Google ADK Python 是 Google 的 Agent Development Kit (ADK) Python 版本，一个开源、代码优先的工具包，用于构建、评估和部署 AI 智能体。
用途
该技能适用于以下场景：构建带工具集成与编排能力的 AI 智能体；创建具有层级协调的多智能体系统；实现可预测流水线的工作流智能体（顺序、并行、循环）；将 LLM 驱动的智能体与 Google 搜索、代码执行或自定义工具集成；将智能体部署到 Vertex AI Agent Engine、Cloud Run 或自定义基础设施；系统化评估和测试智能体性能；为工具执行实现人工审批流程。
核心概念
智能体类型：
- LlmAgent：LLM 驱动的智能体，具备动态路由和自适应行为。通过 name、model、instruction、description 和 tools 定义，支持用于委派和协调的子智能体，基于上下文进行智能决策。
- 工作流智能体：结构化、可预测的编排模式。SequentialAgent 按定义顺序执行智能体；ParallelAgent 并发运行多个智能体；LoopAgent 带迭代逻辑重复执行。
- BaseAgent：自定义智能体实现的基础。
关键组件：
- 工具生态：预构建工具（google_search、code_execution）、作为工具的自定义 Python 函数、OpenAPI 规范集成、用于人工审批的工具确认流程。
- 多智能体架构：层级式智能体组合、面向特定领域的专用智能体、用于委派的协调智能体。
安装
稳定版（推荐）：pip install google-adk 开发版（最新功能）：pip install git+https://github.com/google/adk-python.git@main
实现模式
单智能体带工具：使用 LlmAgent 定义 name、model、instruction、description 和 tools（如 google_search）。
多智能体系统：创建专用智能体（如 Researcher、Writer），再通过协调智能体（Coordinator）的 sub_agents 进行委派。
自定义工具创建：通过 Tool.from_function 将 Python 函数转换为工具，再传入智能体的 tools 列表。
顺序工作流：使用 SequentialAgent 按顺序执行多个智能体。
并行工作流：使用 ParallelAgent 并发运行多个智能体。
人工介入：在 LlmAgent 中设置 tool_confirmation=True，使工具执行前需要审批。
部署选项
- Cloud Run 部署：构建容器镜像（docker build -t my-agent .），再部署（gcloud run deploy my-agent --image my-agent）。
- Vertex AI Agent Engine：部署到 Vertex AI 以实现可扩展的智能体托管，与 Google Cloud 托管基础设施集成。
- 自定义基础设施：在本地或自定义服务器上运行智能体，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，ADK 通过标准 API 支持其他 LLM 提供商。
最佳实践
代码优先理念：用 Python 定义智能体，便于版本控制、测试和灵活性。模块化设计：为特定领域创建专用智能体，再组合成系统。工具集成：利用预构建工具，用自定义函数扩展。评估：针对测试用例系统化测试智能体。安全：为敏感操作实现确认流程。层级结构：使用协调智能体处理复杂的多智能体工作流。工作流选择：可预测流水线选用工作流智能体，动态路由选用 LLM 智能体。
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。内容创作：研究 + 写作 + 编辑流水线。数据分析：数据获取 + 处理 + 可视化。任务自动化：带条件逻辑的多步骤工作流。
开发 UI
ADK 包含内置界面，用于交互式测试智能体行为、调试工具调用与响应、评估智能体性能、迭代智能体设计。
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
实现工作流
实现基于 ADK 的智能体时：定义需求（识别智能体能力和所需工具）；选择架构（单智能体、多智能体或基于工作流）；选择工具（预构建、自定义函数或 OpenAPI 集成）；实现智能体（创建带指令和工具的智能体定义）；本地测试（使用开发 UI 迭代）；添加评估（创建测试用例进行系统化验证）；部署（选择 Cloud Run、Vertex AI 或自定义基础设施）；监控（跟踪智能体性能并迭代）。
注意：ADK 将智能体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。