LondheShubham153

Build AI Agents For Scale | Google ADK, Temporal & Supermemory Build a Python AI agent with long-term memory and durable execution using Google ADK, Gemma 4 running locally with Ollama, Temporal, and Supermemory. We start with a GitHub Actions agent that investigates failed workflow runs. Then we build a simpler chat agent, test worker recovery, save user preferences, and investigate a memory-recall failure across sessions. You’ll see the planning, implementation, testing, and debugging process. IN THIS VIDEO • Run a local model with Ollama • Plan and build an agent with Claude Code and relevant skills • Use Temporal for durable execution and worker recovery • Add per-user memory with Supermemory • Test the agent in the Google ADK web UI • Investigate user identity, recall behavior, prompts, and guardrails CODE & SETUP LondheShubham153/github-actions-ai-agent The repository contains the GitHub Actions use case, setup instructions, architecture, and examples shown in the video. This is a local learning project, not a production-ready deployment. The final recall retest is left for you to try; the video does not establish that every recall issue is resolved. Use your own credentials for setup. CHAPTERS 00:00 Why AI agents need durability and memory 00:51 GitHub Actions AI agent demo 02:54 Architecture and GitHub Actions logs 04:49 Run Gemma 4 locally with Ollama 06:13 Temporal: stop and restart the worker 07:53 Supermemory: recall without another GitHub call 10:49 Supermemory API key and Python SDK 12:26 Set up the Claude Code project 14:20 Plan the agent stack and requirements 16:19 Find skills for the implementation 20:08 Review the plan and start building 23:37 Temporal workflows and retryable activities 24:59 Configure the environment variables 26:16 Test memory storage and crash recovery 29:36 Try the agent in the ADK web UI 30:51 Save a preference in long-term memory 31:50 Cross-session recall fails: investigate why 32:51 Improve user identity, prompts and guardrails 35:38 Retest memory and guardrails 35:58 Source code and production limitations 37:16 Final recall test: try it yourself 37:52 Wrap-up and next steps Subscribe to Train With Shubham for more hands-on AI and DevOps tutorials. #AIAgents #Supermemory #Temporal #GoogleADK [de-DE] Skalierbare KI-Agenten entwickeln | Google ADK, Temporal & Supermemory Entwickeln Sie einen Python-KI-Agenten mit Langzeitgedächtnis und stabiler Ausführung mithilfe von Google ADK, Gemma 4 (lokal ausgeführt) sowie Ollama, Temporal und Supermemory. Wir beginnen mit einem GitHub-Actions-Agenten, der fehlgeschlagene Workflow-Ausführungen untersucht. Anschließend entwickeln wir einen einfacheren Chat-Agenten, testen die Wiederherstellung von Workern, speichern Benutzereinstellungen und untersuchen einen Speicherabruffehler über mehrere Sitzungen hinweg. Sie erleben den gesamten Prozess von der Planung über die Implementierung und das Testen bis hin zum Debuggen. IN DIESEM VIDEO • Lokales Modell mit Ollama ausführen • Agenten mit Claude Code und relevanten Fähigkeiten planen und erstellen • Temporal für dauerhafte Ausführung und Worker-Wiederherstellung verwenden • Benutzerspezifischen Speicher mit Supermemory hinzufügen • Agenten in der Google ADK-Weboberfläche testen • Benutzeridentität, Rückrufverhalten, Eingabeaufforderungen und Schutzmechanismen untersuchen CODE & EINRICHTUNG LondheShubham153/github-actions-ai-agent Das Repository enthält den GitHub Actions-Anwendungsfall, Einrichtungsanweisungen, die Architektur und die im Video gezeigten Beispiele. Dies ist ein lokales Lernprojekt, keine produktionsreife Anwendung. Den