在刚刚结束的 Google Cloud Next ’25 大会上，谷歌发布了诸多重磅更新。如果你观看了整场发布会，你就会感受到 AI 代理（Agents）技术带来的巨大冲击。今年的关键词可以说是：Agent、Agent、还是 Agent！ 从 Agent Development Kit（ADK）、Agent-to-Agent 通讯协议（A2A Protocol）、AgentSpace，到 Gemini 2.5 Pro Preview 旗舰大模型，无不体现了 Google 正在构建一个高度代理化的 AI 未来。

🎯 我们的最终目标

我们将使用 Google 开源的 Agent Development Kit（ADK），结合 Gemini 大语言模型 和 MCP 工具协议，从零构建一个智能航班查询 Agent，实现以下功能：

💡 当用户输入诸如“帮我查查从亚特兰大到拉斯维加斯 5 月 5 号的航班”这样的请求时，Agent 会自动调用 MCP 接口，查找实时航班信息，并以结构化方式返回给用户。

实现过程中，你将学会：

• 什么是 ADK，它如何让你像“搭积木”一样构建 Agent；
• 如何用 MCP 连接外部工具，如航班搜索 API；
• 如何使用 Gemini 模型赋予 Agent 智能对话能力；
• 如何通过 ADK 的运行器和会话服务构建完整应用框架。

🙋什么是 ADK（Agent Development Kit）？

ADK 是 Google 开源的 Python 工具包，用于开发、评估与部署智能 AI 代理系统。它支持从简单的单代理任务，到复杂的多代理编排工作流，具有模块化、可扩展的架构设计。它致力于让开发者快速构建、组合和部署智能 AI Agent 应用。

它本质上提供了一种模块化框架，让你：

• 像拼乐高一样组合 Agent；
• 像注册插件一样集成工具；
• 像写脚本一样定义业务逻辑；

并支持多种运行模式（如交互式调用、多轮对话、异步执行等）。

ADK 本身并不提供大模型，它是一个 Agent 编排与运行系统。 你可以通过它接入 Gemini、Claude、OpenAI 等模型，也可以接入 MCP、LangChain、RAG、函数调用等工具链。

简单来说：

• MCP 提供“工具接口”；
• Gemini 提供“语言大脑”；
• ADK 提供“流程骨架”；

这三者配合，就能构建起真正实用的 AI Agent。

---

🙋在 ADK 中，Agent 是什么？

在 ADK（Agent Development Kit）中，Agent（智能体） 是系统的核心单位。可以将 Agent 理解为一个具备感知（Perception）、推理（Reasoning）、计划（Planning）和执行（Action）能力的自主智能单元。每一个 Agent 通过调用工具（Tools）、协调任务流（Workflow）和使用语言模型（LLM）等能力来完成复杂任务。

但 ADK 中的 Agent 不是一个大模型，也不是一个 chatbot，而是一个由多个组件组合而成的智能执行体。我们可以把它看作一个“任务调度大脑”，其本质是“结构化智能 + 语义驱动 + 工具调用 + 状态记忆”。

---

🔧 一个 Agent 通常由以下部分组成：

组成部分	作用说明
LLM（大语言模型）	作为智能核心，负责理解用户指令、生成内容、调用工具的指令等
Tools（工具）	外部功能模块，比如航班搜索、数据库查询、天气 API 等
Planner（任务规划器）	把复杂任务拆解成步骤，决定执行顺序
Memory（记忆）	保留历史对话、已执行步骤、变量状态等，用于多轮对话或流程追踪
Executor（执行器）	根据规划结果调用工具、处理返回结果，并继续推进任务流程
AgentContext	一个"运行环境"，用于管理每次任务中的上下文、日志、缓存、中间变量等

---

ADK提供的三种Agent类型

1. LLM Agents（如 LlmAgent、Agent）

• 使用大型语言模型（LLM）来进行上下文理解、逻辑推理、任务规划与执行决策。
• 非常适合应对需要语言理解、动态应变与非结构化任务的场景。
• 本文后续构建的AI正是基于这一类型，配合 MCPTools 使用。

2. Workflow Agents（如 SequentialAgent、ParallelAgent、LoopAgent）

• 用于在无需语言模型干预的情况下，按照特定逻辑顺序调用其他 Agent。
• 更适合执行稳定、结构化、可重复的工作流程。
• 可以理解为“流程控制器”，例如串行执行多个 Agent 的任务。

