no need for deep learning; if a script is enough, there is no need for an agent. So the first question to a client is which part of the work is repetitive, because that is what automation is for.
The running example came from a common kind of request: sales staff disputing their monthly commission. When such complaints were traced, the speaker said, the root cause was often not a wrong calculation but timing. The rate was right, but the system did not yet show it because of a time stamp. Only once the pain point and its cause are clear does it make sense to design agents for it.
Why does an AI agent need special plumbing?
The slides picture a large language model as a very clever child in a room with no windows. The child learned language, logic and a great many facts before the door closed, but cannot see today’s weather, a live sensor value or the company’s private folders. Ask for a customer’s file and the child can only guess.
Pasting everything into the prompt is not the answer. Even the largest models read only about one to two million tokens at once, in the speaker’s words, and an AI given too much at once starts to forget — like a person asked to read a thousand books in one minute. The child needs two things passed under the door: the right pages, and a way to reach the outside world. Those are RAG and MCP.
The orchestrator — Google ADK
Manages the conversation, plans the steps, hands each sub-task to a specialist agent and checks the result.
The memory — enterprise RAG
Finds the few pages of company documents that answer this question, so the model reads facts instead of guessing.
The hands — MCP
One standard connector from the agent to databases, ERP and payroll systems, so no tool needs its own glue code.
What is RAG? The library and the librarian
RAG (retrieval-augmented generation) lets an AI model answer from your own documents. It searches them first, then hands the most relevant passages to the model together with the question, so the answer rests on facts the model was never trained on — and can cite them.
In the speaker’s picture, it works like a library with a good librarian. The library holds millions of company documents that the AI never memorises. When a question arrives, the librarian uses the catalogue to find the few pages that matter and slides them under the door, and the child answers from those fresh pages.
Under the hood, the documents are cut into chunks and each chunk is turned into a vector — a list of numbers that captures its meaning. The question becomes a vector too, at the moment it is asked. Vectors that point the same way are similar: the angle between them is close to zero and its cosine close to one, which the speaker tied back to school mathematics. The most similar chunks go to the model, which writes the answer. A common free vector database for this is ChromaDB.
What is MCP? One plug for every tool
MCP (the Model Context Protocol) is an open standard, released by Anthropic in November 2024, that gives AI models one common way to find and use outside tools and data — databases, files and business systems. An agent that speaks MCP can use any tool that offers an MCP server, without custom code for each.
Databases, cloud drives and factory machines all speak their own protocols; the slides call it the Tower of Babel problem. The Model Context Protocol gives every tool the same connector, the way USB-C gives every device one plug. It was created by Anthropic and is now used across the industry, so an agent can talk to PostgreSQL, Slack or a factory machine without custom glue code for each one.
.jpg){kind=link}
RAG vs MCP: what is the difference?
RAG and MCP do different jobs and are usually used together. RAG is a knowledge system: it finds the right passage in your documents. MCP is an action system: it connects the agent to software that can look things up or change them. Both, the speaker said, are about efficiency and cost: RAG avoids stuffing everything into the prompt, and MCP avoids writing and maintaining a different connector for every tool.
RAG — the librarian
A knowledge system
- Mencari halaman yang betul supaya AI boleh membacanya
- Menyelesaikan pengetahuan lapuk: model tidak pernah melihat dokumen peribadi anda
- Berfungsi mengikut cebisan, vektor dan carian kesamaan
- Menjawab dengan sumber yang boleh anda semak
MCP — palam universal
Sistem tindakan
- Menyambungkan AI kepada perisian luar dengan selamat
- Menyelesaikan masalah penyambung: satu piawaian untuk setiap alat
- Berfungsi sebagai hos, klien dan pelayan, melalui JSON-RPC
- Boleh membaca data atau mengatur tindakan, bukan hanya bercakap
Ditanya dalam sembang bagaimana MCP berbeza daripada API biasa, penceramah menjelaskan bahawa API boleh menjadi salah satu alat di belakang pelayan MCP. MCP ialah cara standard untuk ejen mencari alat itu dan memanggilnya.
When should you use MCP — and when not?
Sudut Pemikiran pertama bertanya dengan tepat ini. Kebanyakan masa, tambah penceramah, skrip kendiri yang ringkas tidak memerlukan MCP sama sekali.
