OSCHINA

如果用一個詞去概括 2025 上半年的人工智能領域，筆者認為是 “Agent”（智能體）。

從市場研究機構預測 AI Agent 應用市場將達數百億美元規模，再到眾多科技巨頭如微軟、谷歌、OpenAI 、Anthropic 等紛紛發布 AI Agents 相關產品，直至 AI Agents 從單一智能體發展到 “群體協作” 模式，多個 Agent 可以扮演不同角色合作完成任務，進一步改變了人們的工作、生活。

如果說模型和基建是 “骨架”，那么 AI Agent 則是讓企業 AI “動起來” 的 “神經末梢”。在 Agent 生態爆發的技術場域中，谷歌推出的 AgentSpace ，正成為企業構建智能系統的 “樂高平臺”，更關鍵的是，谷歌通過開源智能體開發工具包 （ ADK ）和 Agent-to-Agent（ A2A ）協議，解決了多 Agent 協作和安全驗證的難題。

這種 “開箱即用 + 自定義開發” 的模式，讓企業無需從頭開發，就能快速搭建復雜的 Agents 系統。本文將帶你深入了解GoogleADK的奧秘，揭開它的核心功能和無限潛力，一起解鎖這場 AI 技術的新玩法！

什么是 Google ADK ？

Google 的 Agent Development Kit（ ADK ）是一款靈活且模塊化的開發框架，專為設計、構建和部署 AI Agent 而打造。筆者看重兩點，模塊化：允許開發者通過整合多個專業化的小型組件，構建復雜的多 Agent 系統；Agent 協調：協調 Agent 將任務分配給專業化子 Agent ，形成復雜的協作網絡。

打個比方，銷售 Agent 做銷售的事，運營 Agent 做運營的事，ADK 則構建出一個層次化的業務中臺，針對使用者的具體需求，分別去調配各個 Agent ，并且根據需求的復雜程度，開發者還可以靈活創建定制化工具。例如官網文檔的演示 demo ，僅需十幾行代碼，就可以搓一個多 Agent 系統。

那么，ADK 是如何委派工作的呢？這就不得不提到 ADK 的自動委派機制。在接收到用戶消息時，LLM 會首先對用戶消息進行分析，同時結合當前 Agent 自身的描述信息以及其他相關 Agent 的描述信息。如果 ADK 發現另一個 Agent 更能勝任，任務就開始轉移。

總而言之，ADK 協調系統里的每個 Agent 專注于做好一件事，而不是試圖去處理每一種可能的交互。在 ADK 中，Agent 框架中，Agent 被定義為一個獨立的執行單元，旨在自主運行以實現特定目標，而 ADK 的架構設計與實際能力整體統籌下來，可以搞定：

1. 執行任務：獨立完成預定義的目標，如回答問題或生成報告，展現出高效的自動化能力；

2. 與用戶交互：通過自然語言對話或界面操作，與人類用戶無縫溝通，模擬真實對話體驗；

3. 利用外部工具：調用 API 、數據庫或第三方服務，擴展功能邊界，解決復雜問題；

4. 與其他 Agent 協作：利用多 Agent 編排，共同完成復雜的業務流程，如統計分析或多語言翻譯任務。

這些 Agents 的靈活性與協作性，使 ADK 成為構建智能工作流的核心組件，特別是在需要高度自動化和協同的場景中表現卓越。想象它們像一個 “高效團隊”，每個成員各司其職，又能緊密合作，共同完成從簡單到復雜的 “智能使命”。

Google ADK 具有哪些核心特性？

接下來，和大家聊聊 ADK 的核心特性，并結合其技術優勢和應用場景，為大家呈現一個全面的概述。

一、模塊化架構

上文也簡單提到了，ADK 采用的模塊化架構就像是將一個復雜的系統分解成一個個獨立的、具有特定功能的小模塊，每個模塊都可以被看作是一個 “樂高積木”。這些模塊有著明確的功能和接口，它們可以對開發、測試和維護，當我們將這些專業化的 Agent 組合在一起，就能構建出一個復雜的、能夠完成多種任務的多 Agent 系統。

并且，由于每個模塊都相對獨立，開發者可以專注于單個模塊的開發和優化，而無需擔心這個模塊的變化對其他模塊產生難以預測的影響，這就好比搭建樂高積木，我們可以一塊一塊地拼接，如果某一塊積木出現問題，也不會影響整個積木結構。

二、代碼優先開發效能

ADK 以代碼為驅動，開發者可以使用 Python 語言精準定義 Agent 行為，賦予其完全的程序化控制權。這種方法消除了傳統配置的繁瑣性，讓大家能夠通過腳本靈活調整邏輯、優化性能，并快速迭代。

三、豐富的工具鏈生態

ADK 本身包含了多種預先構建好的工具集合。這些工具涵蓋了不同的功能領域，例如 API 調用方面，能夠方便地與其他外部系統進行交互，實現數據的獲取和發送等功能。開發者在開發的過程中可以直接使用這些預建工具來完成特定任務，無需從頭開始編寫復雜的代碼。

并且，ADK 特別優化了與 Google Cloud 生態系統的集成，例如與Gemini 2.5 Pro Experimental模型和VertexAI平臺無縫銜接。通過這些集成，開發者可以充分利用 Gemini 模型的增強推理能力，并直接將智能體部署到企業級運行時環境中。

Google Search （通過工具調用） Gmail （通過工具調用） Google Calendar （通過工具調用） Google Cloud API （與各種云服務無縫集成） 各種企業內部系統（通過 Extensions / Function Calling 等機制連接）

