AI 领域发展迅速，已不再满足于单一目的模型，而是转向智能、自主的多智能体系统。然而，构建这些多智能体系统带来了全新的挑战。这便是为什么我们今天会在 2025 年 Google Cloud NEXT 大会上推出智能体开发套件 (ADK)，这是 Google 的一个全新开源框架，旨在简化智能体和多智能体系统的全栈端到端开发。像您这样的开发者能够借助 ADK 以更大的灵活性和精确的控制手段构建生产就绪型智能体应用。
Agentspace 和 Google Customer Engagement Suite (CES) 等 Google 产品便是采用 ADK 来为自身智能体提供支持的。通过将 ADK 开源，我们旨在为开发者提供强大、灵活的工具，以便他们在快速发展的智能体领域中构建项目。ADK 在设计时充分考虑了灵活性，可使用不同模型，针对不同部署环境构建生产就绪型智能体。
ADK 可在整个智能体开发生命周期中提供以下功能：
顺序、并行、循环）为可预测流水线定义工作流，或利用 LLM 驱动的动态路由（LlmAgent 传输）开发自适应行为。虽然我们鼓励您探索文档中的示例，但核心思想还是 Python 式简洁。您负责定义智能体的逻辑、可使用工具及其处理信息的方式。ADK 则提供用于管理状态、编排工具调用以及与底层 LLM 交互的结构。下面是一个基础智能体的说明性示例。
您可以在快速入门指南中找到相关代码。
from google.adk.agents import LlmAgent
from google.adk.tools import google_Search
dice_agent = LlmAgent(
model="gemini-2.0-flash-exp", # Required: Specify the LLM
name="question_answer_agent", # Requdired: Unique agent name
description="A helpful assistant agent that can answer questions.",
instruction="""Respond to the query using google search""",
tools=[google_search], # Provide an instance of the tool
)
# you can run this by using adk web
这个简单示例展示了基础结构。如果您需要构建涉及多个智能体、复杂工具使用以及动态编排的复杂应用，同时又需要保持掌控，ADK 真的是很理想的工具。
ADK 可让您灵活选择与智能体交互的方式：CLI、Web 界面、API 服务器和 API (Python)。无论您选择哪种交互方式，您定义智能体的方式（agent.py 中的核心逻辑）都是一样的。不同之处在于您如何发起和管理交互。您可以在 ADK 文档中找到所有示例。
当您不再满足于单个智能体，而是想要构建可利用各种工具的协作式多智能体系统时，ADK 会是很理想的工具。不妨想象一下，您可创建一个专用智能体团队，其中的主要智能体可以根据对话委派任务。ADK 可通过分层结构和智能路由助您轻松实现此构想。
来看看以下说明性示例：WeatherAgent 可处理天气查询，但会将问候委托给专用的GreetingAgent。
1. 定义工具：智能体使用工具来执行操作。此处，我们的 WeatherAgent 需要工具来获取天气数据。我们定义了一个 Python 函数；ADK 会使用其文档字符串来了解何时以及如何使用它。
def get_weather(city: str) -> Dict:
# Best Practice: Log tool execution for easier debugging
print(f"--- Tool: get_weather called for city: {city} ---")
city_normalized = city.lower().replace(" ", "") # Basic input normalization
# Mock weather data for simplicity (matching Step 1 structure)
mock_weather_db = {
"newyork": {"status": "success", "report": "The weather in New York is sunny with a temperature of 25°C."},
"london": {"status": "success", "report": "It's cloudy in London with a temperature of 15°C."},
"tokyo": {"status": "success", "report": "Tokyo is experiencing light rain and a temperature of 18°C."},
"chicago": {"status": "success", "report": "The weather in Chicago is sunny with a temperature of 25°C."},
"toronto": {"status": "success", "report": "It's partly cloudy in Toronto with a temperature of 30°C."},
"chennai": {"status": "success", "report": "It's rainy in Chennai with a temperature of 15°C."},
}
# Best Practice: Handle potential errors gracefully within the tool
if city_normalized in mock_weather_db:
return mock_weather_db[city_normalized]
else:
return {"status": "error", "error_message": f"Sorry, I don't have weather information for '{city}'."}
2. 定义智能体及它们之间关系：我们使用 LlmAgent 来创建智能体。请密切注意指令和描述字段，LLM 在了解角色并使用子智能体的自动委派功能做出委派决策时，会严重依赖这些内容。
greeting_agent = Agent(
model=LiteLlm(model="anthropic/claude-3-sonnet-20240229"),