Gunakan MCP apabila…
- Banyak pasukan berkongsi banyak alat di seluruh syarikat
- Pelayan alat yang sama mesti berfungsi dengan beberapa klien AI — Gemini, Claude, editor kod
- Alat mesti ditambah atau ditukar tanpa menggunakan semula ejen
Langkau MCP apabila…
- Satu fungsi Python yang ringkas dan kendiri melakukan tugas itu
- Gelung memerlukan kelajuan sub-milisaat
- Anda tidak boleh mengehadkan setiap alat kepada kebenaran terkecil yang diperlukan
What is Google ADK? The conductor
Google ADK (Agent Development Kit) ialah rangka kerja sumber terbuka Google untuk membina, menguji dan menggunakan ejen AI dalam kod. Dalam ejen pengeluaran ia adalah orkestrator: ia mengekalkan keadaan perbualan, memanggil model, menjalankan langkah-langkah dan menyerahkan setiap satu kepada alat atau ejen pakar yang betul.
Penceramah berhati-hati untuk mengatakan bahawa menggunakan Google ADK dalam ceramah itu bukanlah dakwaan bahawa ia adalah kit terbaik: ia biasa di Malaysia dan mudah untuk dimulakan. Alternatif berbayar, tanpa kod termasuk Microsoft Copilot Studio dan Gemini Enterprise, dan China mempunyai setara sendiri.
Masa jalan ejen
Mengekalkan keadaan gesaan, memanggil model dan menjalankan gelung langkah.
Penyimpanan artifak
Menyimpan fail, imej dan set data yang diperlukan atau dicipta oleh ejen, di luar gesaan.
Hab alat
Satu tempat untuk mendaftar fungsi, API dan pelayan MCP yang mungkin digunakan oleh ejen.
Sistem ejen memerlukan pengurus, sama seperti pasukan manusia. Dalam ADK itu adalah orkestrator: ejen penyelia yang menerima permintaan, membahagikannya kepada langkah-langkah dan memberikan setiap langkah kepada pakar sempit — seorang pekerja yang mencari perpustakaan dasar, seorang lagi yang membaca lejar atau data sensor. Setiap pekerja hanya melihat input untuk sub-tugasnya sendiri, yang mengekalkan gesaan pendek dan kos rendah, dan ejen pengesah menyemak kerja orang lain.
Slaid menawarkan dua cara untuk mengatur ejen, dan mengesyorkan yang pertama untuk perbankan dan kerja terkawal lain.
Penyelia hierarki
Boleh diramal — disyorkan untuk perbankan dan kerja terkawal
- Ejen induk bertindak sebagai konduktor
- Ia memberikan setiap tugas sempit kepada ejen pakar
- Pekerja hanya melihat input untuk tugas mereka sendiri, jadi gesaan kekal pendek
- Lebih mudah untuk menguji, mengaudit dan memainkan semula
Kawanan rakan sebaya
Kolaboratif — sesuai untuk penerokaan dan penyelidikan terbuka
- Ejen menyerahkan kerja antara satu sama lain
- Isyarat dalam tugas menentukan ejen mana yang seterusnya
- Lebih banyak ruang untuk sumbang saran
- Lebih sukar untuk meramal dan menyahpepijat
Dalam soalan, seorang peserta bertanya bagaimana ADK berkaitan dengan Google Antigravity, dan penceramah bersetuju dengan jawapan yang diberikan dalam sembang: Antigravity ialah editor kod, dibina di atas Visual Studio Code, untuk membina keseluruhan aplikasi dari depan ke belakang, manakala ADK ialah rangka kerja untuk mereka bentuk ejen itu sendiri. LangGraph ialah rangka kerja ejen lain, sumber terbuka dan tidak terikat dengan Google.
One mega-prompt or many agents?
Penceramah membandingkan ejen dengan kakitangan. Mengambil terlalu ramai dan sumber terbuang; berikan seorang semua kerja, dengan sejam arahan, dan langkah-langkah dilangkau. Ejen AI berkelakuan sama: ejen yang terlebih beban mula melangkau arahan — sesuatu yang penceramah katakan pasukan telah alami pada hari itu ketika cuba menjimatkan kos dengan ejen yang lebih sedikit.
