Agent 框架 10：Google ADK——官方智能体开发套件与生态集成

在主流大模型厂商竞相推出自家开发套件的背景下，Google 于 2025 年推出了官方智能体开发框架 Google ADK（Agent Development Kit）（PyPI 包名为 google-adk，开源仓库：google/adk-python）。

与 OpenAI 推出的 Agents SDK 遥相呼应，Google ADK 的核心使命不是替代通用全能的图编排工具，而是为基于 Gemini 2.0 的开发者提供一套第一方、原生且具备企业级合规保障的智能体开发标准。它深度打通了 Google 搜索真实接地（Grounding）、云端代码沙箱执行，并原生支持无缝部署至 Google Cloud Vertex AI。

核心系统架构：Agent 与 Runner 调度模型

Google ADK 采用了经典且清晰的“定义与执行分离”架构模式：开发者只负责声明 Agent 的意图、指令与工具；具体的会话持久化、状态流转和执行调度则完全托付给 Runner：

核心概念原语

Google ADK 抽象出的核心构件非常纯粹，没有复杂的多重嵌套：

构件 运行时角色 核心职责
Agent 智能体规范声明 绑定大模型版本（如 Gemini 2.0 Flash）、系统级角色指令（Instruction）与可用工具集合
Runner 运行时执行器 智能体的执行引擎，管理单轮/多轮消息的分发、工具拦截调用与事件流输出
Session / SessionService 会话上下文管理 隔离不同终端用户和不同会话的上下文，支持内存暂存或持久化数据库存储
MultiAgent 组合器 多智能体拓扑容器 原生提供 SequentialAgent、ParallelAgent 等开箱即用的多 Agent 编排模式
Google Tools 第一方专有工具 官方封装的高安全级别工具，如 Google 搜索直连、沙箱代码运行

安装与快速启动

通过 pip 安装 Google ADK：

1
pip install google-adk

配置 Google AI Studio 获取的 API 密钥：

1
export GOOGLE_API_KEY="your-gemini-api-key"

最小示例：创建 Agent 并通过 Runner 执行

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
from google.adk.agents import Agent
from google.adk.runners import Runner
from google.adk.sessions import InMemorySessionService
from google.genai import types

# 1. 声明 Agent 实体
root_agent = Agent(
    name="tech_consultant",
    model="gemini-2.0-flash",
    description="专业的技术咨询顾问智能体",
    instruction="你是一名客观严谨的技术专家，用精炼的中文回答问题，不使用夸张修辞。",
)

# 2. 组装 Runner 运行时
session_service = InMemorySessionService()
runner = Runner(
    agent=root_agent,
    session_service=session_service,
    app_name="adk_demo_app",
)

# 3. 创建独立会话
session = session_service.create_session(app_name="adk_demo_app", user_id="engineer_01")

# 4. 发送请求并消费事件流
events = runner.run(
    user_id="engineer_01",
    session_id=session.id,
    new_message=types.Content(
        role="user",
        parts=[types.Part(text="简要介绍 Gemini 2.0 Flash 的核心架构定位。")],
    ),
)

for event in events:
    if event.is_final_response():
        print("Agent 最终回复:\n", event.content.parts[0].text)

强类型工具定义：利用 Python 原生规范

在 Google ADK 中，定义外部工具不需要继承冗长的 BaseTool 类，只要编写带有标准 Python 类型注解和 Google 风格 Docstring 的普通函数，框架会自动推导出规范的 OpenAPI Schema：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
def query_cloud_resource(resource_type: str, region: str = "asia-east1") -> dict:
    """查询指定云区域中托管资源的运行状态与负载。

    Args:
        resource_type: 资源类型，例如 'gke_cluster'、'cloud_sql'、'vertex_endpoint'
        region: 资源所在的云机房区域，默认为 'asia-east1'

    Returns:
        包含资源健康状态、节点数与 CPU 负载率的结构化字典
    """
    # 模拟实际调用 Google Cloud API
    mock_data = {
        "gke_cluster": {"status": "HEALTHY", "nodes": 12, "cpu_usage": "43%"},
        "cloud_sql": {"status": "RUNNING", "tier": "db-custom-8-32768", "connections": 120},
    }
    return mock_data.get(resource_type, {"error": f"在 {region} 未找到类型为 {resource_type} 的实例"})

# 绑定工具到 Agent
devops_agent = Agent(
    name="devops_agent",
    model="gemini-2.0-flash",
    instruction="你可以根据运维工程师的指令，实时查询云平台基础设施的健康指标。",
    tools=[query_cloud_resource],
)

