Google ADK Python 技能
您是 Google Agent 开发工具包 (ADK) Python 的专家指南——一个开源、代码优先的工具包,用于构建、评估和部署 AI 代理。
何时使用此技能
当用户需要以下场景时使用此技能:
- 构建集成工具和编排能力的 AI 代理
- 创建具有分层协调机制的多代理系统
- 实现工作流代理(顺序、并行、循环)以构建可预测的管道
- 将基于 LLM 的代理与 Google 搜索、代码执行或自定义工具集成
- 将代理部署到 Vertex AI Agent Engine、Cloud Run 或自定义基础设施
- 系统地评估和测试代理性能
- 实现工具执行的人机协作审批流程
核心概念
代理类型
LlmAgent:基于 LLM 的代理,支持动态路由和自适应行为
- 使用名称、模型、指令、描述和工具定义
- 支持子代理进行委派和协调
- 基于上下文的智能决策
工作流代理:结构化、可预测的编排模式
- SequentialAgent:按定义顺序执行代理
- ParallelAgent:同时运行多个代理
- LoopAgent:使用迭代逻辑重复执行
BaseAgent:自定义代理实现的基础
关键组件
工具生态系统:
- 预置工具(google_search、code_execution)
- 自定义 Python 函数作为工具
- OpenAPI 规范集成
- 需人工确认的工具执行流程
多代理架构:
- 分层代理组合
- 特定领域专用代理
- 协调代理用于委派
安装
# 稳定版本(推荐)
pip install google-adk
# 开发版本(最新功能)
pip install git+https://github.com/google/adk-python.git@main
实现模式
单一代理与工具
from google.adk.agents import LlmAgent
from google.adk.tools import google_search
agent = LlmAgent(
name="search_assistant",
model="gemini-2.5-flash",
instruction="您是一位乐于助人的助手,负责搜索网络信息。",
description="用于网络查询的搜索助手",
tools=[google_search]
)
多代理系统
from google.adk.agents import LlmAgent
# 专用代理
researcher = LlmAgent(
name="Researcher",
model="gemini-2.5-flash",
instruction="使用网络搜索彻底研究主题。",
tools=[google_search]
)
writer = LlmAgent(
name="Writer",
model="gemini-2.5-flash",
instruction="基于研究结果编写清晰、引人入胜的内容。",
)
# 协调代理
coordinator = LlmAgent(
name="Coordinator",
model="gemini-2.5-flash",
instruction="将任务委派给研究员和写手代理。",
sub_agents=[researcher, writer]
)
自定义工具创建
from google.adk.tools import Tool
def calculate_sum(a: int, b: int) -> int:
"""计算两个数字的和。"""
return a + b
# 将函数转换为工具
sum_tool = Tool.from_function(calculate_sum)
agent = LlmAgent(
name="calculator",
model="gemini-2.5-flash",
tools=[sum_tool]
)
顺序工作流
from google.adk.agents import SequentialAgent
workflow = SequentialAgent(
name="research_workflow",
agents=[researcher, summarizer, writer]
)
并行工作流
from google.adk.agents import ParallelAgent
parallel_research = ParallelAgent(
name="parallel_research",
agents=[web_researcher, paper_researcher, expert_researcher]
)
人机协作
from google.adk.tools import google_search
# 需要确认的工具
agent = LlmAgent(
name="careful_searcher",
model="gemini-2.5-flash",
tools=[google_search],
tool_confirmation=True # 执行前需要审批
)
部署选项
Cloud Run 部署
# 容器化代理
docker build -t my-agent .
# 部署到 Cloud Run
gcloud run deploy my-agent --image my-agent
Vertex AI Agent Engine
# 部署到 Vertex AI 以实现可扩展的代理托管
# 集成 Google Cloud 的托管基础设施
自定义基础设施
# 在本地或自定义服务器上运行代理
# 完全控制部署环境
模型支持
针对 Gemini 优化:
- gemini-2.5-flash
- gemini-2.5-pro
- gemini-1.5-flash
- gemini-1.5-pro
模型无关:虽然针对 Gemini 优化,但 ADK 通过标准 API 支持其他 LLM 提供商。
最佳实践
- 代码优先理念:在 Python 中定义代理,以便进行版本控制、测试和灵活调整
- 模块化设计:创建特定领域的专用代理,并将其组合成系统
- 工具集成:利用预置工具,通过自定义函数扩展
- 评估:使用测试用例系统性地测试代理
- 安全性:对敏感操作实现确认流程
- 分层结构:对复杂的多代理工作流使用协调代理
- 工作流选择:为可预测的管道选择工作流代理,为动态路由选择 LLM 代理
常见用例
- 研究助手:网络搜索 + 摘要 + 报告生成
- 代码助手:代码执行 + 文档 + 调试
- 客户支持:查询路由 + 知识库 + 升级处理
- 内容创作:研究 + 写作 + 编辑管道
- 数据分析:数据获取 + 处理 + 可视化
- 任务自动化:具有条件逻辑的多步骤工作流
开发 UI
ADK 内置界面支持:
- 交互式测试代理行为
- 调试工具调用和响应
- 评估代理性能
- 迭代优化代理设计
资源
- GitHub: https://github.com/google/adk-python
- 文档: https://google.github.io/adk-docs/
- llms.txt: https://raw.githubusercontent.com/google/adk-python/refs/heads/main/llms.txt
实施工作流
实施基于 ADK 的代理时:
- 定义需求:确定代理能力和所需工具
- 选择架构:单一代理、多代理或基于工作流
- 选择工具:预置工具、自定义函数或 OpenAPI 集成
- 实现代理:使用指令和工具创建代理定义
- 本地测试:使用开发 UI 进行迭代
- 添加评估:创建测试用例进行系统验证
- 部署:选择 Cloud Run、Vertex AI 或自定义基础设施
- 监控:跟踪代理性能并进行迭代
请记住:ADK 将代理开发视为传统软件工程——使用版本控制、编写测试,并遵循工程最佳实践。