面经策

什么是 Google ADK？ ​

  • 标签：AI、大模型

🏛 业务架构师 ​

Google ADK（Agent Development Kit）是 Google 2025 年开源的 Agent 开发框架，与 Gemini 深度协同，但不绑定模型，也支持接其他 LLM。

定位：它是"代码优先"的框架——用 Python（后续有 Java 版）声明式地定义 Agent、工具、多 Agent 编排，原生内置 MCP（工具接入）和 A2A（Agent 互操作）支持，并能一键部署到 Cloud Run、Agent Engine。相比 LangChain 这类"组件超市"，ADK 更像"整车出厂"：开箱即用的多 Agent、会话记忆、评估工具链。

业务视角的取舍：如果团队已在 GCP 生态、要做的是与 Gemini/Vertex AI 深度集成的企业 Agent，ADK 能显著压缩交付周期，选型加分；如果是多云策略或重度依赖国内模型（Qwen、DeepSeek 等），就要评估其模型中立性的成熟度。我的原则是：框架选型本质是供应链决策——看团队能力、既有云厂商绑定和退出成本，而不是比拼功能清单。2026 年 Agent 框架仍处在快速洗牌期，把业务逻辑与框架解耦（比如通过 MCP 标准化工具层）比押注某一个框架更重要。

🏗 系统架构师 ​

Google ADK（Agent Development Kit）是 Google 开源的 Agent 开发框架，定位对标 LangChain/LangGraph，但设计哲学更"工程化、多 Agent 优先"。我从架构视角概括四点：

  • 多 Agent 一等公民：Agent 可组成树状层级（root agent 挂 sub-agent），路由由 LLM 自动转移（transfer）完成，天然适合"编排者 + 领域专家"的团队拓扑；
  • 模型中立：Gemini 之外可接 Claude、GPT、开源模型，避免锁定；
  • 工具生态三合一：内置工具、函数调用、以及原生 MCP 集成，还能挂 A2A 作为远程 Agent；
  • 配套完整：与 Vertex AI 评估、LangGraph 部署、Cloud Run 集成，dev-prod 一致性较好。

和 LangChain 的区别：LangChain 是"组件乐高"，自由度高但约束少；ADK 更像"框架约定"，多 Agent 结构、评估、部署链路有官方姿势。我的选型判断：PoC 阶段 LangChain 更快，进入生产、Agent 数量超过 5 个、需要分工和评估闭环时，ADK 或 LangGraph 这类有明确编排模型的框架更可控。另外团队如果已在 GCP 生态，ADK 的运维集成成本低很多。

💻 全栈开发专家 ​

Google ADK（Agent Development Kit）是 Google 2025 年开源的 Agent 开发框架，定位类似「Agent 界的 Spring Boot」：约定优于配置，把模型接入、工具、记忆、多 Agent 编排、评估都收进一套 API。它有 Python 和 Java 版，Java 版底层直接基于 LangChain4j，这点对我们 Java 团队很友好。

核心能力我实际用过几块：

  • 多 Agent 分层编排：LlmAgent 做子 Agent，SequentialAgent/ParallelAgent/LoopAgent 做流程控制，比手写状态机省事。
  • 工具生态：内置工具 + 原生 MCP client，可以直连现成的 MCP Server；工具就是加 @Tool 注解的方法。
  • 记忆与状态：Session/State/Artifact 三层抽象，会话状态自动在多 Agent 间传递。
  • 评估：内置 Eval 框架能对 Agent 轨迹做回归测试。
java
LlmAgent agent = LlmAgent.builder()
    .name("客服").model("gemini-2.5-flash")
    .instruction("你是电商客服，仅回答订单与售后问题")
    .tools(new OrderTool()).build();

选型上它和 Vertex AI 绑得比较深（也能接其他模型），如果全栈在 GCP 生态里，ADK + A2A + MCP 这套组合起步最快；纯开源自部署场景我更谨慎。