- ~20Alat dalam satu mega-gesaanMudah dibina dan ringan untuk dijalankan
- 8–10Alat di mana ralat meningkatSelepas ini, halusinasi melonjak, kata slaid
- 2–3Alat untuk setiap pakarApa yang harus dibawa oleh pekerja penyelia
- 5+Alat: masa untuk berpecahAtau sebaik sahaja alat memerlukan keselamatan yang berbeza
Tiada jawapan yang betul tunggal, penceramah menekankan. Reka bentuk untuk hasil, dan ukurnya.
Why does simple RAG fail in production?
RAG ringkas — cebisan, vektor dan satu carian kesamaan — cukup untuk demo, tetapi di dalam syarikat ia rosak dalam empat cara: cebisan kehilangan konteksnya, kod tepat terlepas, dasar lama kembali, dan model menjawab walaupun dari teks yang tidak relevan. Slaid menyenaraikannya seperti ini.
| Kecacatan | Apa yang salah |
|---|---|
| Putus sambungan cebisan | Pembahagian memotong jadual daripada definisi yang menjelaskannya |
| Buta kata kunci | Carian kesamaan terlepas nombor model dan kod pelanggan yang tepat |
| Kekaburan kebaharuan | Indeks tidak tahu versi dasar mana yang terbaru |
| Penerimaan pasif | Model menulis jawapan walaupun teks yang diambil tidak relevan |
Ambang membantu dengan yang terakhir. Walaupun padanan teratas mungkin lemah, jadi cebisan di bawah skor kesamaan minimum tidak boleh digunakan sama sekali. Penceramah menyebut 0.7 atau 0.8, dan mengakui bahawa had tepat adalah sebahagiannya soalan akademik. Selebihnya pembetulan adalah saluran paip empat peringkat.
Saluran paip RAG pengeluaran empat peringkat
- Pengembangan pertanyaan: ejen menulis semula satu soalan menjadi beberapa versi carian
- setiap versi dicariPengambilan hibrid: carian vektor untuk makna, ditambah carian kata kunci BM25 untuk perkataan tepat
- 50 hasil teratas masukPenyusunan semula penyandi silang: hanya 5 perenggan terbaik disimpan
- 5 terbaik pergi ke modelPemeriksaan asas: jawapan mesti memetik sumber yang digunakannya
RAG or fine-tuning: which should you use?
Gunakan RAG untuk pengetahuan yang berubah atau mesti dipetik, dan penalaan halus untuk tingkah laku: sintaks khas, nada tetap atau format output tetap. Penalaan halus melatih semula sebahagian daripada model — biasanya lapisan luarnya — pada contoh syarikat sendiri. Untuk pengetahuan, itu biasanya alat yang salah: dokumen yang berubah setiap hari tergolong dalam RAG. Contoh penceramah di mana penalaan halus memang berbaloi adalah kod. Syarikat telekomunikasi dan bank menulis SQL dalam gaya mereka sendiri, dan ejen yang mesti menulis dan menjalankan pertanyaan sedemikian dengan pasti mungkin perlu mempelajari gaya itu.
RAG adalah satu kemestian apabila…
Data berubah
- Dokumen berubah setiap hari, setiap jam atau dengan setiap transaksi
- Anda memerlukan petikan tepat, nombor baris atau bukti sumber
- Akses kepada dokumen mesti dialih keluar serta-merta
Penalaan halus menang apabila…
Tingkah laku mesti berubah
- Model mesti mempelajari sintaks khas, seperti bahasa tersuai atau skema SCADA
- Setiap jawapan memerlukan nada tetap atau bentuk JSON
- Jutaan panggilan berulang menjadikan gesaan panjang terlalu mahal
How MCP works: host, client and server
Host
Masa jalan Google ADK. Ia menjalankan perbualan, memanggil model dan menggunakan peraturan keselamatan pengguna.
Klien
Penyesuai yang mengekalkan satu sambungan ke setiap pelayan, melalui input dan output standard atau acara yang dihantar pelayan yang selamat.
Pelayan
Program kecil yang mendedahkan alat, aliran data dan templat gesaan — contohnya, lejar perbankan teras.
