【GitHub开源项目专栏】Google ADK深度解析：多智能体开发的工程化实践

引言

2026年4月，Google正式发布Agent Development Kit（ADK）2.0版本，将多智能体开发推向新的高度。这个开源框架不仅支持Python、TypeScript、Go、Java四种语言，更在多智能体协作、A2A协议集成、生产级部署等方面展现出强大的工程能力。本文将从架构设计、核心特性、代码实现三方面进行深度解析。

一、项目概述

1.1 什么是Google ADK

Google ADK（Agent Development Kit）是一个代码优先的智能体开发框架，旨在让智能体开发像软件开发一样规范可控。

项目地址：https://github.com/google/adk-python

核心特性：

• 模型无关：支持Gemini、GPT-4、Claude等主流模型
• 多语言支持：Python/TypeScript/Go/Java
• 内置开发UI：快速测试和调试
• A2A协议：支持与其他框架的智能体通信
• 生产级部署：支持Cloud Run、Vertex AI

1.2 为什么选择ADK

与LangGraph、AutoGen等框架相比，ADK的优势在于：

二、核心架构

2.1 智能体类型体系

ADK定义了三种核心智能体类型，形成完整的层次结构：

┌─────────────────────────────────────────┐ │ BaseAgent（基类） │ ├─────────────────────────────────────────┤ │ ┌─────────────┐ ┌──────────────────┐ │ │ │ LlmAgent │ │ WorkflowAgent │ │ │ │ (LLM驱动) │ │ (流程控制) │ │ │ └─────────────┘ └──────────────────┘ │ │ │ │ │ │ ▼ ▼ │ │ ┌─────────────────────────────────┐ │ │ │ SequentialAgent (顺序执行) │ │ │ │ ParallelAgent (并行执行) │ │ │ │ LoopAgent (循环执行) │ │ │ └─────────────────────────────────┘ │ └─────────────────────────────────────────┘

2.2 单智能体定义

fromgoogle.adk.agentsimportAgentfromgoogle.adk.toolsimportgoogle_search# 创建简单的问答智能体root_agent=Agent(name="search_assistant",model="gemini-2.5-flash",instruction="""你是一个有帮助的助手。 当用户询问需要实时信息的问题时，使用Google Search工具。 回答要简洁准确。""",description="搜索助手：可以搜索网络的AI助手",tools=[google_search])

2.3 多智能体系统

fromgoogle.adk.agentsimportLlmAgent# 定义子智能体greeter=LlmAgent(name="greeter",model="gemini-2.5-flash",instruction="你是接待员，负责问候用户并了解他们的需求。",description="接待员")researcher=LlmAgent(name="researcher",model="gemini-2.5-flash",instruction="你是研究员，负责深入分析用户问题并提供详细信息。",description="研究员")# 定义协调者coordinator=LlmAgent(name="coordinator",model="gemini-2.5-flash",description="协调者",instruction="你是协调者，管理greeter和researcher的工作流程。",sub_agents=[greeter,researcher]# 关键：指定子智能体)

三、ADK 2.0新特性

3.1 图工作流（Graph-based Workflows）

ADK 2.0引入了基于图的工作流定义，提供更精细的流程控制：

fromgoogle.adk.agents.graphimportGraph,State# 定义工作流图workflow=Graph(start="research",end="output",states={"research":State(type="agent",agent=researcher),"review":State(type="agent",agent=reviewer),"output":State(type="agent",agent=finalizer),},transitions=[{"from":"research","to":"review","condition":"needs_review"},{"from":"research","to":"output","condition":"final"},{"from":"review","to":"research","condition":"needs_rework"},{"from":"review","to":"output","condition":"approved"},])

3.2 协作智能体（Collaborative Agents）

支持更复杂的多智能体协作场景：

# 主智能体将任务委托给子智能体asyncdefdelegate_task(task:str,sub_agents:list):foragentinsub_agents:ifagent.can_handle(task):returnawaitagent.process(task)returnNone# 动态选择最合适的智能体classDynamicRouter:def__init__(self,agents):self.agents=agentsasyncdefroute(self,task):# 根据任务类型动态选择智能体task_type=awaitself.classify(task)returnnext((aforainself.agentsifa.specializes_in==task_type),self.agents[0])

四、工具系统

4.1 内置工具

ADK提供了丰富的内置工具：

fromgoogle.adk.toolsimport(google_search,# 网络搜索code_execution,# 代码执行file_system,# 文件操作calculator# 计算器)

