⚡

GoogleADKPython技能Skill google-adk-python

Google ADK Python 技能是一个开源工具包，专为构建、评估和部署AI代理而设计。它支持工具集成、多代理系统、工作流代理等功能，可集成Google搜索、代码执行等工具，并部署到Vertex AI或Cloud Run。关键词：AI代理，Python工具包，多代理系统，工作流，部署，Google ADK。

AI智能体 0 次安装 0 次浏览 更新于 3/15/2026

Google ADK Python 技能

您是一名Google Agent Development Kit (ADK) Python的专家指南 - 这是一个开源的、代码优先的工具包，用于构建、评估和部署AI代理。

何时使用此技能

当用户需要时使用此技能：

  • 构建具有工具集成和编排功能的AI代理
  • 创建具有层次协调的多代理系统
  • 实现工作流代理（顺序、并行、循环）以用于可预测的管道
  • 将LLM驱动的代理与Google搜索、代码执行或自定义工具集成
  • 将代理部署到Vertex AI代理引擎、Cloud Run或自定义基础设施
  • 系统性地评估和测试代理性能
  • 实现工具执行的人类在环批准流程

核心概念

代理类型

LlmAgent: LLM驱动的代理，能够进行动态路由和自适应行为

  • 使用名称、模型、指令、描述和工具定义
  • 支持子代理进行委派和协调
  • 基于上下文的智能决策

工作流代理: 结构化、可预测的编排模式

  • SequentialAgent: 按定义顺序执行代理
  • ParallelAgent: 并发运行多个代理
  • LoopAgent: 使用迭代逻辑重复执行

BaseAgent: 自定义代理实现的基础

关键组件

工具生态系统:

  • 预建工具（google_search, code_execution）
  • 自定义Python函数作为工具
  • OpenAPI规范集成
  • 工具确认流程用于人类批准

多代理架构:

  • 层次化代理组合
  • 针对特定领域的专门代理
  • 协调代理进行委派

安装

# 稳定版本（推荐）
pip install google-adk

# 开发版本（最新功能）
pip install git+https://github.com/google/adk-python.git@main

实现模式

带有工具的单代理

from google.adk.agents import LlmAgent
from google.adk.tools import google_search

agent = LlmAgent(
    name="search_assistant",
    model="gemini-2.5-flash",
    instruction="您是一个有用的助手，搜索网络信息。",
    description="用于网络查询的搜索助手",
    tools=[google_search]
)

多代理系统

from google.adk.agents import LlmAgent

# 专门代理
researcher = LlmAgent(
    name="Researcher",
    model="gemini-2.5-flash",
    instruction="使用网络搜索彻底研究主题。",
    tools=[google_search]
)

writer = LlmAgent(
    name="Writer",
    model="gemini-2.5-flash",
    instruction="基于研究撰写清晰、引人入胜的内容。",
)

# 协调代理
coordinator = LlmAgent(
    name="Coordinator",
    model="gemini-2.5-flash",
    instruction="将任务委派给研究员和作家代理。",
    sub_agents=[researcher, writer]
)

自定义工具创建

from google.adk.tools import Tool

def calculate_sum(a: int, b: int) -> int:
    """计算两个数字的和。"""
    return a + b

# 将函数转换为工具
sum_tool = Tool.from_function(calculate_sum)

agent = LlmAgent(
    name="calculator",
    model="gemini-2.5-flash",
    tools=[sum_tool]
)

顺序工作流

from google.adk.agents import SequentialAgent

workflow = SequentialAgent(
    name="research_workflow",
    agents=[researcher, summarizer, writer]
)

并行工作流

from google.adk.agents import ParallelAgent

parallel_research = ParallelAgent(
    name="parallel_research",
    agents=[web_researcher, paper_researcher, expert_researcher]
)

人类在环

from google.adk.tools import google_search

# 需要确认的工具
agent = LlmAgent(
    name="careful_searcher",
    model="gemini-2.5-flash",
    tools=[google_search],
    tool_confirmation=True  # 执行前需要批准
)

部署选项

Cloud Run 部署

# 容器化代理
docker build -t my-agent .

# 部署到 Cloud Run
gcloud run deploy my-agent --image my-agent

Vertex AI 代理引擎

# 部署到 Vertex AI 用于可扩展的代理托管
# 与Google Cloud的管理基础设施集成

自定义基础设施

# 在本地或自定义服务器上运行代理
# 完全控制部署环境

模型支持

针对 Gemini 优化:

  • gemini-2.5-flash
  • gemini-2.5-pro
  • gemini-1.5-flash
  • gemini-1.5-pro

模型无关: 虽然针对Gemini优化，但ADK通过标准API支持其他LLM提供商。

最佳实践

  1. 代码优先哲学: 在Python中定义代理以实现版本控制、测试和灵活性
  2. 模块化设计: 创建针对特定领域的专门代理，组合成系统
  3. 工具集成: 利用预建工具，扩展自定义函数
  4. 评估: 针对测试用例系统性地测试代理
  5. 安全性: 对敏感操作实现确认流程
  6. 层次结构: 对复杂的多代理工作流使用协调代理
  7. 工作流选择: 选择工作流代理用于可预测管道，LLM代理用于动态路由

常见用例

  • 研究助手: 网络搜索 + 摘要 + 报告生成
  • 代码助手: 代码执行 + 文档 + 调试
  • 客户支持: 查询路由 + 知识库 + 升级
  • 内容创作: 研究 + 写作 + 编辑管道
  • 数据分析: 数据获取 + 处理 + 可视化
  • 任务自动化: 具有条件逻辑的多步工作流

开发UI

ADK包括内置界面用于：

  • 交互式测试代理行为
  • 调试工具调用和响应
  • 评估代理性能
  • 迭代代理设计

资源

实现工作流

当实现基于ADK的代理时：

  1. 定义需求: 识别代理能力和所需工具
  2. 选择架构: 单代理、多代理或基于工作流
  3. 选择工具: 预建、自定义函数或OpenAPI集成
  4. 实现代理: 创建带有指令和工具的代理定义
  5. 本地测试: 使用开发UI进行迭代
  6. 添加评估: 创建测试用例进行系统性验证
  7. 部署: 选择Cloud Run、Vertex AI或自定义基础设施
  8. 监控: 跟踪代理性能并迭代

记住：ADK将代理开发视为传统软件工程 - 使用版本控制，编写测试，并遵循工程最佳实践。