abschließenden Rückruftest müssen Sie selbst durchführen; das Video zeigt nicht, dass alle Rückrufprobleme behoben sind. Verwenden Sie Ihre eigenen Anmeldeinformationen für die Einrichtung. KAPITEL 00:00 Warum KI-Agenten Ausfallsicherheit und Speicher benötigen 00:51 GitHub Actions KI-Agent-Demo 02:54 Architektur und GitHub Actions-Protokolle 04:49 Gemma 4 lokal mit Ollama ausführen 06:13 Temporal: Worker stoppen und neu starten 07:53 Supermemory: Wiederherstellung ohne erneuten GitHub-Aufruf 10:49 Supermemory-API-Schlüssel und Python SDK 12:26 Das Claude Code-Projekt einrichten 14:20 Agenten-Stack und Anforderungen planen 16:19 Kompetenzen für die Implementierung finden 20:08 Plan überprüfen und mit der Entwicklung beginnen 23:37 Temporale Workflows und wiederholbare Aktivitäten 24:59 Umgebungsvariablen konfigurieren 26:16 Speicherspeicherung und Wiederherstellung nach Abstürzen testen 29:36 Agent in der ADK-Weboberfläche testen 30:51 Einstellung im Langzeitspeicher speichern 31:50 Sitzungsübergreifende Wiederherstellungsfehler: Untersuchung Warum? 32:51 Benutzeridentität, Eingabeaufforderungen und Schutzmechanismen verbessern 35:38 Speicher und Schutzmechanismen erneut testen 35:58 Quellcode und Produktionsbeschränkungen 37:16 Abschließender Erinnerungstest: Probieren Sie es selbst aus! 37:52 Zusammenfassung und nächste Schritte Abonnieren Sie „Train With Shubham“ für weitere praxisorientierte Tutorials zu KI und DevOps. #KI-Agenten #Superspeicher #Temporal #GoogleADK [es-US] Desarrolla agentes de IA a gran escala | Google ADK, memoria temporal y supermemoria Crea un agente de IA en Python con memoria a largo plazo y ejecución persistente utilizando Google ADK, Gemma 4 y ejecutándose localmente con Ollama, Temporal y Supermemory. Comenzamos con un agente de GitHub Actions que investiga fallos en la ejecución de flujos de trabajo. Luego, creamos un agente de chat más sencillo, probamos la recuperación de trabajadores, guardamos las preferencias del usuario e investigamos un fallo de recuperación de memoria entre sesiones. Verás el proceso de planificación, implementación, pruebas y depuración. EN ESTE VIDEO • Ejecuta un modelo local con Ollama • Planifica y crea un agente con Claude Code y las habilidades pertinentes • Usa Temporal para una ejecución duradera y recuperación de procesos • Agrega memoria por usuario con Supermemory • Prueba el agente en la interfaz web de Google ADK • Investiga la identidad del usuario, el comportamiento de recuperación, las indicaciones y las medidas de seguridad CÓDIGO Y CONFIGURACIÓN LondheShubham153/github-actions-ai-agent El repositorio contiene el caso de uso de GitHub Actions, las instrucciones de configuración, la arquitectura y los ejemplos que se muestran en el video. Este es un proyecto de aprendizaje local, no una implementación lista para producción. La prueba final de recuperación queda a tu criterio; el video no garantiza que se hayan resuelto todos los problemas de recuperación. Usa tus propias credenciales para la configuración. CAPÍTULOS 00:00 Por qué los agentes de IA necesitan durabilidad y memoria 00:51 Demostración del agente de IA de GitHub Actions 02:54 Arquitectura y registros de GitHub Actions 04:49 Ejecutar Gemma 4 localmente con Ollama 06:13 Temporal: detener y reiniciar el proceso 07:53 Supermemoria: recuperación sin otra llamada a GitHub 10:49 Clave API de Supermemoria y SDK de Python 12:26 Configurar el proyecto Claude Code 14:20 Planificar la pila y los requisitos del agente 16:19 Encontrar las habilidades necesarias para la implementación 20:08 Revisar el plan y comenzar a construir 23:37 Flujos de trabajo