因為今天要出門，只能用搭車的時間看看文件和程式碼。昨天 Gemini 說可以用 Cloud Build Trigger 執行 CD，所以剩下的問題就在於部署 Vertex AI 使用到的函式。

如果有個設定能把本地寫的 Agent package 也序列化並上傳到 Cloud Storage Bucket，就可以解決問題。以往在沒有 AI 協助的情況下，我只能開啟套件的原始碼，開始了解程式邏輯，期盼能找到沒寫在文件裡但能解決一切的關鍵參數。

LLM 助力：尋找解答

但現在我們有 LLM 可以幫忙處理！有個工具叫做 DeepWiki，它可以為 GitHub 專案建立文件，完整程度甚至比人類還好，還能夠直接問問題，對於快速了解專案是個非常好用的工具。

要看的套件是 python-aiplatform，如果要在 DeepWiki 瀏覽的話只要把網址的 github.com 換成 deepwiki.com 即可 DeepWiki python-aiplatform。

我首先問了一個問題，了解 Agent 的部署流程。DeepWiki 說 agent_engines.create 函式會建立和部署 Agent，在部署之前會先進行驗證及檔案準備，包裝 Agent 後上傳到 Cloud Storage，最後依照 ReasoningEngineSpec 類別設定好。

這時就有個疑問：設定時的 staging_bucket 是必要的嗎？
DeepWiki 回答，在部署時 staging_bucket 是需要的，它會被用來儲存序列化的 Agent、requirements.txt 和相依套件。所以如果要能夠上傳本地 Agent package ，就要在序列化時就一併包進去。

本地 Agent package 部署解方

再問了一下序列化流程與是否能夠使用本地套件的 Agent，得到的答案是：序列化使用 cloudpickle，流程是 pickling -> validation -> upload。如果要把本地 Agent package 也包上去的話，只要在 extra_packages 參數放入檔案或目錄就可以了！

所以接下來要做的事情有：

• 建立 deploy_agent.py 設定好 agent_engines.create 的參數。
• 撰寫 cloudbuild.yaml 提供部署環境。
• 建立 Cloud Build Trigger 當 GitHub 有新的 Commit 時自動重建。

至於實作部分，就等明天有電腦時再繼續吧。