Mesej MCP menggunakan piawaian JSON-RPC. Dengan pustaka FastMCP, alat mengambil kira-kira sepuluh baris Python: docstring dan petunjuk jenis fungsi menjadi penerangan dan skema yang diterbitkan alat, dan argumen yang dihantar model disemak terhadap skema itu sebelum ia mencapai logik perniagaan. Nasihat penceramah adalah untuk menjalankan pelayan MCP di dalam bekas.
The risks of MCP
MCP memudahkan alat untuk dipasang — termasuk yang salah. Pada slaid, pembayangan alat ditandakan sebagai risiko paling serius.
| Risiko | Apa yang boleh berlaku | Pertahanan |
|---|---|---|
| Pembayangan alat | Pelayan berbahaya mengambil alih nama alat yang dipercayai, atau menukar keterangannya selepas permulaan | Sematkan setiap skema alat dengan hash kandungan |
| Token yang terlebih kebenaran | Kunci API yang luas dan kekal membolehkan ejen melihat lebih banyak daripada yang dibenarkan oleh pengguna — malah data pelanggan lain | Token OAuth jangka pendek, terhad kepada rekod yang ada |
| Suntikan gesaan | Teks yang diambil membawa arahan yang cuba mengarahkan ejen | Model kedua menyaring teks yang diambil sebelum ejen utama membacanya |
| Kod tidak dipercayai | Pelayan alat berkelakuan tidak wajar pada mesin yang dijalankannya | Jalankan setiap pelayan MCP dalam kotak pasir mikro-VM jangka pendek seperti gVisor |
The live demo: an agent that settles a commission dispute
Kes demo adalah syarikat runcit yang kakitangan jualannya sering mempertikaikan komisen bulanan mereka — mengenai pulangan pelanggan, bonus tambahan (“spiffs”) dan peringkat kuota. Data yang diperlukan untuk menyelesaikan pertikaian terletak di tiga tempat: lejar tempat jualan, helaian gaji HR dan peraturan komisen undang-undang. Jadi ejen menggabungkan alat MCP untuk data ERP dengan perpustakaan RAG dasar komisen, di bawah penyelia Google ADK.
Dua alat MCP membawa reka bentuk tersebut. Alat baca mengambil log jualan bulanan wakil. Alat tindakan hanya boleh mengatur pelarasan gaji sebagai draf yang mesti diluluskan oleh pengurus; ia tidak boleh membayar sesiapa. Pada slaid, perpustakaan dasar memegang tangga bonus (4% daripada jualan melebihi $50,000 dan 6% melebihi $80,000), peraturan pulangan 30 hari dalam klausa 3.4, dan bonus promosi hujung minggu pada beberapa elektronik.
Demo pada slaid: satu pertikaian komisen, langkah demi langkah
- Tiket: seorang wakil jualan mengatakan kuota telah dicapai, dan bertanya mengapa pembayaran Oktober adalah $450 di bawah kiraan wakil itu sendiri
- fakta dahuluBaca MCP: ejen mengambil log jualan Oktober wakil — $52,400 dalam jualan kasar dan $3,200 pulangan balik
- kemudian peraturanCarian RAG: perpustakaan dasar mengembalikan klausa 3.4 — komisen dibayar bersih daripada pulangan dalam tempoh 30 hari
- kemudian apa-apa yang terlepasAudit: ejen juga menemui bonus promosi $75 yang tidak pernah dibayar
- ia mencadangkan; ia tidak membayarTindakan MCP: ia mengatur kredit $75 sebagai tiket draf, dengan pengiraan dan petikan dasar dilampirkan
- seseorang memutuskanPengesahan: wakil mendapat penjelasan terperinci; pengurus HR meluluskan dalam satu klik dan lejar ERP dikemas kini
Dalam pelaksanaan langsung, penceramah membuka buku nota Google Colab, yang dikongsi dengan peserta, yang membina keseluruhan saluran paip langkah demi langkah. Ia memasang Gemini SDK dan ChromaDB; menyediakan pelayan gaya MCP kecil dengan tiga alat — membaca lejar jualan, mencari bonus promosi yang belum dibayar, dan mengatur pelarasan komisen yang menunggu HR; memuatkan enam klausa dasar ke dalam perpustakaan ChromaDB; dan memberikan Gemini alat dan kaedah audit untuk diikuti.
