Agent Development Kit (ADK)：Google 出品的 AI Agent 开发框架

图1：Google Agent Development Kit 官方 Logo

想象一下，你是一位乐队指挥，既要统筹整个乐队的节奏，又要让每位乐手自由发挥。传统的 AI 编程工具像是只能指挥一种乐器的系统，而 Agent Development Kit（ADK） 则是一套完整的多乐器协作战术手册——Google 把它开源了。

ADK 是 Google 在 2024-2025 年间推出的 代码优先（Code-First）AI Agent 开发工具包。它的核心理念是：给开发者足够的灵活性和控制力，同时保持足够的抽象层级，让复杂的 Agent 系统可以被模块化构建、测试和部署。截至 2026 年，这个项目已获得超过 19,800 颗 GitHub Stars，成为 AI Agent 框架领域最受关注的开源项目之一。

背景：为什么需要 ADK？

AI Agent（AI 智能体）是 2024-2025 年最火热的 AI 技术方向之一。简单来说，Agent 是能够自主规划、执行多步任务并使用工具的 AI 系统——它不只是回答问题，而是能真正"干活"。从自动写代码、订机票，到分析财报、操控机器人，Agent 的应用场景几乎覆盖了所有知识工作领域。

然而，早期的 Agent 框架往往面临两难：要么过于简单，无法处理复杂的多步骤任务；要么过于复杂，学习曲线陡峭到让普通开发者望而却步。Google 推出 ADK，正是希望在这两个极端之间找到一个平衡点——提供一套既足够强大、又足够易用的工具链。

ADK 的前身可以追溯到 Google 的多种内部实验，包括对话式 AI 开发框架和 Multi-Agent 编排系统。2025 年，Google 将这些经验整合为统一的 ADK 2.0，并正式开源发布。2.0 版本带来了革命性的 Workflow Runtime 和 Task API，让多 Agent 协作和任务委托变得前所未有的直观。

核心能力：ADK 能做什么？

1. Workflow Runtime：流程编排引擎

这是 ADK 2.0 最重要的新特性。Workflow Runtime 是一个基于图的执行引擎，允许开发者用声明式语法定义复杂的 Agent 执行流程：

• 路由（Routing）：根据条件动态决定下一步执行哪个 Agent
• 并行/串行（Fan-out/Fan-in）：一个任务可以拆分给多个 Agent 并行处理，结果再汇总
• 循环（Loops）：支持迭代式任务执行，比如让 Agent 不断反思优化直到满足条件
• 重试（Retry）：自动处理偶发的 API 超时或模型错误
• 状态管理（State Management）：在多轮交互中维护上下文状态
• 人机协作（Human-in-the-Loop）：在关键节点暂停，等待人工确认后再继续

这个引擎让复杂的业务流程——比如"先分析用户问题，再查数据库，再生成报告，再发邮件"这样的长链条——可以用几行代码清晰定义，而不是一堆 if-else 硬编码。

2. Task API：多 Agent 任务委托

在真实场景中，一个复杂的 Agent 系统往往由多个专门的子 Agent 组成：有的负责搜索，有的负责代码执行，有的负责格式化输出。Task API 让这种多 Agent 协作变得简单：

• 多轮任务模式：父 Agent 把任务委托给子 Agent，子 Agent 可以多轮对话后再返回结果
• 单次输出模式：适合不需要对话的简单委托场景
• 混合委托：同一系统中可以同时使用多轮和单次模式
• Task Agent 作为 Workflow 节点：子 Agent 可以无缝嵌入到 Workflow 中

3. 内置 Web 开发 UI

ADK 提供了一个开箱即用的 Web UI（通过 adk web 命令启动），支持：

图2：ADK Web 开发界面，支持多 Agent 目录管理和函数调用调试

• 多 Agent 目录管理：同时管理多个 Agent 配置
• 实时对话测试：在浏览器中与 Agent 交互
• 函数调用（Function Calling）调试：可视化查看工具调用过程
• Session 管理：追踪每个对话的历史记录

