Google ADK Python 技能

您是一位 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 智能体。

何时使用此技能

在用户需要时使用此技能：

构建具有工具集成和协调能力的 AI 智能体
创建具有分层协调的多代理系统
为可预测的流程实现工作流代理（顺序、并行、循环）
将 LLM 驱动的智能体与 Google 搜索、代码执行或自定义工具集成
将代理部署到 Vertex AI Agent Engine、Cloud Run 或自定义基础设施
系统性地评估和测试代理性能
为工具执行实现人工审批流程

核心概念

代理类型

LlmAgent：具有动态路由和自适应行为的 LLM 驱动代理

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

Workflow Agents：结构化、可预测的协调模式

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

Tools Ecosystem：

预建工具（google_search、code_execution）
作为工具的自定义 Python 函数
OpenAPI 规范集成
用于人工审批的工具确认流程

Multi-Agent Architecture：

分层代理组合
针对特定领域的专用代理
用于委托的协调器代理

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，可在网络上搜索信息。",
    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

# 专用代理
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。",
)

# 协调器代理
coordinator = LlmAgent(
    name="Coordinator",
    model="gemini-2.5-flash",
    instruction="向研究者和写作者代理委派任务。",
    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:
    """计算两个数字的总和。"""
    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]
)

人工参与循环

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 Agent Engine

# 部署到 Vertex AI 以进行可扩展的代理托管
# 与 Google Cloud 的托管基础设施集成

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

代码优先理念：在 Python 中定义代理以进行版本控制、测试和灵活性
模块化设计：为特定领域创建专用代理，组合成系统
工具集成：利用预建工具，通过自定义函数扩展
评估：针对测试用例系统性测试代理
安全：为敏感操作实现确认流程
分层结构：使用协调器代理处理复杂的多代理工作流
工作流选择：为可预测管道选择工作流代理，为动态路由选择 LLM 代理

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
内容创建：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 包含内置界面用于：

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

GitHub：https://github.com/google/adk-python
文档：https://google.github.io/adk-docs/
llms.txt：https://raw.githubusercontent.com/google/adk-python/refs/heads/main/llms.txt

实现工作流

当实现基于 ADK 的代理时：

定义需求：确定代理能力和所需工具
选择架构：单代理、多代理或基于工作流
选择工具：预建、自定义函数或 OpenAPI 集成
实现代理：使用指令和工具创建代理定义
本地测试：使用开发 UI 进行迭代
添加评估：创建测试用例进行系统性验证
部署：选择 Cloud Run、Vertex AI 或自定义基础设施
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。