4.2 MCP工具集成

fromgoogle.adk.tools.mcpimportMCPTool# 集成MCP服务器mcp_tool=MCPTool(server_name="filesystem",tools=["read_file","write_file","list_directory"])# 在智能体中使用agent=Agent(name="file_assistant",tools=[mcp_tool])

4.3 自定义工具

fromgoogle.adk.toolsimportFunctionTooldefget_weather(city:str)->str:"""获取城市天气信息"""# 实际应用中调用天气APIreturnf"{city}今天晴天，温度25°C"weather_tool=FunctionTool(name="get_weather",description="根据城市名称获取天气信息",parameters={"type":"object","properties":{"city":{"type":"string","description":"城市名称"}},"required":["city"]},function=get_weather)

五、开发与部署

5.1 本地开发

# 安装pipinstallgoogle-adk# 使用开发UIadk web

5.2 Cloud Run部署

# Dockerfile FROM python:3.11-slim WORKDIR /app COPY requirements.txt . RUN pip install -r requirements.txt COPY . . CMD ["adk", "serve", "--port=8080"]

# cloudbuild.yamlsteps:-name:'gcr.io/cloud-builders/docker'args:['build','-t','gcr.io/$PROJECT_ID/adk-agent','.']-name:'gcr.io/cloud-builders/docker'args:['push','gcr.io/$PROJECT_ID/adk-agent']-name:'gcr.io/cloud-run-release/executor'args:['--image=gcr.io/$PROJECT_ID/adk-agent','--platform=managed']

5.3 Vertex AI Agent Engine

fromgoogle.cloudimportagent_engine# 部署到Vertex AIdeployment=agent_engine.create(display_name="production-agent",agent_uri="./my_agent",config={"machine_type":"e2-standard-4","min_instance_count":1,"max_instance_count":10})

六、最佳实践

6.1 提示词设计

# 好的提示词设计good_instruction=""" 你是{role}，负责{responsibility}。 能力： - {capability_1} - {capability_2} - {capability_3} 约束： - {constraint_1} - {constraint_2} 输出格式： {output_format} """# 避免这样做bad_instruction="你是助手，回答用户问题"# 太模糊

6.2 错误处理

fromgoogle.adk.agentsimportAgentfromgoogle.adk.errorsimportAgentErrorclassResilientAgent(Agent):asyncdefrun_async(self,input_text:str):max_retries=3forattemptinrange(max_retries):try:returnawaitsuper().run_async(input_text)exceptAgentErrorase:ifattempt==max_retries-1:raiseawaitasyncio.sleep(2**attempt)# 指数退避

6.3 监控与日志

fromgoogle.adk.callbacksimportCallbackclassLoggingCallback(Callback):defon_agent_start(self,agent,input_data):print(f"[START]{agent.name}:{input_data[:100]}")defon_agent_end(self,agent,output_data):print(f"[END]{agent.name}:{output_data[:100]}")defon_tool_call(self,tool_name,input_params):print(f"[TOOL]{tool_name}:{input_params}")

七、与其他框架对比

7.1 ADK vs LangGraph

7.2 ADK vs CrewAI

八、适用场景

8.1 推荐使用ADK的场景

• Google生态系统集成：与Vertex AI、BigQuery等深度集成
• 多智能体协作：需要复杂的主从/协作模式
• 生产级部署：需要完善的CI/CD和监控
• A2A协议需求：需要与其他厂商智能体通信

8.2 考虑其他框架的场景

• 快速原型：CrewAI上手更快
• 复杂状态管理：LangGraph更灵活
• 特定领域优化：AutoGen的代码生成更强

九、总结

Google ADK代表了多智能体开发的工程化方向：

1. 标准化：提供统一的智能体抽象和生命周期管理
2. 可扩展：支持自定义工具、回调、部署方式
3. 可观测：内置日志、监控、调试工具
4. 互操作：A2A协议打通不同框架的智能体

随着ADK 2.0的发布，多智能体开发正在从"能用"走向"好用"。对于需要在Google生态中构建生产级智能体系统的团队，ADK是值得考虑的选择。

参考资料

• Google ADK官方文档：https://google.github.io/adk-docs/
• GitHub仓库：https://github.com/google/adk-python
• ADK 2.0发布说明：https://cloud.google.com/blog/products/ai-machine-learning/agent-development-kit