30 分钟搭建第一个 AI Agent：Google ADK 入门
30 分钟搭建第一个 AI Agent：Google ADK 入门
系列文章：《AI Agent 开发实战》第 1 期
难度等级：⭐⭐
预计耗时：30 分钟
🎯 学习目标
学完本文，你将能够：
- ✅ 理解 AI Agent 的核心概念
- ✅ 安装和配置 Google ADK
- ✅ 编写第一个 Agent 程序
- ✅ 实现简单的对话和工具调用
📚 什么是 AI Agent？
AI Agent = 大模型 + 记忆 + 工具调用
想象一下：
- 大模型是"大脑" - 负责思考和决策
- 记忆是"经验" - 记住之前的对话和操作
- 工具是"手脚" - 执行具体任务（搜索、计算、API 调用等）
🔧 环境准备
1. 安装 Python 3.10+
python3--version# 应该 >= 3.102. 创建虚拟环境
python3-mvenv agent-envsourceagent-env/bin/activate3. 安装 Google ADK
pipinstallgoogle-adk4. 配置 API Key
exportGOOGLE_API_KEY="your-api-key-here"💻 第一个 Agent 程序
示例 1：Hello Agent
fromgoogle.adkimportAgent# 创建 Agentagent=Agent(name="MyFirstAgent",instruction="你是一个友好的 AI 助手")# 运行对话response=agent.run("你好，请介绍一下自己")print(response)示例 2：带记忆的 Agent
fromgoogle.adkimportAgent,Memory# 创建带记忆的 Agentagent=Agent(name="ChatAgent",instruction="你是一个专业的编程助手",memory=Memory(max_turns=10))# 多轮对话agent.run("我想学习 Python")agent.run("有什么好的入门资源推荐？")agent.run("我已经有基础了，想学 Web 开发")示例 3：带工具调用的 Agent
fromgoogle.adkimportAgent,Tool# 定义工具defsearch_web(query:str)->str:"""搜索网络信息"""returnf"搜索结果：{query}"defcalculate(expression:str)->float:"""计算器"""returneval(expression)# 创建带工具的 Agentagent=Agent(name="ToolAgent",instruction="你可以使用工具帮助用户",tools=[Tool(name="search",func=search_web),Tool(name="calc",func=calculate)])# 测试工具调用response=agent.run("帮我计算 123 * 456")print(response)🚀 实战项目：天气查询 Agent
完整代码
fromgoogle.adkimportAgent,Toolimportrequestsdefget_weather(city:str)->str:"""查询城市天气"""url=f"http://wttr.in/{city}?format=3"response=requests.get(url)returnresponse.text# 创建天气 Agentweather_agent=Agent(name="WeatherBot",instruction="你是一个天气查询助手，用友好的语气回答",tools=[Tool(name="weather",func=get_weather)])# 运行print("天气查询助手已启动（输入 quit 退出）")whileTrue:user_input=input("你：")ifuser_input.lower()=="quit":breakresponse=weather_agent.run(user_input)print(f"助手：{response}")运行效果
天气查询助手已启动（输入 quit 退出） 你：北京今天天气怎么样？ 助手：北京市，晴，温度 25°C，风速 10km/h 你：上海呢？ 助手：上海市，多云，温度 28°C，风速 15km/h🎓 核心概念详解
1. Agent 配置参数
| 参数 | 说明 | 示例 |
|---|---|---|
| name | Agent 名称 | “WeatherBot” |
| instruction | 系统指令 | “你是天气助手” |
| memory | 记忆配置 | Memory(max_turns=10) |
| tools | 工具列表 | [Tool(…), Tool(…)] |
| model | 使用的模型 | “gemini-pro” |
2. 工具定义
Tool(name="工具名称",func=函数名， description="工具描述（Agent 根据这个决定何时调用）")3. 记忆类型
- 短期记忆- 记住当前对话
- 长期记忆- 跨会话记忆
- 向量记忆- 语义搜索历史
🔥 进阶技巧
技巧 1：多 Agent 协作
# 创建多个专业 Agentresearcher=Agent(name="研究员",instruction="负责搜集信息")writer=Agent(name="作家",instruction="负责撰写文章")reviewer=Agent(name="审核员",instruction="负责审核内容")# 协作流程info=researcher.run("查询 AI 最新进展")article=writer.run(f"基于以下信息写文章：{info}")final=reviewer.run(f"审核这篇文章：{article}")技巧 2：自定义工具
fromgoogle.adkimportTool# 调用外部 APIdefcall_api(endpoint:str,data:dict)->dict:response=requests.post(endpoint,json=data)returnresponse.json()# 数据库操作defquery_db(sql:str)->list:returndb.execute(sql).fetchall()# 文件操作defread_file(path:str)->str:withopen(path,'r')asf:returnf.read()技巧 3：错误处理
try:response=agent.run(user_input)exceptExceptionase:print(f"出错了：{e}")# 降级处理response="抱歉，我暂时无法处理这个请求"📊 性能优化
1. 减少 Token 消耗
# 限制输出长度agent=Agent(name="EfficientAgent",config={"max_output_tokens":500})# 使用更小的模型agent=Agent(name="FastAgent",model="gemini-fast"# 更快更便宜)2. 缓存结果
fromfunctoolsimportlru_cache@lru_cache(maxsize=100)defcached_search(query:str)->str:returnsearch_web(query)🎯 下一步学习
- 第 2 期- AI Agent 记忆系统实现
- 第 3 期- 给 Agent 添加工具调用能力
- 第 4 期- 多 Agent 协作系统
- 第 5 期- LangChain vs Google ADK 对比
💬 互动话题
- 你想用 Agent 解决什么问题？
- 遇到什么技术难点？
- 需要什么示例代码？
欢迎在评论区留言！
作者：AI 技术实践者
代码仓库：GitHub 链接（待补充）
最后更新：2026 年 3 月 21 日
觉得有用？点赞 👍 收藏 ⭐ 关注 ➕ 三连支持一下！