Google ADK：當 AI Agent 開始需要「企業級工程紀律」

2025 年 4 月，在 Google Cloud Next 大會上，Google 宣布開源了一個他們自己內部已使用多時的框架。

不是一個研究玩具，不是一個概念驗證——而是Google 用來打造 Agentspace 和企業客服套件的同一套程式碼，現在交給全世界的開發者用。

這個框架叫 ADK（Agent Development Kit）。

其他 AI Agent 框架在問「怎麼讓 AI 做更多事」，但 ADK 問的問題更老派，也更難：當 Agent 系統要在企業環境裡穩定跑幾個月、幾年，你要怎麼讓它可維護、可測試、可擴展？

ADK 的核心主張：Agent 開發需要軟體工程的紀律，而不只是 Prompt 的技巧。

• 為什麼你需要認識 Google ADK？
• Google ADK 是什麼？
• ADK 的核心積木
  • 1. LlmAgent：會思考的節點
  • 2. Workflow Agent：三種確定性的「指揮官」
  • 3. 混合架構：確定性外殼 + 智能內核
• Google 的生態系佈局：MCP + A2A
  • MCP（Model Context Protocol）：縱向整合工具
  • A2A（Agent-to-Agent Protocol）：橫向連接 Agent
• 開發體驗：CLI + 可視化 Web UI
• ADK vs 其他框架：選誰的關鍵問題
• 經典語錄
• 實用建議：三個起步行動
  • 步驟 1：先跑 adk web，感受開發體驗
  • 步驟 2：先用 SequentialAgent，再加入 ParallelAgent
  • 步驟 3：用 LoopAgent 實現 Reflection 模式
• 我的反思
• 參考資料 (References)

為什麼你需要認識 Google ADK？

在這個系列裡，我們已經認識了各種 Agent 框架：

• LangChain：把 LLM 接進真實世界的管道標準化
• CrewAI：把 Agent 組織化、角色化
• LangGraph：用狀態機精確控制工作流
• AutoGen：讓 AI 透過對話互相協作
• OpenAI Agents SDK：把最佳實踐直接烘焙進框架

Google ADK 站在不同的位置：它是第一個由主要雲端平台直接提供、且已在自家產品中驗證過的 Agent 框架。

這意味著它不是在告訴你「Agent 可以這樣做」，而是在說：「Google 的工程師就是這樣做 Agent 的。」

Google ADK 是什麼？

ADK 於 2025 年 4 月在 Google Cloud Next 正式開源，是一個以 Python 為主的多智能體開發框架。

它有幾個關鍵特性讓它與其他框架區隔：

1. 深度整合 Gemini 模型，同時透過 LiteLLM 支援 Claude、Mistral 等其他模型
2. 原生支援 MCP（Model Context Protocol）——Anthropic 提出的 AI 工具連接標準
3. 支援 A2A（Agent-to-Agent Protocol）——Google 自己提出的跨框架 Agent 通訊協定
4. 內建開發 CLI 與可視化 Web UI，不需要外部的觀測平台
5. 可部署到 Cloud Run、Kubernetes、Android 裝置

它的設計哲學用一句話總結：把 Agent 當成微服務來設計。

ADK 的核心積木

1. LlmAgent：會思考的節點

from google.adk.agents import LlmAgent

def search_competitor_data(company: str) -> dict:
    """搜尋指定公司的市場資料"""
    # 呼叫搜尋 API
    return {"company": company, "revenue": "100M", "growth": "25%"}

research_agent = LlmAgent(
    name="market_researcher",
    model="gemini-2.0-flash",
    instruction="""
    你是一位市場研究專員。
    收到公司名稱後，使用 search_competitor_data 工具蒐集資料，
    並整理成結構化的市場分析報告。
    """,
    tools=[search_competitor_data],
)

LlmAgent 是有「思考能力」的節點——它背後是 Gemini 模型，能根據上下文判斷要呼叫哪個工具、何時該回答、何時應該等待更多資訊。

ADK 的工具定義極其簡潔：任何有型別標注（type hints）的 Python 函數，就是一個工具。框架自動把函數簽名轉成 LLM 能理解的 schema，不需要手動定義。

2. Workflow Agent：三種確定性的「指揮官」

ADK 最有設計感的部分，是把「思考」與「流程管理」分開：

from google.adk.agents import SequentialAgent, ParallelAgent, LoopAgent

# Sequential：依序執行，前一步的輸出是下一步的輸入
pipeline = SequentialAgent(
    name="analysis_pipeline",
    sub_agents=[
        data_collector_agent,   # Step 1：蒐集資料
        cleaner_agent,          # Step 2：清理資料
        analyzer_agent,         # Step 3：分析
        writer_agent,           # Step 4：撰寫報告
    ],
)

# Parallel：同時執行多個 Agent，等所有人完成再繼續
market_scan = ParallelAgent(
    name="market_scanner",
    sub_agents=[
        us_market_agent,    # 同時執行
        asia_market_agent,  # 同時執行
        europe_market_agent # 同時執行
    ],
)

# Loop：反覆執行直到條件成立（適合 Reflection 模式）
refine_loop = LoopAgent(
    name="quality_loop",
    sub_agents=[draft_agent, critic_agent],
    max_iterations=3,  # 最多跑 3 輪
)

這三個 Workflow Agent 本身不呼叫 LLM——它們是純粹的流程控制器，確定性強、可預測、易測試。真正的推理工作交給 LlmAgent 在每個步驟裡完成。

