【收藏级教程】使用Google ADK构建AI Agent智能体，完整项目源码下载

本文介绍了Google ADK框架如何帮助开发者快速构建AI Agent智能体，作者通过实战案例展示了使用ADK框架搭建智能体并进行ELK系统日志分析的过程。文章详细提供了配置步骤、代码示例和测试方法，支持Python、Java、Go三种语言。通过MCP协议扩展智能体功能，实现与外部系统的交互。文末提供了完整项目源码，供读者深入学习AI Agent开发技术。

程序汪小陈

346人浏览 · 2025-11-11 13:15:00

程序汪小陈 · 2025-11-11 13:15:00 发布

一、官网资料

官网：https://google.github.io/adk-docs/

搭建：https://google.github.io/adk-docs/get-started/

ADK 以轻便化构建 Ai Agent 智能体，解决智能体开发的复杂流程而设计。目前支持 Python、Java、Go 3种语言对应的技术框架。
整个文档完整的描述了，智能体的创建和运行、工具的调用（tools、function、mcp）、可观测性以及 A2A 协议等。
Agent Development Kit (ADK) is designed to empower developers to quickly build, manage, evaluate and deploy AI-powered agents. These quick start guides get you set up and running a simple agent in less than 20 minutes.

二、工程实践

1. 前置说明

本次的 Ai Agent 实践，是以 Google ADK 框架为基础，配和 Github system-prompts-and-models-of-ai-tools 开源提示词项目中的 claude-code-system-prompt 作为必要描述。来实验，ELK 系统日志智能分析场景。

API Key：https://ai.google.dev/gemini-api 需要申请开发 API 秘钥，是免费的。
Docker 环境，本项目部署了一套 ELK 日志服务，基于 Docker 部署，之后对 ELK 模拟写入日志，让 Ai Agent 智能体进行分析。如果暂时配置不了，可以在测试的时候去掉这部分 mcp 服务
JDK 17+、Maven 3.8.x

2. 工程说明

工程地址：https://github.com/fuzhengwei/xfg-dev-tech-google-adk
这是一套引入了 Google ADK 0.1.0 版本的 Agent 最基础智能体测试。如果需要扩展，还要额外增加很多东西，可以参考《Ai Agent 智能体项目》

2.1 YML 配置

server:
  port: 8901

# 可申请API秘钥；https://ai.google.dev/gemini-api
google:
  api:
    base-url: https://generativelanguage.googleapis.com
    key: AIzaSyDF6JnvFx7xWEsARS*******可以自己申请免费的
  cloud:
    project: xfg-google-adk

logging:
  level:
    root: info
  config: classpath:logback-spring.xml

在 application-dev.yml 修改你的参数配置，配置你的 Google api key

2.2 ADK 单测

import com.google.adk.agents.LlmAgent;
import com.google.adk.events.Event;
import com.google.adk.models.Gemini;
import com.google.adk.runner.InMemoryRunner;
import com.google.adk.sessions.Session;
import com.google.genai.Client;
import com.google.genai.types.Content;
import com.google.genai.types.HttpOptions;
import com.google.genai.types.Part;
import io.reactivex.rxjava3.core.Flowable;

publicclass ApiTest {

    /**
     * 可申请免费测试api
     * https://ai.google.dev/gemini-api/docs/quickstart?hl=zh-cn#apps-script
     */
    public static void main(String[] args) {
        LlmAgent agent = LlmAgent.builder()
                .name("test")
                .description("test agent help user do work")
                .model(Gemini.builder()
                        .apiClient(Client.builder()
                                .apiKey("AIzaSyDF6JnvFx7xWEsARSGosNmvTU3ZoCwo-mc")
                                .httpOptions(HttpOptions
                                        .builder()
                                        .baseUrl("https://generativelanguage.googleapis.com")
                                        .timeout(500000)
                                        .build())
                                .build())
                        .modelName("gemini-2.0-flash")
                        .build())
                .build();

        InMemoryRunner runner = new InMemoryRunner(agent);

        Session session = runner
                .sessionService()
                .createSession("test", "xiaofuge")
                .blockingGet();

        Flowable<Event> events = runner.runAsync("xiaofuge", session.id(), Content.fromParts(Part.fromText("hi agent can you help me")));

        System.out.print("\nAgent > ");
        events.blockingForEach(event -> System.out.println(event.stringifyContent()));

    }

}

Agent > Hi there! Yes, I'm here to help.  To best assist you, could you tell me what you need help with?  The more information you give me, the better I can understand your request and provide a useful response.