Wakil sampelnya, Alex Chen, menulis bahawa pembayaran Oktober adalah $2,095, bukan $2,620 yang sepatutnya diberikan oleh 5% daripada $52,400: jurang $525. Ejen membaca lejar, mencari dasar dan memeriksa sistem promosi. Televisyen $10,500 telah dipulangkan selepas 14 hari, jadi di bawah klausa 3.4 komisen $525 ke atasnya telah ditarik balik. Pembayaran adalah betul, dan tiada pelarasan diatur. Sekiranya wakil masih tidak bersetuju, kes itu akan pergi ke barisan kelulusan pengurus.
Dasar sampel buku nota itu sendiri sedikit berbeza daripada slaid: komisen asas 5%, 7% melebihi $80,000 dalam sebulan, penarikan balik 30 hari, tiada penarikan balik untuk pulangan lewat atau penarikan balik waranti, bonus promosi diaudit secara berasingan, dan sebarang pertikaian melebihi $100 disemak silang sebelum HR mengesahkan.
Slaid meletakkan hasilnya pada pengurangan 85% dalam masa untuk menyelesaikan pertikaian komisen — daripada lima hari bekerja menjejaki hamparan kepada 90 saat. Penceramah meminta penonton untuk tidak memetik angka itu: ia adalah contoh, bukan hasil yang diukur.
Reka bentuk yang sama meluas kepada penjagaan pelanggan. MCP menghubungkan ejen kepada Shopify dan penjejakan kurier, RAG menyemak sama ada pulangan dibenarkan untuk item, keadaan dan tarikh pembelian itu, dan ejen boleh mengeluarkan label pulangan QR dalam had nilai yang telah diluluskan. Susunan lengkap pada slaid mempunyai empat lapisan: portal kakitangan atau sembang mudah alih, enjin Google ADK, perpustakaan RAG dasar, dan pelayan FastMCP yang disambungkan kepada sistem tempat jualan, ERP dan gaji.
When does an AI agent need human approval? Three tiers
Ejen AI memerlukan kelulusan seseorang untuk sebarang tindakan yang tidak boleh dibatalkan — membekukan akaun, menarik balik gaji, menghentikan mesin. Kerja baca sahaja boleh berjalan sendiri, dan perubahan kecil yang boleh diterbalikkan boleh berjalan dengan pembatalan segera. Slaid menetapkan ini sebagai tiga peringkat dalam Sudut Pemikiran kelima.
| Peringkat | Jenis tindakan | Contoh pada slaid | Bagaimana ia berjalan |
|---|---|---|---|
| 1 · Autonomi penuh | Baca sahaja dan risiko rendah | Pertanyaan, laporan, bacaan sensor dan draf | Pada kelajuan penuh, tanpa langkah manusia |
| 2 · Bersyarat dan boleh diterbalikkan | Pelarasan terkawal | Menggerakkan injap penyejuk sehingga 5%; mengantre pesanan kerja tidak mendesak di bawah $500 | Secara automatik, dengan pembatalan segera |
| 3 · Gerbang manusia mandatori | Tindakan yang tidak boleh dibatalkan | Membekukan akaun bank, penarikan balik gaji, mematikan barisan mesin | Ejen hanya mengesyorkan; seseorang mesti mengklik lulus |
Orang yang meluluskan mesti mempunyai kuasa untuk berbuat demikian, kata penceramah — seorang pengurus, bukan sesiapa sahaja yang kebetulan paling dekat — yang juga menjadikan seseorang bertanggungjawab atas keputusan itu.
Security and operations
Pastikan ejen selamat
Sifar kepercayaan
- Pelayan MCP berjalan dalam kotak pasir gVisor jangka pendek
- Alat mendapat token OAuth jangka pendek yang terhad kepada ID rekod tertentu
- Model kedua menyaring teks yang diambil untuk suntikan gesaan
Pastikan ia berjalan
Kebolehlihatan
- Jejak OpenTelemetry merekodkan token, masa tindak balas dan setiap perjalanan pergi balik MCP
- Penilaian malam menilai ingatan konteks dan kesetiaan, untuk menangkap hanyutan dan halusinasi
- Had masa nyata menghentikan gelung ejen yang tidak terkawal daripada menghabiskan belanjawan API
Penceramah bergurau bahawa syarikat AI mungkin tidak lama lagi memerlukan pengurus keselamatan hanya untuk memerhatikan semua pelayan mereka, dan menyatakan apa yang telah ditinggalkan oleh ceramah itu: penggunaan, bekas dan penyelenggaraan. Banyak pepijat, penceramah memberi amaran, hanya muncul selepas keluaran, apabila ramai orang menggunakan sistem itu sekaligus.