3. 混合架構：確定性外殼 + 智能內核

ADK 推薦的最佳實踐是混合架構（Hybrid Architecture）：

# 外層用 Workflow Agent 定義確定性的流程骨架
# 內層用 LlmAgent 處理需要判斷的步驟

investment_pipeline = SequentialAgent(
    name="investment_research",
    sub_agents=[
        # Step 1：並行蒐集三個市場的資料
        ParallelAgent(
            name="data_collection",
            sub_agents=[tw_market, us_market, cn_market]
        ),
        # Step 2：LLM 整合分析（需要推理）
        LlmAgent(
            name="synthesizer",
            instruction="整合三個市場的資料，找出投資機會",
            model="gemini-2.0-pro",
        ),
        # Step 3：反覆優化報告品質
        LoopAgent(
            name="quality_control",
            sub_agents=[report_drafter, quality_checker],
            max_iterations=3,
        ),
    ],
)

Google 的生態系佈局：MCP + A2A

ADK 不只是一個框架，它是 Google 更大 Agent 生態系戰略的一部分。

MCP（Model Context Protocol）：縱向整合工具

MCP 是 Anthropic 提出的開放標準，解決的是「Agent 如何標準化連接工具」的問題。ADK 原生支援 MCP，讓你能直接使用社群已建立的數千個 MCP 工具：

from google.adk.tools.mcp_tool import MCPToolset, StdioServerParameters

# 直接使用 MCP 協定連接外部工具（如 Filesystem、Slack、GitHub）
tools = MCPToolset(
    connection_params=StdioServerParameters(
        command="npx",
        args=["-y", "@modelcontextprotocol/server-filesystem", "/data"],
    )
)

A2A（Agent-to-Agent Protocol）：橫向連接 Agent

A2A 是 Google 於 2025 年 4 月提出的跨框架 Agent 通訊協定，解決的是「不同框架打造的 Agent，如何互相溝通」：

用 A2A，你的 ADK Agent 可以呼叫一個用 LangGraph 寫的 Agent，或者一個用 AutoGen 寫的 Agent——只要它們都支援 A2A 協定。這是框架層面的「互通性」，目前業界唯一有這個設計的是 Google。

開發體驗：CLI + 可視化 Web UI

ADK 最貼心的工程設計，是把開發體驗也一起做進去：

# 建立新 Agent 專案
adk create my_agent

# 在終端機測試
adk run my_agent

# 啟動本地 Web UI（http://localhost:8000）
# 可以看到對話、工具呼叫、Agent 決策過程
adk web

adk web 啟動的 Web 介面，讓你能像用 Postman 測試 API 一樣測試 Agent：

• 輸入對話、即時看到 Agent 的思考過程
• 查看每次工具呼叫的輸入輸出
• 多輪對話追蹤（Session 管理）
• 不需要任何第三方服務——在本地就能完整運行

ADK vs 其他框架：選誰的關鍵問題

選擇框架的直覺法則：

• 你在 GCP 生態，需要多 Agent 企業系統 → ADK
• 需要精確控制每個節點的分支邏輯 → LangGraph
• 想最快跑起一個 OpenAI 驅動的 Agent → Agents SDK
• 任務角色明確、流程固定 → CrewAI

經典語錄

"We're not just open-sourcing a tool. We're open-sourcing the way we think about building agents at scale."

我們不只是在開源一個工具，而是在開源我們對「如何規模化建構 Agent」的思維方式。

"The key insight of ADK is that agents should be treated like microservices: specialized, testable, and composable."

ADK 的核心洞見：Agent 應該像微服務一樣設計——專精、可測試、可組合。

實用建議：三個起步行動

步驟 1：先跑 adk web，感受開發體驗

pip install google-adk
adk create hello_agent
adk web

打開 http://localhost:8000，你會看到一個完整的 Agent 測試介面。在這裡和你的 Agent 對話，觀察工具呼叫的細節——這個視覺化體驗是 ADK 最大的入門優勢。

步驟 2：先用 SequentialAgent，再加入 ParallelAgent

不要一開始就設計複雜的混合架構。先把你的任務用 SequentialAgent 線性串起來，確保每一步都正確。當你發現某幾個步驟彼此獨立時，再把它們包進 ParallelAgent——這樣你能清楚感受到並行帶來的速度提升。

步驟 3：用 LoopAgent 實現 Reflection 模式

把「草稿 Agent + 評審 Agent」包進 LoopAgent(max_iterations=3)，看看 AI 如何透過自我批評改善輸出品質。這是理解 Andrew Ng 的 Reflection 模式最直覺的實作方式。

我的反思

看到這裡，你可能會問：框架那麼多，我到底該用哪個？

我的答案是：你選的框架，決定了你的 Agent 系統長得像什麼。

• LangGraph 讓你的系統長得像流程圖——每條邊、每個節點都由你定義
• CrewAI 讓你的系統長得像組織架構圖——角色清晰、分工明確
• AutoGen 讓你的系統長得像會議室——Agent 自由對話、動態決策
• OpenAI Agents SDK 讓你的系統長得像客服中心——前台接單、後台分工
• Google ADK 讓你的系統長得像微服務架構——每個 Agent 是一個服務，有輸入輸出規格、有測試、有部署流程

如果你的背景是後端工程師，ADK 的思維方式會讓你感到非常熟悉——因為它把 Agent 開發，拉回了你已經很擅長的軟體工程領域。

回顧這個系列走過的路：理論（Andrew Ng + Shunyu Yao）→ 工程化（LangChain）→ 角色化（CrewAI）→ 流程控制（LangGraph）→ 對話協作（AutoGen）→ 最佳實踐（Agents SDK）→ 企業工程紀律（ADK）。

這條路，正是 AI Agent 整個領域從「實驗室」走向「生產環境」的縮影。

參考資料 (References)

官方資源

• Google ADK GitHub
• Google ADK 官方文件
• A2A Protocol GitHub

延伸閱讀

• Google Cloud Next 2025 ADK 發布公告
• Model Context Protocol 官方文件

推薦影片