Compétence Google ADK Python
Vous êtes un guide expert pour le Google Agent Development Kit (ADK) Python - une boîte à outils open-source, orientée code, pour construire, évaluer et déployer des agents IA.
Quand utiliser cette compétence
Utilisez cette compétence lorsque les utilisateurs ont besoin de :
- Construire des agents IA avec intégration d'outils et capacités d'orchestration
- Créer des systèmes multi-agents avec coordination hiérarchique
- Implémenter des agents de workflow (séquentiel, parallèle, boucle) pour des pipelines prévisibles
- Intégrer des agents pilotés par LLM avec Google Search, Code Execution ou des outils personnalisés
- Déployer des agents sur Vertex AI Agent Engine, Cloud Run ou une infrastructure personnalisée
- Évaluer et tester systématiquement les performances des agents
- Implémenter des flux de validation humaine pour l'exécution d'outils
Concepts clés
Types d'agents
LlmAgent : Agents pilotés par LLM capables de routage dynamique et de comportement adaptatif
- Définir avec un nom, un modèle, des instructions, une description et des outils
- Prend en charge les sous-agents pour la délégation et la coordination
- Prise de décision intelligente basée sur le contexte
Agents de workflow : Modèles d'orchestration structurés et prévisibles
- SequentialAgent : Exécuter les agents dans un ordre défini
- ParallelAgent : Exécuter plusieurs agents simultanément
- LoopAgent : Répéter l'exécution avec une logique d'itération
BaseAgent : Fondation pour des implémentations d'agents personnalisées
Composants clés
Écosystème d'outils :
- Outils pré-construits (google_search, code_execution)
- Fonctions Python personnalisées comme outils
- Intégration des spécifications OpenAPI
- Flux de confirmation d'outils pour l'approbation humaine
Architecture multi-agents :
- Composition hiérarchique des agents
- Agents spécialisés pour des domaines spécifiques
- Agents coordinateurs pour la délégation
Installation
# Version stable (recommandée)
pip install google-adk
# Version de développement (dernières fonctionnalités)
pip install git+https://github.com/google/adk-python.git@main
Modèles d'implémentation
Agent unique avec outils
from google.adk.agents import LlmAgent
from google.adk.tools import google_search
agent = LlmAgent(
name="search_assistant",
model="gemini-2.5-flash",
instruction="Vous êtes un assistant utile qui recherche des informations sur le web.",
description="Assistant de recherche pour requêtes web",
tools=[google_search]
)
Système multi-agents
from google.adk.agents import LlmAgent
# Agents spécialisés
researcher = LlmAgent(
name="Researcher",
model="gemini-2.5-flash",
instruction="Recherchez des sujets de manière approfondie en utilisant la recherche web.",
tools=[google_search]
)
writer = LlmAgent(
name="Writer",
model="gemini-2.5-flash",
instruction="Rédigez un contenu clair et engageant basé sur la recherche.",
)
# Agent coordinateur
coordinator = LlmAgent(
name="Coordinator",
model="gemini-2.5-flash",
instruction="Déléguez les tâches aux agents de recherche et de rédaction.",
sub_agents=[researcher, writer]
)
Création d'outils personnalisés
from google.adk.tools import Tool
def calculate_sum(a: int, b: int) -> int:
"""Calcule la somme de deux nombres."""
return a + b
# Convertir la fonction en outil
sum_tool = Tool.from_function(calculate_sum)
agent = LlmAgent(
name="calculator",
model="gemini-2.5-flash",
tools=[sum_tool]
)
Workflow séquentiel
from google.adk.agents import SequentialAgent
workflow = SequentialAgent(
name="research_workflow",
agents=[researcher, summarizer, writer]
)
Workflow parallèle
from google.adk.agents import ParallelAgent
parallel_research = ParallelAgent(
name="parallel_research",
agents=[web_researcher, paper_researcher, expert_researcher]
)
Validation humaine
from google.adk.tools import google_search
# Outil avec confirmation requise
agent = LlmAgent(
name="careful_searcher",
model="gemini-2.5-flash",
tools=[google_search],
tool_confirmation=True # Nécessite une approbation avant exécution
)
Options de déploiement
Déploiement Cloud Run
# Conteneuriser l'agent
docker build -t my-agent .
# Déployer sur Cloud Run
gcloud run deploy my-agent --image my-agent
Vertex AI Agent Engine
# Déployer sur Vertex AI pour un hébergement d'agent évolutif
# S'intègre à l'infrastructure gérée de Google Cloud
Infrastructure personnalisée
# Exécuter des agents localement ou sur des serveurs personnalisés
# Contrôle total sur l'environnement de déploiement
Support des modèles
Optimisé pour Gemini :
- gemini-2.5-flash
- gemini-2.5-pro
- gemini-1.5-flash
- gemini-1.5-pro
Agnostique aux modèles : Bien qu'optimisé pour Gemini, ADK prend en charge d'autres fournisseurs de LLM via des API standard.
Bonnes pratiques
- Philosophie code-first : Définir les agents en Python pour le contrôle de version, les tests et la flexibilité
- Conception modulaire : Créer des agents spécialisés pour des domaines spécifiques, les composer en systèmes
- Intégration d'outils : Tirer parti des outils pré-construits, les étendre avec des fonctions personnalisées
- Évaluation : Tester les agents systématiquement avec des cas de test
- Sécurité : Implémenter des flux de confirmation pour les opérations sensibles
- Structure hiérarchique : Utiliser des agents coordinateurs pour des workflows multi-agents complexes
- Sélection de workflow : Choisir des agents de workflow pour des pipelines prévisibles, des agents LLM pour le routage dynamique
Cas d'utilisation courants
- Assistants de recherche : Recherche web + résumé + génération de rapports
- Assistants de code : Exécution de code + documentation + débogage
- Support client : Routage des requêtes + base de connaissances + escalade
- Création de contenu : Pipelines de recherche + rédaction + édition
- Analyse de données : Récupération + traitement + visualisation des données
- Automatisation de tâches : Workflows multi-étapes avec logique conditionnelle
Interface de développement
ADK inclut une interface intégrée pour :
- Tester le comportement des agents de manière interactive
- Déboguer les appels d'outils et les réponses
- Évaluer les performances des agents
- Itérer sur la conception des agents
Ressources
- GitHub : https://github.com/google/adk-python
- Documentation : https://google.github.io/adk-docs/
- llms.txt : https://raw.githubusercontent.com/google/adk-python/refs/heads/main/llms.txt
Workflow d'implémentation
Lors de l'implémentation d'agents basés sur ADK :
- Définir les besoins : Identifier les capacités de l'agent et les outils nécessaires
- Choisir l'architecture : Agent unique, multi-agents, ou basée sur un workflow
- Sélectionner les outils : Pré-construits, fonctions personnalisées ou intégrations OpenAPI
- Implémenter les agents : Créer des définitions d'agents avec instructions et outils
- Tester localement : Utiliser l'interface de développement pour itérer
- Ajouter l'évaluation : Créer des cas de test pour une validation systématique
- Déployer : Choisir Cloud Run, Vertex AI ou une infrastructure personnalisée
- Surveiller : Suivre les performances des agents et itérer
Rappelez-vous : ADK traite le développement d'agents comme l'ingénierie logicielle traditionnelle - utilisez le contrôle de version, rédigez des tests et suivez les meilleures pratiques d'ingénierie.