Production AI agent checklist: five checks before launch
Sebelum ejen beroperasi, slaid meminta lima perkara: skema alat yang ketat, pengambilan hibrid, had kelulusan manusia, telemetri yang merekodkan setiap panggilan, dan sandaran selamat apabila alat gagal.
Skema alat yang disahkan
Setiap alat MCP mempunyai model Pydantic yang ketat dan docstring yang tidak kosong.
Pengambilan hibrid
Carian vektor dipasangkan dengan carian kata kunci BM25 dan peringkat penyusunan semula pengekod silang.
Had manusia dalam gelung
Sebarang penulisan di atas had wang atau keselamatan menunggu seseorang untuk meluluskannya.
Telemetri dihidupkan
Pengumpul OpenTelemetry mencatat setiap token, masa tindak balas dan kod keluar alat.
Sandaran yang anggun
Apabila pelayan alat tamat masa, penyelia mengembalikan mesej ralat yang selamat dan disediakan dan bukannya meneka.
Thinking Corners: five questions to argue about
Setiap modul berakhir dengan soalan untuk penonton. Ini adalah jawapan slaid, secara ringkas.
| Soalan | Jawapan pada slaid |
|---|---|
| Bilakah anda patut — dan bilakah anda tidak patut — menggunakan MCP? | Gunakannya untuk banyak alat yang dikongsi merentasi pasukan dan klien AI, dan untuk alat yang berubah tanpa penggunaan semula. Langkau untuk satu fungsi mudah, untuk gelung sub-milisaat, atau apabila alat tidak boleh dipegang pada keistimewaan paling rendah |
| One mega-prompt or many agents? | Satu gesaan lebih mudah, tetapi ralat meningkat melebihi kira-kira 8 hingga 10 alat. Bahagikan kepada penyelia dan pakar apabila terdapat lebih daripada lima alat atau keperluan keselamatan yang berbeza |
| Bilakah penalaan halus mengalahkan RAG? | Untuk sintaks khas, nada tetap atau bentuk output, dan mengurangkan kos gesaan melebihi berjuta-juta panggilan. Untuk dokumen yang berubah, petikan tepat atau akses yang boleh ditarik balik, gunakan RAG |
| Apakah sisi gelap MCP? | Pembayangan alat, token yang terlebih kebenaran dan suntikan. Sematkan skema dengan hash, gunakan token skop jangka pendek dan kotak pasir pelayan |
| Autonomi penuh atau pengesahan manusia? | Susun tindakan kepada tiga peringkat mengikut risiko. Apa-apa yang tidak boleh dibatalkan memerlukan seseorang untuk meluluskannya |
Questions from the audience
- Adakah MCP sama dengan API? Tidak. API boleh menjadi salah satu alat di belakang pelayan MCP; MCP adalah piawaian yang digunakan ejen untuk mencari dan memanggilnya.
- Adakah vektor diusahakan apabila soalan ditanya? Vektor soalan adalah, pada masa itu. Segmen dokumen ditukar menjadi vektor terlebih dahulu dan disimpan dalam pangkalan data vektor.
- Apakah perbezaan antara Google ADK dan LangGraph? Kedua-duanya adalah untuk membina ejen. ADK datang dari Google dan sesuai dengan alat Google; LangGraph adalah sumber terbuka dan tidak bergantung pada Google.
- Bolehkah seseorang yang tidak fasih dalam Python mengikuti kejuruteraan AI? Jawapan hos: anda perlu dapat membaca kod, walaupun AI menulis kebanyakan daripadanya. Orang bukan teknikal diarahkan ke kursus tanpa kod sebaliknya.
