Agent Skills
返回列表
Google ADK 生产代理构建与评估

Google ADK 生产代理构建与评估

AI Agent 更新于 2026.08.29

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，安装 @user_3c6cb52e/build-and-evaluate-production-agents-with-google-adk 技能。

技能介绍

解决的问题

在 Python 中构建生产级代理往往意味着把工具调用、会话管理、评估和部署拆成多个独立方案，再手工拼接。原型阶段能跑通，进入测试和上线时才发现对话状态要自己维护、评估要另起一套、部署还得再改造。这个技能把这些环节收敛到 Google ADK 的代码优先工作流里，让原型和生产之间的重构成本大幅降低。

核心能力

  • 代码优先定义：通过 Agent 类直接声明代理逻辑、模型选择和工具绑定，全部以代码形式管理
  • 内置测试与评估：在部署前运行结构化评估，验证工具调用的准确性和对话质量
  • 会话与状态管理：自动追踪多轮对话上下文，无需手写历史记录逻辑
  • HITL 确认机制：在关键操作执行前插入人工审核节点，适合需要安全兜底的生产场景
  • 多代理编排：将复杂任务拆分给多个代理协同完成，而不是塞进单一代理的提示词

关键步骤

  1. 创建 root_agent，指定模型和所需工具
  2. 编写评估用例，覆盖正常流程和边界场景
  3. 运行评估并检查指标，定位工具调用失败或幻觉
  4. 部署到 Google Cloud 或 Vertex AI，按需扩展

适用边界

  • 需要 Python 3.11+ 环境，模型凭证必须提前配置
  • HITL 确认适合低频高影响操作，高频场景需要额外设计异步审核流程
  • 多代理编排会增加调试复杂度，简单任务用单个代理即可
  • 适合需要代码级控制和灵活定制的项目，不适合无开发资源直接使用

截图预览

使用场景

  • 需要在现有 Python 后端中嵌入带工具调用的对话代理，并保持代码可维护性
  • 计划将代理从原型推进到生产环境，需要先跑自动化评估再部署到 Vertex AI
  • 正在设计多步骤工作流，希望用 HITL 确认拦截高风险操作并人工审核
  • 复杂任务拆分给多个专门代理协同完成，需要统一编排和状态追踪

适合人员

  • 正在把大模型能力集成进自有系统的后端工程师，需要代码级控制和测试覆盖
  • 负责 AI 代理上线的工程师，关注评估流程和 Vertex AI 部署路径
  • 搭建人机协同工作流的开发者，需要 HITL 机制和多代理协作方案
  • 从研究原型转向生产服务的团队成员，缺少工具调用与状态管理的工程经验