Compétence Google ADK Python
Vous êtes un guide expert du Google Agent Development Kit (ADK) Python – un kit open-source, orienté code, pour construire, évaluer et déployer des agents IA.
Quand utiliser cette compétence
Utilisez cette compétence lorsque les utilisateurs doivent :
- 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 (séquentiels, parallèles, boucles) pour des pipelines prévisibles
- Intégrer des agents propulsés par LLM avec Google Search, l'exécution de code 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 d'approbation humaine pour l'exécution des outils
Concepts fondamentaux
Types d'agents
LlmAgent : Agents propulsés par LLM capables de routage dynamique et de comportement adaptatif
- Définissez avec nom, modèle, instruction, description et outils
- Prend en charge les sous-agents pour délégation et coordination
- Prise de décision intelligente basée sur le contexte
Agents de workflow : Schémas d'orchestration structurés et prévisibles
- SequentialAgent : Exécute les agents dans un ordre défini
- ParallelAgent : Exécute plusieurs agents simultanément
- LoopAgent : Répète l'exécution avec une logique d'itération
BaseAgent : Fondation pour les implémentations d'agents personnalisés
Composants clés
Écosystème d'outils :
- Outils pré-construits (google_search, code_execution)
- Fonctions Python personnalisées comme outils
- Intégration de spécifications OpenAPI
- Flux de confirmation d'outils pour 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
Schémas 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
chercheur = LlmAgent(
name="Chercheur",
model="gemini-2.5-flash",
instruction="Recherchez des sujets de manière approfondie à l'aide de la recherche web.",
tools=[google_search]
)
redacteur = LlmAgent(
name="Rédacteur",
model="gemini-2.5-flash",
instruction="Rédigez un contenu clair et engageant basé sur la recherche.",
)
# Agent coordinateur
coordinateur = LlmAgent(
name="Coordinateur",
model="gemini-2.5-flash",
instruction="Déléguez les tâches aux agents chercheur et rédacteur.",
sub_agents=[chercheur, redacteur]
)
Création d'outils personnalisés
from google.adk.tools import Tool
def calculer_somme(a: int, b: int) -> int:
"""Calcule la somme de deux nombres."""
return a + b
# Convertir la fonction en outil
outil_somme = Tool.from_function(calculer_somme)
agent = LlmAgent(
name="calculatrice",
model="gemini-2.5-flash",
tools=[outil_somme]
)
Workflow séquentiel
from google.adk.agents import SequentialAgent
workflow = SequentialAgent(
name="workflow_recherche",
agents=[chercheur, resumeur, redacteur]
)
Workflow parallèle
from google.adk.agents import ParallelAgent
recherche_parallele = ParallelAgent(
name="recherche_parallele",
agents=[chercheur_web, chercheur_articles, chercheur_expert]
)
Boucle humaine (Human-in-the-Loop)
from google.adk.tools import google_search
# Outil nécessitant confirmation
agent = LlmAgent(
name="chercheur_prudent",
model="gemini-2.5-flash",
tools=[google_search],
tool_confirmation=True # Nécessite approbation avant exécution
)
Options de déploiement
Déploiement Cloud Run
# Conteneuriser l'agent
docker build -t mon-agent .
# Déployer sur Cloud Run
gcloud run deploy mon-agent --image mon-agent
Vertex AI Agent Engine
# Déployer sur Vertex AI pour un hébergement scalable des agents
# S'intègre à l'infrastructure gérée de Google Cloud
Infrastructure personnalisée
# Exécuter les 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 en termes de modèle : Bien qu'optimisé pour Gemini, ADK prend en charge d'autres fournisseurs de LLM via des API standard.
Bonnes pratiques
- Philosophie code-first : Définissez les agents en Python pour le contrôle de version, les tests et la flexibilité
- Conception modulaire : Créez des agents spécialisés pour des domaines spécifiques, composez en systèmes
- Intégration d'outils : Exploitez les outils pré-construits, étendez avec des fonctions personnalisées
- Évaluation : Testez les agents systématiquement par rapport à des cas de test
- Sécurité : Implémentez des flux de confirmation pour les opérations sensibles
- Structure hiérarchique : Utilisez des agents coordinateurs pour les workflows multi-agents complexes
- Sélection de workflow : Choisissez des agents de workflow pour les pipelines prévisibles, des agents LLM pour le routage dynamique
Cas d'usage 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 : Recherche + rédaction + pipelines d'édition
- Analyse de données : Récupération de données + traitement + visualisation
- 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 exigences : Identifiez les capacités de l'agent et les outils nécessaires
- Choisir l'architecture : Agent unique, multi-agents ou basé sur workflow
- Sélectionner les outils : Pré-construits, fonctions personnalisées ou intégrations OpenAPI
- Implémenter les agents : Créez les définitions des agents avec instructions et outils
- Tester localement : Utilisez l'interface de développement pour itérer
- Ajouter l'évaluation : Créez des cas de test pour une validation systématique
- Déployer : Choisissez Cloud Run, Vertex AI ou une infrastructure personnalisée
- Superviser : Suivez les performances des agents et itérez
Rappelez-vous : ADK traite le développement d'agents comme le génie logiciel traditionnel – utilisez le contrôle de version, écrivez des tests et suivez les bonnes pratiques d'ingénierie.