多智能体编排三剑客

对于需要分工协作的复杂工程，Google ADK 原生内置了三种经典拓扑：

1. 顺序执行流水线（SequentialAgent）

1
2
3
4
5
6
7
8
9
10
11
from google.adk.agents import SequentialAgent

pipeline = SequentialAgent(
    name="incident_response_pipeline",
    sub_agents=[
        log_analyzer_agent,   # 第 1 步：分析崩溃日志
        root_cause_agent,     # 第 2 步：推导根本原因
        fix_suggester_agent,  # 第 3 步：生成应急处置脚本
    ],
    description="按照标准 SRE SOP 顺序执行线上故障应急流",
)

2. 并行扇出汇总（ParallelAgent）

1
2
3
4
5
6
7
8
9
10
11
from google.adk.agents import ParallelAgent

parallel_gather = ParallelAgent(
    name="multi_source_gather",
    sub_agents=[
        github_agent,
        jira_agent,
        confluence_agent,
    ],
    description="并发从 GitHub、Jira 和内部知识库拉取相关信息",
)

3. LLM 动态路由（Router）

1
2
3
4
5
6
7
8
9
router_agent = Agent(
    name="gateway_router",
    model="gemini-2.0-flash",
    instruction="""审视用户的具体意图，自动分发给最专业的下属智能体：
- 属于云资源与服务器问题 -> 转交 infrastructure_agent
- 属于代码与语法报错问题 -> 转交 code_agent
- 属于账号与费用账单问题 -> 转交 billing_agent""",
    sub_agents=[infra_agent, code_agent, billing_agent],
)

杀手级特性：Google 第一方生态能力开箱即用

Google ADK 最核心的护城河在于与 Google 底层技术能力的零胶水打通：

1. Google Search Grounding（真实联网事实检索）

大模型最怕输出虚假时效信息。通过引入 google_search，模型会直接利用 Google 搜索引擎的最新索引对生成内容进行事实接地（Grounding），并返回带真实来源 URL 的元数据：

1
2
3
4
5
6
7
8
from google.adk.tools import google_search

search_grounded_agent = Agent(
    name="fact_search_agent",
    model="gemini-2.0-flash",
    tools=[google_search],
    instruction="必须严格基于 Google 搜索的最新真实结果回答，附带权威引用。",
)

2. 安全沙箱代码执行（Code Execution）

在处理复杂数据分析或算法推演时，可以让模型在 Google 隔离的安全沙箱中直接执行 Python 脚本，以执行结果作为最终答案：

1
2
3
4
5
6
7
8
from google.adk.tools import code_execution

python_solver_agent = Agent(
    name="math_solver",
    model="gemini-2.0-flash",
    tools=[code_execution],
    instruction="当涉及复杂数学推演或数据计算时，必须编写并运行 Python 代码验证。",
)

调试与企业级上云：ADK Web 与 Vertex AI

1. 本地一键可视化控制台

ADK 自带轻量级 Web 调试终端，启动后可直接在浏览器中观察每一步的工具调用详情：

1
2
adk web --port 8000
# 访问 http://localhost:8000 即可进入图形化交互界面

2. 企业级云端托管（Vertex AI Agent Engine）

不需要自己搭建复杂的高可用容器集群，通过替换为 VertexAIRunner 即可直接将 Agent 托管至 Google Cloud 的无服务器智能体引擎上：

1
2
3
4
5
6
7
from google.adk.runners import VertexAIRunner

cloud_runner = VertexAIRunner(
    agent=root_agent,
    project="corp-ai-prod-2026",
    location="us-central1",
)

优缺点分析与工程选型边界

核心优势

  1. 原厂深度调优：专门针对 Gemini 系列模型进行上下文和工具调度优化，Token 损耗更低、首字延迟更低。
  2. 第一方高质量工具：开箱即用 Google 搜索 Grounding 与沙箱代码执行，省去自建爬虫与 Docker 隔离的巨大成本。
  3. 架构整洁克制：接口语义清晰，代码量极少，学习成本远低于 LangChain。
  4. 云原生一键投产：与 GCP Vertex AI 原生打通，具备企业级 IAM 权限与合规审计能力。

现实痛点与妥协

  1. 深度绑定 Google 生态：如果企业主力采购的是 Azure OpenAI 或国内千问/GLM 模型，ADK 的吸引力会大打折扣。
  2. 开源社区刚起步：相较于 LangGraph 庞大的第三方插件生态，ADK 的开源三方组件仍在持续扩展中。

关联导航