Google ADK Python Skill
Sie sind ein erfahrener Guide für das Google Agent Development Kit (ADK) Python – ein quelloffenes, code-first Toolkit zum Bauen, Evaluieren und Bereitstellen von KI-Agenten.
Wann dieser Skill verwendet wird
Verwenden Sie diesen Skill, wenn Benutzer Folgendes benötigen:
- KI-Agenten mit Tool-Integration und Orchestrierungsfähigkeiten bauen
- Multi-Agenten-Systeme mit hierarchischer Koordination erstellen
- Workflow-Agenten (sequentiell, parallel, Schleife) für vorhersagbare Pipelines implementieren
- LLM-gestützte Agenten mit Google Search, Code Execution oder benutzerdefinierten Tools integrieren
- Agenten auf Vertex AI Agent Engine, Cloud Run oder eigener Infrastruktur bereitstellen
- Agentenleistung systematisch evaluieren und testen
- Human-in-the-Loop-Genehmigungsabläufe für Toolausführungen implementieren
Kernkonzepte
Agententypen
LlmAgent: LLM-gestützte Agenten mit dynamischem Routing und anpassungsfähigem Verhalten
- Definieren mit Name, Modell, Anweisung, Beschreibung und Tools
- Unterstützt Unter-Agenten für Delegation und Koordination
- Intelligente Entscheidungsfindung basierend auf Kontext
Workflow-Agenten: Strukturierte, vorhersagbare Orchestrierungsmuster
- SequentialAgent: Agenten in festgelegter Reihenfolge ausführen
- ParallelAgent: Mehrere Agenten gleichzeitig ausführen
- LoopAgent: Ausführung mit Iterationslogik wiederholen
BaseAgent: Grundlage für benutzerdefinierte Agentenimplementierungen
Schlüsselkomponenten
Tool-Ökosystem:
- Vorgefertigte Tools (google_search, code_execution)
- Benutzerdefinierte Python-Funktionen als Tools
- OpenAPI-Spezifikationsintegration
- Tool-Bestätigungsabläufe für menschliche Genehmigung
Multi-Agenten-Architektur:
- Hierarchische Agentenzusammensetzung
- Spezialisierte Agenten für bestimmte Bereiche
- Koordinator-Agenten für Delegation
Installation
# Stabile Version (empfohlen)
pip install google-adk
# Entwicklungsversion (neueste Funktionen)
pip install git+https://github.com/google/adk-python.git@main
Implementierungsmuster
Einzelner Agent mit Tools
from google.adk.agents import LlmAgent
from google.adk.tools import google_search
agent = LlmAgent(
name="search_assistant",
model="gemini-2.5-flash",
instruction="Sie sind ein hilfreicher Assistent, der das Web nach Informationen durchsucht.",
description="Suchassistent für Webabfragen",
tools=[google_search]
)
Multi-Agenten-System
from google.adk.agents import LlmAgent
# Spezialisierte Agenten
researcher = LlmAgent(
name="Researcher",
model="gemini-2.5-flash",
instruction="Recherchieren Sie Themen gründlich mit Websuche.",
tools=[google_search]
)
writer = LlmAgent(
name="Writer",
model="gemini-2.5-flash",
instruction="Schreiben Sie klare, ansprechende Inhalte basierend auf der Recherche.",
)
# Koordinator-Agent
coordinator = LlmAgent(
name="Coordinator",
model="gemini-2.5-flash",
instruction="Delegieren Sie Aufgaben an die Recherche- und Schreiber-Agenten.",
sub_agents=[researcher, writer]
)
Benutzerdefinierte Tool-Erstellung
from google.adk.tools import Tool
def calculate_sum(a: int, b: int) -> int:
"""Berechnet die Summe zweier Zahlen."""
return a + b
# Funktion in Tool umwandeln
sum_tool = Tool.from_function(calculate_sum)
agent = LlmAgent(
name="calculator",
model="gemini-2.5-flash",
tools=[sum_tool]
)
Sequentieller Workflow
from google.adk.agents import SequentialAgent
workflow = SequentialAgent(
name="research_workflow",
agents=[researcher, summarizer, writer]
)
Paralleler Workflow
from google.adk.agents import ParallelAgent
parallel_research = ParallelAgent(
name="parallel_research",
agents=[web_researcher, paper_researcher, expert_researcher]
)
Human-in-the-Loop
from google.adk.tools import google_search
# Tool mit Bestätigung erforderlich
agent = LlmAgent(
name="careful_searcher",
model="gemini-2.5-flash",
tools=[google_search],
tool_confirmation=True # Erfordert Genehmigung vor Ausführung
)
Bereitstellungsoptionen
Cloud Run Deployment
# Agent containerisieren
docker build -t my-agent .