temporales y actividades reintentables 24:59 Configurar las variables de entorno 26:16 Probar el almacenamiento de memoria y la recuperación ante fallos 29:36 Probar el agente en la interfaz web de ADK 30:51 Guardar una preferencia en la memoria a largo plazo 31:50 Fallos en la recuperación entre sesiones: investigar ¿Por qué? 32:51 Mejora de la identidad del usuario, las indicaciones y las medidas de seguridad 35:38 Nueva prueba de memoria y medidas de seguridad 35:58 Código fuente y limitaciones de producción 37:16 Prueba final de recuperación: ¡pruébalo tú mismo! 37:52 Conclusiones y próximos pasos Suscríbete a Train With Shubham para acceder a más tutoriales prácticos sobre IA y DevOps. #AIAgents #Supermemory #Temporal #GoogleADK [fr-FR] Créer des agents IA à grande échelle | Google ADK, Temporal et Supermemory Créez un agent d'IA Python doté d'une mémoire à long terme et d'une exécution durable, en utilisant Google ADK, Gemma 4 exécuté localement avec Ollama, Temporal et Supermemory. Nous commençons par un agent GitHub Actions qui analyse les échecs d'exécution de workflows. Ensuite, nous créons un agent de chat plus simple, testons la récupération des workers, enregistrons les préférences utilisateur et analysons un problème de rappel de mémoire entre sessions. Vous découvrirez le processus de planification, d'implémentation, de test et de débogage. DANS CETTE VIDÉO • Exécuter un modèle local avec Ollama • Concevoir et créer un agent avec Claude Code et les compétences requises • Utiliser Temporal pour une exécution durable et la récupération des workers • Ajouter de la mémoire par utilisateur avec Supermemory • Tester l'agent dans l'interface web de Google ADK • Analyser l'identité de l'utilisateur, le comportement de rappel, les invites et les garde-fous CODE ET CONFIGURATION LondheShubham153/github-actions-ai-agent Ce dépôt contient le cas d'utilisation GitHub Actions, les instructions de configuration, l'architecture et les exemples présentés dans la vidéo. Il s'agit d'un projet d'apprentissage local, et non d'un déploiement en production. Le test final de rappel est à votre charge ; la vidéo ne garantit pas la résolution de tous les problèmes de rappel. Utilisez vos propres identifiants pour la configuration. CHAPITRES 00:00 Pourquoi les agents d'IA ont besoin de durabilité et de mémoire 00:51 Démonstration d'un agent d'IA avec GitHub Actions 02:54 Architecture et journaux GitHub Actions 04:49 Exécution locale de Gemma 4 avec Ollama 06:13 Temporal : arrêt et redémarrage du worker 07:53 Supermemory : rappel sans autre appel GitHub 10:49 Clé API Supermemory et SDK Python 12:26 Configuration du projet Claude Code 14:20 Planification de la pile d'agents et des exigences 16:19 Recherche des compétences nécessaires à l'implémentation 20:08 Revue du plan et début du développement 23:37 Flux de travail temporels et activités réessayables 24:59 Configuration des variables d'environnement 26:16 Test du stockage en mémoire et de la récupération après incident 29:36 Test de l'agent dans l'interface web de l'ADK 30:51 Enregistrement d'une préférence en mémoire à long terme 31:50 Échecs de rappel inter-sessions : investigation Pourquoi 32:51 Améliorer l'identité de l'utilisateur, les invites et les garde-fous 35:38 Tester à nouveau la mémoire et les garde-fous 35:58 Code source et limitations en production 37:16 Test final de rappel : essayez-le vous-même 37:52 Conclusion et prochaines étapes Abonnez-vous à Train With Shubham pour plus de tutoriels pratiques sur l'IA et le DevOps. #AIAgents #Supermemory #Temporal #GoogleADK [hi] स्केल के लिए AI एजेंट बनाएं | Google ADK, Temporal और