这是一套最基础的 Ai Agent 智能体 ADK 的测试使用代码。其实它的配置和调用与 Spring AI 框架是有类似之处的，基本上这类框架也都是这样的使用模式。
LlmAgent 提供了一整套构建智能体的方式，可以设置客户端（Gemini），并设置相关的 baseUrl、apiKey 参数，以及模型和超时时间等。
InMemoryRunner 的用途是把 Agent 放入一个记忆执行里，让一整个 Session 会话下的执行都被记录下，这样才能记录上下文。
之后就是放到响应框架进行之后和拿到最后结果啦。

2.3 Agent 智能体测试

@Slf4j
@RunWith(SpringRunner.class)
@SpringBootTest
public class AutoAgentTest {

    @Value("${google.api.base-url}")
    private String baseUrl;

    @Value("${google.api.key}")
    private String apiKey;

    privatestaticfinal String USER_ID = "xiaofuge";
    privatestaticfinal String NAME = "multi_tool_agent";

    publicstatic BaseAgent agent;

    @Before
    public void init() {
        List<McpTool> mcpTools = new ArrayList<>();
        mcpTools.addAll(mcp_elk());
        mcpTools.addAll(mcp_filesystem());

        agent = LlmAgent.builder()
                .name(NAME)
                .model(Gemini.builder()
                        .apiClient(Client.builder()
                                .apiKey(apiKey)
                                .httpOptions(HttpOptions
                                        .builder()
                                        .baseUrl(baseUrl)
                                        .timeout(500000)
                                        .build())
                                .build())
                        .modelName("gemini-2.0-flash")
                        .build())
                .description("You are an interactive CLI tool that helps users with software engineering tasks. Use the instructions below and the tools available to you to assist the user.")
                .instruction(
                        """
                                 You are an interactive CLI tool that helps users with software engineering tasks. Use the instructions below and the tools available to you to assist the user.
                                
                                 可以在这里复制全部提示词；https://github.com/x1xhlol/system-prompts-and-models-of-ai-tools/blob/main/Claude%20Code/claude-code-system-prompt.txt
                                """)
                .tools(mcpTools)
                .build();
    }

    /**
     * - 需要配置后，才能在单测控制台输入内容
     * IntelliJ IDEA Help -> Edit Custom VM Options -> -Deditable.java.test.console=true
     * <br/>
     * - <a href="https://ai.google.dev/api">ai.google.dev/api</a>
     */
    @Test
    public void test_agent() {
        InMemoryRunner runner = new InMemoryRunner(agent);

        Session session =
                runner
                        .sessionService()
                        .createSession(NAME, USER_ID)
                        .blockingGet();

        try (Scanner scanner = new Scanner(System.in, StandardCharsets.UTF_8)) {
            while (true) {
                System.out.print("\nYou > ");
                String userInput = scanner.nextLine();

                if ("quit".equalsIgnoreCase(userInput)) {
                    break;
                }

                Content userMsg = Content.fromParts(Part.fromText(userInput));
                Flowable<Event> events = runner.runAsync(USER_ID, session.id(), userMsg);

                System.out.print("\nAgent > ");
                events.blockingForEach(event -> System.out.println(event.stringifyContent()));
            }
        }

    }

    private List<McpTool> mcp_elk() {
        Map<String, String> env = new HashMap<>();
        env.put("ES_HOST", "http://127.0.0.1:9200");
        env.put("ES_API_KEY", "none");

        ServerParameters mcp_elk = ServerParameters.builder("npx")
                .args(List.of(
                        "-y",
                        "@awesome-ai/elasticsearch-mcp"
                ))
                .env(env)
                .build();