AITraining2U menjalankan webinar ini secara percuma setiap Khamis malam; yang seterusnya adalah mengenai membina aplikasi perniagaan dengan AI. Hos juga menyebut kursus kejuruteraan AI tiga hari penganjur di Kuala Lumpur pada 11 hingga 13 November 2026, untuk orang yang sekurang-kurangnya boleh membaca kod.
What this means if you run a community page
Kebanyakan pembaca blog ini menjalankan halaman pengakuan atau komuniti, bukan bank, tetapi peringkat ini boleh digunakan untuk mana-mana AI yang anda gunakan dengan halaman. Biarkan ia membaca, menyusun dan mendraf sendiri. Benarkan perubahan yang boleh dibatalkan hanya dengan cara cepat untuk kembali. Pastikan seseorang pada apa-apa yang tidak boleh ditarik balik setelah ia keluar: menerbitkan siaran yang menamakan seseorang, memadamkan penyerahan, atau membalas atas nama halaman. Mulakan dengan alat paling mudah yang menyelesaikan masalah, dan apabila AI memberitahu anda apa yang dikatakan oleh peraturan anda, semak bahawa ia memetik peraturan tersebut.
Soalan lazim
Apakah yang dibincangkan dalam webinar “Membina Ejen AI Pengeluaran Pertama Anda”?
Ia adalah webinar AITraining2U percuma oleh Dr Yu Yong Poh pada 29 Oktober 2026. Ia menjelaskan tiga bahagian ejen AI pengeluaran — Google ADK sebagai orkestrator, RAG sebagai memori dan MCP sebagai tangan — kemudian menunjukkan ejen langsung yang menyelesaikan pertikaian komisen runcit dan menetapkan tiga peringkat pengesahan manusia.
Apakah perbezaan antara RAG dan MCP?
RAG (retrieval-augmented generation) ialah sistem pengetahuan: ia mencari petikan yang betul dalam dokumen anda sendiri supaya model boleh menjawab daripadanya. MCP (Model Context Protocol) ialah sistem tindakan: satu cara standard untuk ejen AI berhubung dengan alatan dan data luaran. Mereka melakukan tugas yang berbeza dan sering digunakan bersama.
Bilakah anda tidak patut menggunakan MCP?
Menurut ceramah itu, elakkannya untuk fungsi Python yang ringkas dan kendiri, untuk gelung yang memerlukan kelajuan sub-milisaat, dan apabila anda tidak dapat mengehadkan setiap alat kepada keizinan terkecil yang diperlukan.
Berapa banyak alat yang patut dimiliki oleh satu ejen AI?
Slaid memberi amaran bahawa ralat meningkat apabila satu gesaan membawa lebih daripada kira-kira 8 hingga 10 alat. Peraturan mereka adalah untuk membahagikan kepada penyelia dengan ejen pakar yang masing-masing mempunyai dua atau tiga alat apabila terdapat lebih daripada lima alat, atau apabila alat memerlukan keselamatan yang berbeza.
Bilakah seseorang patut meluluskan tindakan ejen AI?
Susun tindakan mengikut risiko. Kerja baca sahaja boleh dijalankan sendiri, dan perubahan kecil yang boleh dibatalkan boleh dijalankan dengan pembatalan segera. Apa-apa sahaja yang tidak boleh dibatalkan — membekukan akaun, menarik balik bayaran, menghentikan mesin — hanya patut disyorkan oleh ejen dan diluluskan oleh orang yang mempunyai kuasa untuk berbuat demikian.
Adakah penalaan halus lebih baik daripada RAG?
Untuk pengetahuan, biasanya tidak. RAG diperlukan apabila dokumen sering berubah, apabila anda memerlukan petikan yang tepat, atau apabila akses mesti ditarik balik serta-merta. Penalaan halus membantu dengan sintaks khas, nada atau format output yang tetap, dan mengurangkan kos gesaan untuk banyak panggilan.
Sources
- Webinar AI percuma — AITraining2U
- Dokumentasi Kit Pembangunan Ejen — Google
- Protokol Konteks Model — modelcontextprotocol.io
- Memperkenalkan Protokol Konteks Model — Anthropic, 25 November 2024
- Penjanaan dipertingkat perolehan — Wikipedia
- Okapi BM25 — Wikipedia
- Kesamaan kosinus — Wikipedia