Supermemory गूगल एडीके, जेम्मा 4 (ओलामा, टेम्परल और सुपरमेमोरी के साथ स्थानीय रूप से चल रहा है) और टिकाऊ निष्पादन क्षमता वाला एक पायथन एआई एजेंट बनाएं। हम GitHub Actions एजेंट से शुरुआत करते हैं जो विफल वर्कफ़्लो रन की जांच करता है। फिर हम एक सरल चैट एजेंट बनाते हैं, वर्कर रिकवरी का परीक्षण करते हैं, उपयोगकर्ता प्राथमिकताओं को सहेजते हैं और सत्रों के दौरान मेमोरी रिकॉल विफलता की जांच करते हैं। आप योजना, कार्यान्वयन, परीक्षण और डिबगिंग प्रक्रिया देखेंगे। इस वीडियो में • ओलामा के साथ एक स्थानीय मॉडल चलाएँ • क्लाउड कोड और संबंधित कौशलों का उपयोग करके एक एजेंट की योजना बनाएँ और उसे विकसित करें • टिकाऊ निष्पादन और वर्कर रिकवरी के लिए टेम्परल का उपयोग करें • सुपरमेमोरी के साथ प्रति-उपयोगकर्ता मेमोरी जोड़ें • Google ADK वेब UI में एजेंट का परीक्षण करें • उपयोगकर्ता पहचान, रिकॉल व्यवहार, प्रॉम्प्ट और सुरक्षा उपायों की जाँच करें कोड और सेटअप LondheShubham153/github-actions-ai-agent इस रिपॉजिटरी में GitHub Actions का उपयोग केस, सेटअप निर्देश, आर्किटेक्चर और वीडियो में दिखाए गए उदाहरण शामिल हैं। यह एक स्थानीय शिक्षण परियोजना है, उत्पादन के लिए तैयार परिनियोजन नहीं। अंतिम रिकॉल पुनः परीक्षण आपको स्वयं करके देखना होगा; वीडियो यह साबित नहीं करता कि रिकॉल से संबंधित सभी समस्याएँ हल हो गई हैं। सेटअप के लिए अपने स्वयं के क्रेडेंशियल का उपयोग करें। अध्याय 00:00 एआई एजेंटों को स्थायित्व और मेमोरी की आवश्यकता क्यों है 00:51 GitHub Actions एआई एजेंट डेमो 02:54 आर्किटेक्चर और GitHub Actions लॉग 04:49 Ollama के साथ Gemma 4 को स्थानीय रूप से चलाएँ 06:13 अस्थायी: वर्कर को रोकें और पुनः आरंभ करें 07:53 सुपरमेमोरी: GitHub कॉल के बिना पुनः कॉल करें 10:49 सुपरमेमोरी एपीआई कुंजी और पायथन एसडीके 12:26 क्लाउड कोड प्रोजेक्ट सेट अप करें 14:20 एजेंट स्टैक और आवश्यकताओं की योजना बनाएँ 16:19 कार्यान्वयन के लिए कौशल खोजें 20:08 योजना की समीक्षा करें और निर्माण शुरू करें 23:37 अस्थायी वर्कफ़्लो और पुनः प्रयास योग्य गतिविधियाँ 24:59 पर्यावरण चर कॉन्फ़िगर करें 26:16 मेमोरी स्टोरेज और क्रैश रिकवरी का परीक्षण करें 29:36 ADK वेब यूआई में एजेंट को आज़माएँ 30:51 दीर्घकालिक मेमोरी में एक प्राथमिकता सहेजें 31:50 क्रॉस-सेशन रिकॉल विफल: कारण की जाँच करें 32:51 सुधार करें उपयोगकर्ता पहचान, संकेत और सुरक्षा उपाय 35:38 मेमोरी और सुरक्षा उपायों का पुनः परीक्षण 35:58 स्रोत कोड और उत्पादन सीमाएँ 37:16 अंतिम रिकॉल परीक्षण: स्वयं करके देखें 37:52 समापन और अगले चरण अधिक व्यावहारिक AI और DevOps ट्यूटोरियल के लिए Train With Shubham को सब्सक्राइब करें। #AIAgents #Supermemory #Temporal #GoogleADK [id] Membangun Agen AI Skala Besar | Google ADK, Temporal & Supermemory Membangun agen AI Python dengan memori jangka panjang dan eksekusi yang tahan lama menggunakan Google ADK, Gemma 4 yang berjalan secara lokal dengan Ollama, Temporal, dan Supermemory. Kita mulai dengan agen GitHub Actions yang menyelidiki kegagalan eksekusi alur kerja. Kemudian kita membangun agen obrolan yang lebih sederhana, menguji pemulihan pekerja, menyimpan preferensi pengguna, dan menyelidiki kegagalan pemanggilan memori di seluruh sesi. Anda akan melihat proses perencanaan, implementasi, pengujian, dan debugging. DALAM VIDEO INI • Menjalankan model lokal dengan Ollama • Merencanakan dan membangun agen dengan Claude Code dan keterampilan yang relevan • Menggunakan Temporal untuk eksekusi yang tahan lama dan pemulihan pekerja • Menambahkan memori per pengguna dengan Supermemory • Menguji agen di UI web Google ADK • Menyelidiki identitas pengguna, perilaku penarikan kembali, petunjuk, dan pengaman KODE & PENYIAPAN LondheShubham153/github-actions-ai-agent Repositori ini berisi kasus penggunaan GitHub Actions, petunjuk penyiapan, arsitektur, dan contoh yang ditunjukkan dalam video. Ini adalah proyek pembelajaran lokal, bukan penerapan yang siap produksi. Pengujian ulang