4. 交互式 CLI

通过 adk run 命令，可以在终端中快速启动与 Agent 的交互式对话：

adk run path/to/my_agent

无需配置任何服务器，一行命令即可开始调试。这种"零配置"体验大大降低了入门门槛。

5. 丰富的工具生态

ADK 内置了完整的工具层（Tools），包括：

• 代码执行器（Code Executor）：安全地执行 Python 代码
• Artifact 系统：管理 Agent 生成的产物（文件、图片、文档等）
• Memory 系统：持久化存储对话历史和上下文
• 平台集成：与 Google Cloud、Vertex AI 等深度集成

技术架构

ADK 采用模块化插件架构，核心目录结构如下：

模块	功能
agents/	Agent 核心定义（Prompt、Model、Tools 绑定）
workflow/	Workflow Runtime 执行引擎
flows/	Flow 编程模型（条件分支、并行执行）
tasks/	Task API（多 Agent 委托）
runners/	Agent 运行器（Session、会话管理）
sessions/	Session 生命周期管理
tools/	内置工具集（代码执行、文件操作等）
code_executors/	安全代码执行沙箱
artifacts/	产物管理系统
memory/	持久化记忆系统
cli/	命令行工具（adk run/web）
integrations/	第三方集成（数据库、API等）
platform/	Google Cloud Platform 集成
evaluation/	Agent 评测框架

值得注意的是，ADK 虽然由 Google 主推，但它被设计为**模型无关（Model-Agnostic）**的。默认使用 Gemini，但理论上任何符合接口规范的 LLM 都可以接入——只要实现了 Model 抽象类的适配器即可。

代码质量方面，ADK 采用了完整的测试套件（在 tests/ 目录下分为 unittests、integration、remote 三个层级），遵循 Google 内部的代码规范（包含 pylintrc 和 .pre-commit-config.yaml），并使用 flit 作为包构建系统（比 setuptools 更现代、更简洁）。

上手体验

门槛评估：对有 Python 基础的开发者非常友好，但对完全不懂编程的人来说仍有门槛（需要配置 Python 环境、API Key 等）。

入门路径：

1. pip install google-adk — 一键安装
2. 定义 Agent：几行 Python 代码即可创建一个 Agent
3. 本地测试：adk run 交互式调试
4. Web UI：adk web 启动可视化界面
5. 生产部署：通过 Python 代码调用 Runner 在服务器上运行

加分项：提供了 llms.txt 文件（专门为 LLM 优化的 README），说明项目团队对 AI 辅助开发非常重视，这在大型项目中很少见。

局限与争议

1. Gemini 强依赖：虽然理论上模型无关，但默认集成深度绑定 Google 生态，换用其他模型需要一定开发工作
2. Python 3.10+ 要求：对于仍在使用 Python 3.9 的项目存在升级成本
3. 2.0 破坏性变更：从 1.x 升级到 2.0 有 breaking changes，老用户迁移需要改代码
4. 文档成熟度：相比 LangChain 等成熟框架，ADK 的社区文档和示例数量仍在追赶中

行业意义

ADK 的出现标志着大厂正式入场 Agent 框架赛道。此前，Agent 框架市场主要由 LangChain、AutoGen、CrewAI 等初创公司/社区项目主导。Google 作为 AI 领域最重要的玩家之一，推出了自己的开源 Agent 工具包，其影响力不可小觑。

从增长曲线来看，ADK 在 GitHub 上的 Stars 从 2024 年底的不足万颗，到 2025 年中突破 15,000 颗，再到如今的接近 20,000 颗，增长势头非常强劲。它所代表的"代码优先、高度模块化、多 Agent 协作"理念，正在成为行业的主流方向。

对于开发者来说，ADK 提供了一个值得关注的选型方向——尤其是在你已经使用 Google Cloud 或对 Gemini 有较强需求的情况下。对于学习者来说，它的代码结构清晰、文档质量高，是理解现代 Agent 系统架构的优秀范本。