四、多模型支持

此外，ADK 也支持多種大語言模型的集成，包括剛剛提到的 Gemini 系列，以及 OpenAI 的 GPT 系列、Anthropic Claude 等。這一特性使得開發者能夠根據任務需求選擇最優模型，同時也減少了一些非必要的資源消耗。

得益于以上四點，即便是初學者也能搭建出自己想要的 Agent ，讓開發工作更多回歸于靈感聚焦，減少繁瑣的基礎代碼編寫工作。

ADK 與 MCP 之間如何串聯？

最近很火的 MCP 如何與 Google ADK 串聯起來呢？方法也很簡單。ADK 提供了三種主要的 Agent 類型：

• LLMAgents：Agents 利用大語言模型作為其核心引擎，以理解自然語言、進行推理、規劃任務、生成響應，并動態決定如何推進任務或使用哪些工具。

• WorkflowAgents（順序 Agent ，循環 Agent ，并行 Agent ）：以預定義的確定性模式（序列、循環或并行）控制 Agents ，非常適合需要可預測執行的結構化流程。

• Custom Agents：通過擴展 BaseAgent 來構建滿足特定需求的 Agent 。

而 MCP 的核心任務是接收來自客戶端的請求，然后依據這些請求調度和執行相應的工具與功能，ADK 中的執行 Agent（ Execution Agent ）所具備的任務執行和調度，恰好能契合 MCP 這一需求。

這里，筆者參考 @QuantML 的方法，基于 ADK + MCP + Gemini AI 來實現搭建，架構如下圖：

先決條件

1. 安裝 Python 3.8 或更高版本

2. 通過 API 密鑰訪問 Google Gemini 生成式 AI

3. 一個有效的 SerpAPI 密鑰（用于獲取實時航班數據）

步驟 1：設置虛擬環境

使用一下命令安裝依賴項：

步驟 2：理解ADK作為MCP客戶端

• LlmAgent是 ADK 中的一個核心組件，它利用大模型語言的能力；

• Runner負責在 Agent 的生命周期內協調各個組件站之間的交互；

• InMemorySessionService是 ADK 的SessionService接口的實現，它存儲所有會話數據；

• 當用戶與 AI Agent 交互時，會創建一個Session對象來跟蹤對話；

• StdioServerParameters是一個配置類，用于指定 Agent 應如何通過標準輸入 / 輸出連接到 MCP 服務器。

當結合使用時，MCPToolset和StdioServerParameters允許 ADK 協調：

1. 建立連接：使用StdioServerParameters，定義啟動 MCP 服務器進程所需的命令和參數。

2. 發現可用工具：MCPToolset連接到 MCP 服務器并檢索 Agent 可以使用的可用工具列表。

3. 將工具集成到 Agent 中：將發現的工具適配為與 ADK 兼容的格式，從而實現無縫集成。

4. 管理連接生命周期：MCPToolset處理與 MCP 服務器的連接設置和拆除，確保資源得到正確管理。

步驟 3：連接到MCP服務器，并使用ADK創建 Agent

StdioServerParameters定義了使用MCPToolSet進行異步列表和監聽的 MCP 配置。

再將 Agent 創建、會話管理和編排與 Runner 集成并進行全面測試，驗證 Agent 在業務場景下與 MCP 服務器交互的穩定性和準確性。建議根據測試結果，優化 Agent 的參數配置、異步操作邏輯，以降低延遲，最后再部署到生產環境。

ADK 的衍生思考

技術初步落成，如果大家也想手搓一個多 Agent 系統，筆者這里分享幾個比較實用的開發方向。

最近不是快 6?18 了嗎？本著能省就是賺的原則，搓一個AI購物助手豈不是很香？專攻不同平臺之間的優惠搭配和產品比價，一個 Agent 抓取平臺優惠政策及產品信息，一個 Agent 學習商品推薦，第三個 Agent 負責處理購買流程，分模塊拼湊起來，就能提供一個不錯的薅羊毛體驗。

其次，7、8 月份也是一個畢業季，構建一個輔導畢業生擇業選擇 Agent 系統。一個 Agent 可以專注于數據清洗和準備，另一個運行統計分析，第三個生成可視化報告。通過將復雜的企業資料、招聘需求分解為由專門 Agent 處理的分析報告，最終賦能于緊張的簡歷投遞場景。

當然，三兩句肯定是不能完整支持技術實現的，其間的細節解決、技術挑戰，或許還需要接入到更多的工具才能完成。而 Google ADK 真正讓人興奮的，其實是它是一個開源框架，它是 Agent 技術民主化運動中的重要一步。

都說 2025 年是 Agent 應用爆發的一年，但真正好用的、并且滿足你需求的 Agent 應用，又有幾個呢？無非都是在堆功能、堆體量、博用戶規模，賭用戶剛好需要我這款（且賭用戶沒有看到競品的廣告）。ADK 所做的，是通過輕量化的開發路徑，讓更多開發者可以發散自己的靈感，從而手搓一個屬于自己的 AI Agent 。就像羅胖的那句，天下沒有嚴格意義上的好產品，只有滿足一部分人需求的產品。

總結，ADK 消除了許多傳統開發 Agent 過程中的一些阻礙，通過有效協作的模塊化，以及專業 Agent 能力為各行各業的 AI 應用開辟了新的可能。隨著 AI 格局繼續向多 Agent 系統發展，像 ADK 這樣的開源框架也將在 Agent 民主化方面發揮關鍵作用。

最后，Google ADK 的地址附上↓

代碼地址: https://github.com/google/adk-python

文檔地址: https://google.github.io/adk-docs/

↓分享、在看與點贊~Orz