Google ADK Python Skill
Du bist ein erfahrener Guide für das Google Agent Development Kit (ADK) Python – ein quelloffenes, code-zentriertes Toolkit zum Erstellen, Evaluieren und Bereitstellen von KI-Agenten.
Wann Du Diese Skill Nutzen Solltest
Nutze diese Skill, wenn Benutzer Folgendes benötigen:
- Erstellen von KI-Agenten mit Tool-Integration und Orchestrierungsmöglichkeiten
- Aufbau von Multi-Agenten-Systemen mit hierarchischer Koordination
- Implementieren von Workflow-Agenten (sequentiell, parallel, Schleife) für vorhersagbare Pipelines
- Integration von LLM-gestützten Agenten mit Google Search, Code Execution oder benutzerdefinierten Tools
- Bereitstellung von Agenten auf Vertex AI Agent Engine, Cloud Run oder benutzerdefinierter Infrastruktur
- Systematische Evaluierung und Testen von Agentenleistung
- Implementieren von Human-in-the-Loop-Genehmigungsabläufen für die Tool-Ausführung
Kernkonzepte
Agententypen
LlmAgent: LLM-gestützte Agenten mit dynamischem Routing und adaptivem Verhalten
- Definiere mit Name, Modell, Anweisung, Beschreibung und Tools
- Unterstützt Unteragenten für Delegation und Koordination
- Intelligente Entscheidungsfindung basierend auf Kontext
Workflow-Agenten: Strukturierte, vorhersagbare Orchestrierungsmuster
- SequentialAgent: Führe Agenten in einer definierten Reihenfolge aus
- ParallelAgent: Führe mehrere Agenten gleichzeitig aus
- LoopAgent: Wiederhole die Ausführung mit Iterationslogik
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 Domänen
- 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="Du bist ein hilfreicher Assistent, der das Web nach Informationen durchsucht.",
description="Suchassistent für Webanfragen",
tools=[google_search]
)
Multi-Agenten-System
from google.adk.agents import LlmAgent
# Spezialisierte Agenten
researcher = LlmAgent(
name="Researcher",
model="gemini-2.5-flash",
instruction="Erforsche Themen gründlich mit Websuche.",
tools=[google_search]
)
writer = LlmAgent(
name="Writer",
model="gemini-2.5-flash",
instruction="Schreibe klare, ansprechende Inhalte basierend auf der Recherche.",
)
# Koordinator-Agent
coordinator = LlmAgent(
name="Coordinator",
model="gemini-2.5-flash",
instruction="Delegiere Aufgaben an den Researcher- und Writer-Agenten.",
sub_agents=[researcher, writer]
)
Erstellen benutzerdefinierter Tools
from google.adk.tools import Tool
def calculate_sum(a: int, b: int) -> int:
"""Berechne 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 erforderlicher Bestätigung
agent = LlmAgent(
name="careful_searcher",
model="gemini-2.5-flash",
tools=[google_search],
tool_confirmation=True # Erfordert Genehmigung vor der Ausführung
)
Bereitstellungsoptionen
Cloud Run-Bereitstellung
# Agent containerisieren
docker build -t my-agent .
# Auf Cloud Run bereitstellen
gcloud run deploy my-agent --image my-agent
Vertex AI Agent Engine
# Auf Vertex AI für skalierbares Agenten-Hosting bereitstellen
# Integriert sich in die verwaltete Infrastruktur von Google Cloud
Benutzerdefinierte Infrastruktur
# Führe Agenten lokal oder auf benutzerdefinierten Servern aus
# Volle 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-zentrierte Philosophie: Definiere Agenten in Python für Versionskontrolle, Tests und Flexibilität
- Modulares Design: Erstelle spezialisierte Agenten für bestimmte Domänen, setze sie zu Systemen zusammen
- Tool-Integration: Nutze vorgefertigte Tools, erweitere sie mit benutzerdefinierten Funktionen
- Evaluierung: Teste Agenten systematisch gegen Testfälle
- Sicherheit: Implementiere Bestätigungsabläufe für sensible Operationen
- Hierarchische Struktur: Verwende Koordinator-Agenten für komplexe Multi-Agenten-Workflows
- Workflow-Auswahl: Wähle Workflow-Agenten für vorhersagbare Pipelines, LLM-Agenten für dynamisches Routing
Häufige Anwendungsfälle
- Recherche-Assistenten: Websuche + Zusammenfassung + Berichtserstellung
- Code-Assistenten: Code-Ausführung + Dokumentation + Debugging
- Kunden-Support: Anfragen-Routing + Wissensdatenbank + Eskalation
- Content-Erstellung: Recherche + Schreiben + Bearbeitungspipelines
- Datenanalyse: Datenabruf + Verarbeitung + Visualisierung
- Aufgabenautomatisierung: Mehrstufige Workflows mit bedingter Logik
Entwicklungsoberfläche
ADK enthält eine integrierte Oberfläche für:
- Interaktives Testen des Agentenverhaltens
- Debuggen von Tool-Aufrufen und Antworten
- Evaluieren der Agentenleistung
- Iterieren am Agenten-Design
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 von ADK-basierten Agenten:
- Anforderungen definieren: Identifiziere Agentenfähigkeiten und benötigte Tools
- Architektur wählen: Einzelner Agent, Multi-Agent oder Workflow-basiert
- Tools auswählen: Vorgefertigte, benutzerdefinierte Funktionen oder OpenAPI-Integrationen
- Agenten implementieren: Erstelle Agentendefinitionen mit Anweisungen und Tools
- Lokal testen: Verwende die Entwicklungsoberfläche zur Iteration
- Evaluierung hinzufügen: Erstelle Testfälle für systematische Validierung
- Bereitstellen: Wähle Cloud Run, Vertex AI oder benutzerdefinierte Infrastruktur
- Überwachen: Verfolge die Agentenleistung und iteriere
Denke daran: ADK behandelt die Agentenentwicklung wie traditionelle Softwareentwicklung – verwende Versionskontrolle, schreibe Tests und befolge Engineering-Best-Practices.