Der Aufbau fortschrittlicher dialogorientierter KI umfasst heute sprachgesteuerte Agenten in Echtzeit. Diese erfordern eine niedrig-latenzbehaftete Zwei-Wege-Kommunikation und den Abruf von Informationen in Echtzeit. Dieser Leitfaden zeigt, wie ein solcher Agent mit Gemini und dem Google Agent Development Kit (ADK) aufgebaut wird. Der Prozess beginnt mit einem grundlegenden Agenten, der über eine Persona verfügt, aber keinen Zugriff auf externe Tools hat. Dieser Basisagent kann mithilfe seines vortrainierten Wissens chatten. Um die Funktionalität zu erweitern, werden fortgeschrittene Agenten mit Tools für den Zugriff auf Live-Daten und -Dienste ausgestattet. Das ADK bietet Tools wie die Google Suche für Echtzeitinformationen und das MCP Toolset für die Integration von Google Maps. Der Agent fungiert als Orchestrator, der Aufgaben an spezialisierte Tools delegiert. Das RunConfig-Objekt verwaltet die Kommunikation, einschließlich der Sprachauswahl und des bidirektionalen Streamings. Bidirektionales Streaming ermöglicht es Benutzern, den Agenten zu unterbrechen, was natürlichere Gespräche fördert. Echtzeit- Sprachchats werden asynchron mithilfe von Pythons asyncio und TaskGroup verwaltet, um das gleichzeitige Hören, Denken und Sprechen zu bewältigen. Audiodaten werden über Base64-Kodierung übertragen, während Texttranskriptionen für sofortiges Benutzerfeedback gestreamt werden. Zu den Ressourcen gehören das Google ADK, Gemini's Native Audio und der Projektquellcode auf GitHub.