Was macht Google ADK Python Skill?
Du bist 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 dieses Skill anwenden
Setze dieses Skill ein, wenn Nutzer Folgendes benötigen:
- KI-Agenten mit Tool-Integration und Orchestrierungsfähigkeiten erstellen
- Multi-Agenten-Systeme mit hierarchischer Koordination entwickeln
- Workflow-Agenten (sequentiell, parallel, schleifenförmig) 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
- Agenten systematisch evaluieren und testen
- Human-in-the-Loop-Genehmigungsflüsse für Tool-Ausführungen umsetzen
Kernkonzepte
Agententypen
LlmAgent: LLM-gestützte Agenten mit dynamischem Routing und adaptivem Verhalten
- Definiert mit Name, Modell, Anweisung, Beschreibung und Tools
- Unterstützt Sub-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-Bestätigungsflüsse für menschliche Genehmigung
Multi-Agenten-Architektur:
- Hierarchische Agentenzusammensetzung
- Spezialisierte Agenten für bestimmte Bereiche
- Koordinator-Agenten zur 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 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="Recherchiere 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 Recherche- und Schreiber-Agenten.",
sub_agents=[researcher, writer]
)
Benutzerdefiniertes Tool erstellen
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 Ausführung
)
Bereitstellungsoptionen
Cloud Run Deployment
# Agent containerisieren
docker build -t my-agent .
# Auf Cloud Run bereitstellen
gcloud run deploy my-agent --image my-agent
Vertex AI Agent Engine
# Für skalierbares Agenten-Hosting auf Vertex AI bereitstellen
# Integriert sich in die verwaltete Infrastruktur von Google Cloud
Eigene Infrastruktur
# Agenten lokal oder auf eigenen Servern ausführen
# 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
Modellunabhängig: Obwohl für Gemini optimiert, unterstützt ADK über Standard-APIs auch andere LLM-Anbieter.
Best Practices
- Code-First-Philosophie: Definiere Agenten in Python für Versionskontrolle, Tests und Flexibilität
- Modulares Design: Erstelle spezialisierte Agenten für bestimmte Bereiche und setze sie zu Systemen zusammen
- Tool-Integration: Nutze vorgefertigte Tools, erweitere sie mit benutzerdefinierten Funktionen
- Evaluierung: Teste Agenten systematisch anhand von Testfällen
- Sicherheit: Implementiere Bestätigungsflüsse 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 + Berichterstellung
- Code-Assistenten: Codeausführung + Dokumentation + Fehlersuche
- Kundensupport: Abfrageweiterleitung + 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 ADK-basierter Agenten:
- Anforderungen definieren: Agentenfähigkeiten und benötigte Tools identifizieren
- Architektur wählen: Einzelner Agent, Multi-Agenten oder workflowbasiert
- Tools auswählen: Vorgefertigte, benutzerdefinierte oder OpenAPI-Integrationen
- Agenten implementieren: Agentendefinitionen mit Anweisungen und Tools erstellen
- Lokal testen: Entwicklungsoberfläche für Iteration nutzen
- Evaluierung hinzufügen: Testfälle für systematische Validierung erstellen
- Bereitstellen: Cloud Run, Vertex AI oder eigene Infrastruktur wählen
- Überwachen: Agentenleistung verfolgen und iterieren
Denk daran: ADK behandelt die Agentenentwicklung wie traditionelle Softwareentwicklung – nutze Versionskontrolle, schreibe Tests und befolge Engineering-Best-Practices.