penarikan kembali terakhir diserahkan kepada Anda untuk dicoba; video ini tidak membuktikan bahwa setiap masalah penarikan kembali telah teratasi. Gunakan kredensial Anda sendiri untuk penyiapan. BAB 00:00 Mengapa agen AI membutuhkan daya tahan dan memori 00:51 Demo agen AI GitHub Actions 02:54 Arsitektur dan log GitHub Actions 04:49 Menjalankan Gemma 4 secara lokal dengan Ollama 06:13 Temporal: menghentikan dan memulai ulang pekerja 07:53 Supermemory: memanggil kembali tanpa panggilan GitHub lain 10:49 Kunci API Supermemory dan SDK Python 12:26 Menyiapkan proyek Claude Code 14:20 Merencanakan tumpukan agen dan persyaratannya 16:19 Menemukan keterampilan untuk implementasi 20:08 Meninjau rencana dan mulai membangun 23:37 Alur kerja temporal dan aktivitas yang dapat dicoba ulang 24:59 Mengkonfigurasi variabel lingkungan 26:16 Menguji penyimpanan memori dan pemulihan crash 29:36 Mencoba agen di UI web ADK 30:51 Menyimpan preferensi dalam memori jangka panjang 31:50 Kegagalan pemanggilan kembali lintas sesi: menyelidiki penyebabnya 32:51 Meningkatkan identitas pengguna, petunjuk, dan pembatas 35:38 Uji ulang memori dan pembatas 35:58 Kode sumber dan keterbatasan produksi 37:16 Tes pengingatan akhir: coba sendiri 37:52 Ringkasan dan langkah selanjutnya Berlangganan Train With Shubham untuk tutorial AI dan DevOps praktis lainnya. #AIAgents #Supermemory #Temporal #GoogleADK [it] Creare AI Agent scalabili | Google ADK, Temporal & Supermemory Realizzeremo un agente AI in Python con memoria a lungo termine ed esecuzione persistente utilizzando Google ADK, Gemma 4 in locale con Ollama, Temporal e Supermemory. Inizieremo con un agente GitHub Actions che analizza gli errori di esecuzione dei workflow. Successivamente, creeremo un agente di chat più semplice, testeremo il ripristino dei worker, salveremo le preferenze dell'utente e analizzeremo un errore di richiamo della memoria tra sessioni. Vedrete il processo di pianificazione, implementazione, test e debug. IN QUESTO VIDEO • Esegui un modello locale con Ollama • Pianifica e crea un agente con Claude Code e le competenze pertinenti • Utilizza Temporal per l'esecuzione persistente e il ripristino dei worker • Aggiungi memoria per utente con Supermemory • Testa l'agente nell'interfaccia web di Google ADK • Analizza l'identità dell'utente, il comportamento di richiamo, i prompt e i meccanismi di controllo CODICE E CONFIGURAZIONE LondheShubham153/github-actions-ai-agent Il repository contiene il caso d'uso di GitHub Actions, le istruzioni di configurazione, l'architettura e gli esempi mostrati nel video. Questo è un progetto di apprendimento locale, non un'implementazione pronta per la produzione. Il test finale di richiamo è lasciato a te; il video non garantisce la risoluzione di tutti i problemi di richiamo. Utilizza le tue credenziali per la configurazione. CAPITOLI 00:00 Perché gli agenti IA necessitano di durabilità e memoria 00:51 Demo dell'agente IA di GitHub Actions 02:54 Architettura e log di GitHub Actions 04:49 Esecuzione di Gemma 4 in locale con Ollama 06:13 Temporale: arresto e riavvio del worker 07:53 Supermemory: richiamo senza un'altra chiamata a GitHub 10:49 Chiave API di Supermemory e SDK Python 12:26 Configurazione del progetto Claude Code 14:20 Pianificazione dello stack dell'agente e dei requisiti 16:19 Ricerca delle competenze per l'implementazione 20:08 Revisione del piano e inizio della costruzione 23:37 Flussi di lavoro temporali e attività retryable 24:59 Configurazione delle variabili d'ambiente 26:16 Test dell'archiviazione in memoria e del ripristino in caso di crash 29:36 Prova dell'agente nell'interfaccia web