name="greeting_agent",
instruction="You are the Greeting Agent. Your ONLY task is to provide a friendly greeting to the user. " "Do not engage in any other conversation or tasks.",
# Crucial for delegation: Clear description of capability
description="Handles simple greetings and hellos",
)
farewell_agent = Agent(
model=LiteLlm(model="anthropic/claude-3-sonnet-20240229"),
name="farewell_agent",
instruction="You are the Farewell Agent. Your ONLY task is to provide a polite goodbye message. "
"Do not perform any other actions.",
# Crucial for delegation: Clear description of capability
description="Handles simple farewells and goodbyes",
)
root_agent = Agent(
name="weather_agent_v2",
model="gemini-2.0-flash-exp",
description="You are the main Weather Agent, coordinating a team. - Your main task: Provide weather using the `get_weather` tool. Handle its 'status' response ('report' or 'error_message'). - Delegation Rules: - If the user gives a simple greeting (like 'Hi', 'Hello'), delegate to `greeting_agent`. - If the user gives a simple farewell (like 'Bye', 'See you'), delegate to `farewell_agent`. - Handle weather requests yourself using `get_weather`. - For other queries, state clearly if you cannot handle them.",
tools=[get_weather], # Root agent still needs the weather tool
sub_agents=[greeting_agent, farewell_agent]
)
描述以及相关智能体（在层次结构中定义的父/子智能体）的描述字段。GreetingAgent 的描述相匹配），便会发起转接流程。清晰、鲜明的描述至关重要！LLM 可使用它们来有效地委派任务。
在此设置中，如果用户以“Hi”开头，则 WeatherAgent（如果是处理输入的根智能体）会识别出那不是天气查询，并根据 GreetingAgent 的描述确定它更适用，然后自动转移控制权。如果用户询问“芝加哥天气如何？”，WeatherAgent 便会直接使用 get_weather 工具处理查询。
此示例演示了 ADK 的层次结构和描述驱动型委派功能可如何助您构建有组织、可维护的复杂多智能体应用。
构建 WeatherAgent 等智能体只是基础操作，但将它们可靠地提供给用户却涉及到关键的后续步骤：严格的评估和无缝部署。在智能体上线之前，应务必确保其行为可预测且正确。ADK 的集成式评估工具正是为此而设计的，可让您根据预定义数据集（例如 evaluation.test.json 或 test.json）系统地测试执行路径和响应质量。您可以使用 AgentEvaluator.evaluate() 在测试套件中以编程方式运行这些检查。您也可以直接通过 ADK 评估命令行工具或 Web 界面使用评估功能。
在您对性能感到满意后，ADK 可选择部署到任何容器运行时或使用其与 Vertex AI Agent Engine 的集成，为生产提供一条清晰的简化路径。您可借此利用全托管式可扩展企业级运行时，完成开发生命周期，将复杂的原型转变为强大的生产就绪型智能体应用。
在您借助 ADK 探索构建多智能体系统的各种可能性时，您可能想知道它在更广泛的 Google GenAI 开发工具领域中处于何种地位。虽然有多种 SDK 和框架可供使用（例如 Genkit 框架），但了解 ADK 的相对关注重点会对工具选择有所帮助。以下是一个简短比较：
最终，最佳选择取决于项目的具体目标。如果您要在明确定义的框架内构建复杂的协作式智能体系统，则 ADK 可为您提供强大的解决方案。对于许多其他需要灵活性和广泛模型支持的 GenAI 项目，Genkit 是一个很好的选择。
虽然智能体开发套件 (ADK) 极具灵活性，可配合各种工具使用，但它仅针对 Google Cloud 生态系统内的无缝集成进行了优化，特别是与 Gemini 模型和 Vertex AI 的无缝集成。这种量身定制的设计使开发者能够充分利用 Gemini 的先进功能，例如 Gemini 2.5 Pro Experimental 中的增强型推理和工具使用。这种设计还提供了一种直接的原生路径，可将这些智能体部署到 Vertex AI 的全代管式企业级运行时中，从而实现可扩展性。
最重要的是，这种深度集成可以扩展到更广泛的企业领域；ADK 使智能体能够通过 100 多个预构建的连接器直接连接系统和数据，利用通过 Application Integration 构建的工作流，以及访问存储在 AlloyDB、BigQuery 和 NetApp 等系统中的数据，而无需复制数据。
此外，使用 ADK 构建的智能体可以安全地利用通过 Apigee 管理的组织现有 API 投资，并通过利用已建立的界面进一步增强其功能。
通过这种包含先进 AI 模型、可扩展部署、多样化数据源和现有 API 的全面连接，当 ADK 在 Google Cloud 环境中使用时，它会变得非常强大。
智能体开发套件 (ADK) 可为构建新一代 AI 应用提供强大、灵活的开源基础。它通过提供以下功能来应对多智能体开发的核心挑战：
我们很期待看到您使用 ADK 构建的项目！
探索代码：官方 ADK 文档。
