谷歌刚发布了 Agent Development Kit (ADK)，一个开源的 Python 框架，旨在简化多智能体应用的构建和开发。
ADK 提供了跨智能体开发生命周期的功能，包括构建模块化智能体、集成各种 AI 模型（如 Gemini 和通过 LiteLLM 集成的第三方模型）、使用预构建或自定义工具、实现流式交互以及定义灵活的工作流程。
与 MCP 关系
ADK 支持模型上下文协议 (MCP)，允许代理连接到各种数据源和工具。因此，ADK 可以被认为是 Google 对 MCP 的一种实现或利用，而不是「Google 版本的 MCP」。ADK 允许使用 MCP 工具，并支持构建 MCP 服务器。
用更通俗易懂的方式介绍一下 Google 的 ADK，希望能够让大家快速理解它的用处。
想象一下，你想要打造一个像钢铁侠的贾维斯那样的人工智能助手。这个助手需要能听懂你的指令，连接各种服务（比如日历、邮件、地图），帮你处理各种事务。听起来很酷，但要自己从头开始做，会非常复杂，需要花费大量的时间和精力。
这时候，ADK 就派上用场了！你可以把它想象成一个「积木工具箱」，Google 已经帮你准备好了各种各样的「积木」，比如：
连接器：可以轻松连接到各种常用的服务，比如 Google Calendar、Gmail、地图等等。 智能体：可以创建各种各样的智能体，每个负责完成特定的任务，比如「会议安排」、「邮件整理」、「信息查询」等等。 工作流：可以将这些智能体组合起来，形成复杂的工作流程，让它们协同工作，完成更复杂的任务。
因此，使用 ADK 的好处显而易见：
简化开发：不再需要从零开始编写代码，而是可以利用 ADK 提供的「积木」快速搭建你的智能助手。 提高效率：ADK 帮你处理了许多底层细节，让你更专注于业务逻辑的实现，从而提高开发效率。 降低成本：节省了开发时间和人力成本。 易于扩展：ADK 具有良好的扩展性，你可以根据自己的需求添加新的「积木」，定制你的智能助手。
总而言之，ADK 就是一个让你更容易、更快速、更低成本地构建多智能体系统的工具。就像有了乐高积木，你可以更容易地搭建出各种各样的模型一样，有了 ADK，你就可以更容易地构建出各种各样的智能助手！
牛刀小试
先安装 adk，
pip install google-adk
再创建一个文件夹 g_agent，然后写三个文件。
文件 1：g_agent/agent.py
# g_agent/agent.py
from google.adk.agents import Agent
from google.adk.tools import google_search
root_agent = Agent(
name="search_assistant",
model="gemini-2.0-flash-exp", # Or your preferred Gemini model
instruction="You are a helpful assistant. Answer user questions using Google Search when needed.",
description="An assistant that can search the web.",
tools=[google_search]
)
文件 2：g_agent/__init__.py
# g_agent/__init__.py
from . import agent
文件 3: g_agent/.env，设置你的 API Key
# g_agent/.env
# If using Gemini via Google AI Studio
GOOGLE_GENAI_USE_VERTEXAI="False"
GOOGLE_API_KEY="paste-your-actual-key-here"
# # If using Gemini via Vertex AI on Google CLoud
# GOOGLE_CLOUD_PROJECT="your-project-id"
# GOOGLE_CLOUD_LOCATION="your-location" #e.g. us-central1
# GOOGLE_GENAI_USE_VERTEXAI="True"
然后，命令行启动 web ui。
adk web
选择我们刚建的智能体，
搜索助手启动了，然后可以跟它对话了。
上面例子完全是手撸建起来，但其实可以参看别人的例子，比如官方提供的示例。
开发流程
根据 GitHub 上的 ADK 示例代码库，开发工作流程的核心步骤包括：
安装
ADK Samples： 确保已安装并配置Agent Development Kit，遵循 ADK 安装指南。这与 Google 提供的 ADK 文档也一致，需要首先进行环境设置和 ADK 的安装。设置环境变量：每个智能体示例依赖
.env文件进行配置，例如 API 密钥和Google Cloud项目 ID。需要在每个要运行的智能体目录下创建.env文件。克隆代码库：通过
git clone https://github.com/google/adk-samples.git克隆示例代码库。探索智能体：导航到
agents/目录，查看agents/README.md以了解可用智能体的概述和分类，并浏览各个子目录，每个子目录包含一个具体的示例智能体及其自身的README.md。运行智能体：选择一个智能体，导航到其目录（例如
cd agents/llm-auditor），并按照该智能体的README.md文件中的说明进行特定设置（例如通过poetry install安装依赖项）和运行智能体。
看一下 https://github.com/google/adk-samples.git 里的例子。
比如这个检索增强生成 RAG 例子，用于回答与你上传到 RAG 引擎的文档相关的问题。它利用 RAG 和 Vertex AI RAG 引擎来获取相关文档片段和代码引用，然后由 LLM（Gemini）合成，以提供包含引用的信息答案。
多智能体协作
咱用上面构建的搜索智能体搜到个很好的例子：https://github.com/sokart/adk-walkthrough。可以学习如何设计多个专用智能体协作的系统。通过构建一个编排智能体，它将任务委托给子智能体（如算术智能和语法智能体），演示子智能体参数的功能并定义交互流。
好了，对 ADK 的介绍就到这里啦。
2025 年将是 AI 智能体开发兴起的时间，如果还没有了解相关概念的话，赶紧看一下谷歌之前发布的智能体白皮书。