3. Custom Agents（基于 BaseAgent 自定义扩展）

• 用户可以通过继承和拓展 BaseAgent，自由实现定制逻辑、集成特定工具或构建个性化的任务执行方案。
• 适合高级开发者搭建复杂的智能系统。

这三种 Agent 设计模式形成了 ADK 强大的组合式智能能力：语言驱动 + 工具调用 + 任务编排。

---

🙋ADK 中的 Tools 是什么？

Agent 的强大不仅来自语言模型本身，更重要的是其可以借助外部能力，也就是“工具（Tools）”来扩展行动力。

简单来说，Tool 就是 Agent 拥有的一项“技能”。

✅ Tool 的定义

在 ADK 中，Tool 表示一个授予 AI Agent 的具体能力，允许其执行特定操作或与外部世界互动，而不仅仅是进行文字生成或语言推理。

一个 Tool 通常是一个模块化的代码组件，比如：

• 一个 Python 函数（Function）
• 一个类的方法（Method）
• 另一个 Agent（作为可调用工具）

它们的作用是：完成被定义好的任务，比如查询数据库、生成图像、调用 API、搜索网页、执行代码等。

---

🧠 Agent 如何调用 Tool？

Agent 会通过**函数调用机制（Function Calling）**动态使用工具。 调用流程通常如下：

1. Agent 理解当前上下文和任务目标
2. 判断是否需要调用工具，如果是，则生成对应函数的调用格式与参数
3. 执行调用工具，并获取返回结果
4. 将工具结果融入自身后续行为或回复中

这一过程对开发者是“可配置”的，对终端用户是“无感知”的。Agent 就像一个能够灵活组合工具的智能程序员。

---

🛠️ Tool 的种类

ADK 支持多种类型的工具，以满足不同的智能任务需求：

1. Function Tools：专门为某个应用或工作流构建的自定义函数组件

• Functions / Methods：传统 Python 同步函数（def）或类方法
• Agents-as-Tools：将其他 Agent 作为 Tool 使用，形成模块化的智能行为组合。
• Long-Running Function Tools：设计用于处理异步或耗时较长的操作，比如等待网页响应、生成复杂图像、训练模型等。

2. Built-in Tools（内置工具）

• 网络搜索工具

• 代码执行器

• 文本向量搜索 / RAG 工具

• ADK 自带的常用工具集，如：

3. Third-Party Tools（第三方工具）

• 通过集成外部生态如 LangChain、CrewAI 等，快速扩展工具系统

---

🤖ADK 中的 Agent ≠ 普通 Chatbot

特性	普通 Chatbot	ADK 中的 Agent
响应能力	基于 prompt 的简单问答	基于语义和工具组合的复杂任务响应
工具使用	靠插件或函数调用，通常写死	工具是可组合、可调度的，具备自动选择和调用能力
状态感知	很弱，多轮对话能力有限	内建记忆组件，能跨多轮对话保留上下文
任务能力	主要是聊天、摘要、回答	可以完成任务执行、数据处理、调用外部 API、执行链式逻辑等

---

🧩一个 Agent 实际上像什么？

可以类比为一个"智能操作系统进程"：

• 指令接收：用户发出自然语言请求（类似发送"指令"）
• 任务规划：内部使用 Planner 分解任务
• 工具调用：通过 Tool 连接各类系统 API
• 决策判断：LLM 分析上下文并决定后续动作
• 执行返回：Executor 完成任务并返回最终结果

---

🏗️在 ADK 中定义 Agent 的代码长什么样？

ADK 用 Agent 类封装了整个逻辑，你可以像这样定义一个 Agent：

agent = Agent(    llm=GeminiModel(),    tools=[FlightSearchTool(), WeatherTool()],    planner=SimplePlanner(),    memory=InMemoryStore())

调用也很自然：

response = agent.run("帮我查一下明天下午从上海飞往北京的航班")

ADK 会自动：

• 识别意图；
• 选择 FlightSearchTool；
• 格式化调用请求；
• 获取结果后整理回复；
• 返回最终答案。

✅ 总结一句话：

ADK 中的 Agent 是一个由语言模型驱动的、能够理解任务、自动调用工具并管理流程的智能执行单元。

接下来的两篇文章将继续介绍什么是MCP，以及从安装环境开始，实现一个自己的Agent大模型工具。

参考官方文档

https://google.github.io/adk-docs/agents/

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！