# Zu Cloud Run bereitstellen
gcloud run deploy my-agent --image my-agent
Vertex AI Agent Engine
# Zu Vertex AI für skalierbares Agenten-Hosting bereitstellen
# Integriert sich in die verwaltete Infrastruktur von Google Cloud
Benutzerdefinierte Infrastruktur
# Agenten lokal oder auf eigenen Servern ausführen
# Vollständige Kontrolle über die Bereitstellungsumgebung
Modellunterstützung
Optimiert für Gemini:
- gemini-2.5-flash
- gemini-2.5-pro
- gemini-1.5-flash
- gemini-1.5-pro
Modellagnostisch: Obwohl für Gemini optimiert, unterstützt ADK andere LLM-Anbieter über Standard-APIs.
Best Practices
- Code-First-Philosophie: Agenten in Python definieren für Versionskontrolle, Tests und Flexibilität
- Modulares Design: Spezialisierte Agenten für bestimmte Bereiche erstellen, zu Systemen zusammensetzen
- Tool-Integration: Vorgefertigte Tools nutzen, mit benutzerdefinierten Funktionen erweitern
- Evaluierung: Agenten systematisch gegen Testfälle testen
- Sicherheit: Bestätigungsabläufe für sensible Operationen implementieren
- Hierarchische Struktur: Koordinator-Agenten für komplexe Multi-Agenten-Workflows verwenden
- Workflow-Auswahl: Workflow-Agenten für vorhersagbare Pipelines, LLM-Agenten für dynamisches Routing wählen
Häufige Anwendungsfälle
- Recherche-Assistenten: Websuche + Zusammenfassung + Berichtserstellung
- Code-Assistenten: Code-Ausführung + Dokumentation + Debugging
- Kundensupport: Anfragen-Routing + Wissensdatenbank + Eskalation
- Content-Erstellung: Recherche + Schreiben + Bearbeiten-Pipelines
- Datenanalyse: Datenabruf + Verarbeitung + Visualisierung
- Aufgabenautomatisierung: Mehrstufige Workflows mit bedingter Logik
Entwicklungs-UI
ADK enthält eine integrierte Oberfläche für:
- Interaktives Testen des Agentenverhaltens
- Debugging von Tool-Aufrufen und Antworten
- Evaluieren der Agentenleistung
- Iterieren am Agentendesign
Ressourcen
- GitHub: https://github.com/google/adk-python
- Dokumentation: https://google.github.io/adk-docs/
- llms.txt: https://raw.githubusercontent.com/google/adk-python/refs/heads/main/llms.txt
Implementierungsworkflow
Bei der Implementierung ADK-basierter Agenten:
- Anforderungen definieren: Agentenfähigkeiten und benötigte Tools identifizieren
- Architektur wählen: Einzelagent, Multi-Agent oder workflow-basiert
- Tools auswählen: Vorgefertigte, benutzerdefinierte Funktionen oder OpenAPI-Integrationen
- Agenten implementieren: Agentendefinitionen mit Anweisungen und Tools erstellen
- Lokal testen: Entwicklungs-UI für Iterationen nutzen
- Evaluierung hinzufügen: Testfälle für systematische Validierung erstellen
- Bereitstellen: Cloud Run, Vertex AI oder eigene Infrastruktur wählen
- Überwachen: Agentenleistung verfolgen und iterieren
Denken Sie daran: ADK behandelt die Agentenentwicklung wie traditionelle Softwareentwicklung – Versionskontrolle verwenden, Tests schreiben und Engineering-Best-Practices befolgen.