        CompletableFuture<McpToolset.McpToolsAndToolsetResult> futureResult =
                McpToolset.fromServer(mcp_elk, JsonBaseModel.getMapper());

        McpToolset.McpToolsAndToolsetResult result = futureResult.join();

        return result.getTools();
    }

    private List<McpTool> mcp_filesystem() {
        ServerParameters mcp_filesystem = ServerParameters.builder("npx")
                .args(List.of(
                        "-y",
                        "@modelcontextprotocol/server-filesystem",
                        "/Users/fuzhengwei/Desktop"
                ))
                .build();

        CompletableFuture<McpToolset.McpToolsAndToolsetResult> futureResult =
                McpToolset.fromServer(mcp_filesystem, JsonBaseModel.getMapper());

        McpToolset.McpToolsAndToolsetResult result = futureResult.join();

        return result.getTools();
    }

}

AutoAgentTest 智能体，配置了两个 mcp，mcp_elk、mcp_filesystem 服务。其实 AI Agent 智能体，都少不了 MCP 服务的加持，这样才能让这个大脑有手脚可以行动起来。
init 初始化阶段，instruction 配置了对应的智能体提示词，这部分很重要，有点像智能体的神经。https://github.com/x1xhlol/system-prompts-and-models-of-ai-tools/blob/main/Claude%20Code/claude-code-system-prompt.txt - 可以选择这里的提示词配置到智能体进行测试。
这部分也可以运行测试，之后会你可以进行提问。注意，如果你没有配置 elk，那么可以删掉 mcpTools.addAll(mcp_elk()); 代码。
mcp_filesystem() 配置了，/Users/fuzhengwei/Desktop 你需要修改为你的本地的有权限访问的地址。

2.4 Agent 智能体服务

有了前面的案例测试基础，就可以把服务配置成对应的接口，以及开发个简单的页面进行对接验证了。

2.4.1 服务接口

@Slf4j
@RestController
@RequestMapping("/trigger")
@CrossOrigin(origins = "*")
publicclass AgentController {

    privatefinal AgentService agentService;

    public AgentController(AgentService agentService) {
        this.agentService = agentService;
    }

    @PostMapping(path = "/session", consumes = MediaType.APPLICATION_JSON_VALUE, produces = MediaType.APPLICATION_JSON_VALUE)
    public CreateSessionResponse createSession(@RequestBody CreateSessionRequest req) {
        String sessionId = agentService.createOrGetSession(req.getUserId());
        log.info("创建会话ID:{}", sessionId);
        returnnew CreateSessionResponse(sessionId);
    }

    @PostMapping(path = "/chat", consumes = MediaType.APPLICATION_JSON_VALUE, produces = MediaType.APPLICATION_JSON_VALUE)
    public ChatResponse chat(@RequestBody ChatRequest req) {
        String sessionId = req.getSessionId();
        if (sessionId == null || sessionId.isEmpty()) {
            sessionId = agentService.createOrGetSession(req.getUserId());
        }
        log.info("使用会话ID:{}", sessionId);
        List<String> outputs = agentService.chat(req.getUserId(), sessionId, req.getMessage());
        returnnew ChatResponse(sessionId, String.join("\n", outputs));
    }
}

这里就是把单测的服务，包装成接口。详细的部分可以直接看工程代码。

2.4.2 页面对接

把服务端的接口对接到页面。

三、功能测试

1. 部署 elk 日志服务

整个 Ai Agent 案例，配置了 ELK 作为日志分析的基础，所以最好配置下。
这里也有云服务器的部署操作，也可以参考教程来部署。教程：https://bugstack.cn/md/road-map/docker-install.html
注意配置完成后，要执行 elk-blacklist-data.sh 模拟的写入进去一些日志，这样才能用于分析使用。

2. 启动服务访问页面

以上演示了，使用 Ai Agent 进行 ELK 日志分析，通过对话可以看到，最终我们可以拿到系统的日志数据。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】