ADK Python 智能体

先解决什么问题

把 LLM 调用包成函数并不难，难的是让智能体像软件一样被维护：工具如何与编排逻辑分离，多智能体之间如何分工，工作流如何可预测地执行，敏感操作如何人工兜底，以及系统上线后如何评估与迁移。ADK 智能体技能针对这些工程化场景，用 代码优先 的思路把需求转换为结构化的 AgentPlan，再落地到部署目标。

它如何工作

该技能围绕六步展开：

• 选型：动态路由或自适应任务用 LlmAgent；需要确定性管线时用 SequentialAgent、ParallelAgent、LoopAgent；要完全自定义时继承 BaseAgent。
• 工具生态：接入 google_search、code_execution；用 Tool.from_function 将 Python 函数转为工具；通过 OpenAPI 集成既有服务；对敏感操作开启 tool_confirmation=True。
• 多智能体架构： coordinator 通过 sub_agents 委派，形成层级或领域专家结构。
• 实现模式：支持单智能体带工具、多智能体协调、自定义工具、顺序/并行/循环工作流与人工确认流。
• 部署：本地开发 UI 调试，再迁到 Cloud Run、Vertex AI Agent Engine 或自定义基础设施。
• 工程实践：强调版本控制、测试、评估驱动；模型优先为 Gemini，也可通过标准 API 接其他 LLM。

输出会包含 AgentPlan 工件（架构、智能体、工作流、部署）与自然语言说明，便于交接给 mcp-builder、context-engineering、devops 等下游。

适用边界

仅面向 Python 的 Google ADK，不支持 Java 等其他实现。密钥、配额与权限由用户管理。AgentPlan 偏向设计层面，性能优化与运行监控仍需在具体代码中验证。