di ADK 30:51 Salvataggio di una preferenza nella memoria a lungo termine 31:50 Errori di richiamo tra sessioni: indagine Perché 32:51 Migliorare l'identità dell'utente, i prompt e i meccanismi di controllo 35:38 Ritestare la memoria e i meccanismi di controllo 35:58 Limitazioni del codice sorgente e della produzione 37:16 Test di richiamo finale: provalo tu stesso 37:52 Riepilogo e prossimi passi Iscriviti a Train With Shubham per altri tutorial pratici su IA e DevOps. #AIAgents #Supermemory #Temporal #GoogleADK [pt-BR] Crie Agentes de IA em Escala | Google ADK, Temporal & Supermemory Crie um agente de IA em Python com memória de longo prazo e execução durável usando o Google ADK e o Gemma 4, executado localmente com Ollama, Temporal e Supermemory. Começamos com um agente do GitHub Actions que investiga falhas na execução de fluxos de trabalho. Em seguida, criamos um agente de chat mais simples, testamos a recuperação de workers, salvamos as preferências do usuário e investigamos uma falha de recuperação de memória entre sessões. Você verá o processo de planejamento, implementação, teste e depuração. NESTE VÍDEO • Executar um modelo local com Ollama • Planejar e criar um agente com Claude Code e habilidades relevantes • Usar Temporal para execução durável e recuperação de workers • Adicionar memória por usuário com Supermemory • Testar o agente na interface web do Google ADK • Investigar a identidade do usuário, o comportamento de recuperação, os prompts e as salvaguardas CÓDIGO E CONFIGURAÇÃO LondheShubham153/github-actions-ai-agent O repositório contém o caso de uso do GitHub Actions, as instruções de configuração, a arquitetura e os exemplos mostrados no vídeo. Este é um projeto de aprendizado local, não uma implementação pronta para produção. O teste final de recall fica a seu critério; o vídeo não garante que todos os problemas de recall foram resolvidos. Use suas próprias credenciais para a configuração. CAPÍTULOS 00:00 Por que os agentes de IA precisam de durabilidade e memória 00:51 Demonstração do agente de IA do GitHub Actions 02:54 Arquitetura e logs do GitHub Actions 04:49 Executando o Gemma 4 localmente com o Ollama 06:13 Temporal: parar e reiniciar o worker 07:53 Supermemory: recuperação sem outra chamada ao GitHub 10:49 Chave de API do Supermemory e SDK do Python 12:26 Configurando o projeto Claude Code 14:20 Planejando a pilha de agentes e os requisitos 16:19 Encontrando habilidades para a implementação 20:08 Revisando o plano e começando a construir 23:37 Fluxos de trabalho temporais e atividades repetíveis 24:59 Configurando as variáveis ​​de ambiente 26:16 Testando o armazenamento de memória e a recuperação de falhas 29:36 Testando o agente na interface web do ADK 30:51 Salvando uma preferência na memória de longo prazo 31:50 Falha na recuperação entre sessões: investigando o motivo 32:51 Melhorando a identidade do usuário Instruções e diretrizes 35:38 Reteste de memória e diretrizes 35:58 Limitações do código-fonte e de produção 37:16 Teste final de recall: experimente você mesmo 37:52 Conclusão e próximos passos Inscreva-se no Train With Shubham para mais tutoriais práticos de IA e DevOps. #AIAgents #Supermemory #Temporal #GoogleADK

State & durability are non-negotiable for real-world agents. Big thanks to @TrainWithShubhm, Briana Hawkins, @temporalio & @CloudNativePune for the session! 🎥 Video: youtu.be 💻 Code: LondheShubham153/github-actions-ai-agent

came across this cool repo LondheShubham153/github-actions-ai-agent by @temporalio and the infra around it, sounds pretty tuff, also thanks to @TrainWitShubham for the tutorial & Briana Hawkins, @CNCGPune