用 Rust 写 AI Agent 是什么体验？ADK-Rust 框架深度解析
先收藏，回头一定用得上。
Python 写 Agent 生态最丰富，但遇到高并发、低延迟、长运行的场景，Rust 的优势就出来了。ADK-Rust 正是在这个背景下诞生的——它用 Rust 的类型安全和零成本抽象，把 Agent 开发拉到了系统编程的语言层面。
前段时间深入研究了一下这个框架，发现它不只是"又一个 Agent SDK"——39 个 crate、130K+ 下载、17+ LLM 提供商支持，还有可视化构建工具和 Playground，完成度相当高。
本文提纲
- ADK-Rust 是什么，解决什么问题
- 核心架构：Trait 驱动的分层设计
- Agent 类型：从单 Agent 到图工作流
- 工具系统：#[tool] 宏和 MCP 集成
- 多提供商支持：一行代码切换模型
- 生产级特性：Session、安全、可观测性
- 开发体验：CLI 脚手架和可视化编辑器
- 和同类框架对比
ADK-Rust 是什么
ADK-Rust（zavora-ai/adk-rust）是一个用 Rust 构建生产级 AI Agent 的开源框架。当前版本 v1.0.0，Apache 2.0 协议，由 Zavora AI 团队维护。
它要解决的核心问题很明确：让用 Rust 写 Agent 像写普通软件一样简单。
几个关键数据：
- 39 个 crate 组成模块化工作空间
- 130K+ 下载（6 个月内，纯 organic）
- 17+ LLM 提供商（Gemini、OpenAI、Anthropic、DeepSeek、Groq、Ollama、Bedrock、Azure AI、Fireworks、Together、Mistral、Perplexity、Cerebras、SambaNova、xAI、mistral.rs 本地推理等）
- 120+ 可运行示例
- 冷启动比 Python ADK 快 4.6 倍（官方 benchmark）
支持 Rust 1.94+（Rust 2024 edition），需要 Rust 1.85 以上版本。
核心架构：Trait 驱动的分层设计
ADK-Rust 的架构围绕五个核心 Trait 展开：
Agent — name(), description(), invoke() → AsyncStream<Event>
Llm — generate_content() → AsyncStream<Event>
Tool — name(), parameters_schema(), execute()
Session — add(), messages(), state()
Toolset — tools() → Vec<Arc<dyn Tool>>
这种设计让整个框架高度模块化。所有具体实现都通过 Arc<dyn Trait> 做运行时多态，但得益于 Rust 的零成本抽象，性能开销极小。
分层结构从上到下：
| 层级 | 职责 | 代表 crate |
|---|---|---|
| 应用层 | CLI、Studio 可视化编辑器 | adk-cli, adk-studio |
| 执行层 | Agent 运行时、上下文管理 | adk-runner |
| Agent 层 | LLM Agent、工作流 Agent、图 Agent | adk-agent, adk-graph, adk-realtime |
| 集成层 | LLM 提供商、工具、浏览器 | adk-model, adk-tool, adk-browser |
| 基础设施层 | Session、Artifact、Memory、遥测 | adk-session, adk-artifact, adk-memory, adk-telemetry |
| 安全层 | RBAC、SSO、Guardrail | adk-auth, adk-guardrail |
| 评估层 | Agent 测试和评测 | adk-eval |
| 核心层 | 基础 Trait 和类型 | adk-core |
架构原则也很 Rust：Async-First（全部基于 Tokio）、Streaming by Default（实时事件流）、Type Safety（编译期保证）。
Agent 类型：从单 Agent 到图工作流
ADK-Rust 支持多种 Agent 模式，从简单到复杂逐步递进。
LlmAgent — 基础 Agent
最基础的 Agent，一个 LLM + instruction + 工具列表：
use adk_rust::prelude::*;let model = GeminiModel::new(&api_key, "gemini-2.5-flash")?;
let agent = LlmAgentBuilder::new("assistant")
.instruction("You are a helpful assistant. Be concise.")
.model(Arc::new(model))
.build()?;
Workflow Agent — 编排模式
三种确定性编排模式：
- SequentialAgent：顺序执行多个 Agent，前一个的输出作为后一个的输入
- ParallelAgent：并行执行，支持 SharedState 跨 Agent 共享状态
- LoopAgent：循环执行，支持退出条件
let agent = SequentialAgent::new(vec![
Arc::new(extractor),
Arc::new(analyzer),
Arc::new(formatter),
]).with_output_key("final_result");
GraphAgent — 复杂有向图
LangGraph 风格的有向图工作流，支持：
- 并行节点执行（PregelExecutor，BSP 模型）
- 条件路由（
Router::by_field、Router::conditional） - 循环图（ReAct 模式的工具循环）
- Checkpointing（Memory / SQLite 后端，崩溃恢复）
- Human-in-the-Loop（动态中断 + 从 checkpoint 恢复）
let agent = GraphAgent::builder("text_processor")
.channels(&["input", "translation", "summary"])
.node(translator_node)
.node(summarizer_node)
.edge(START, "translator")
.edge(START, "summarizer") // 并行
.edge("translator", "combine")
.edge("summarizer", "combine")
.edge("combine", END)
.build()?;
RealtimeAgent — 实时语音
双向音频流，支持 OpenAI Realtime API、Gemini Live API、LiveKit WebRTC 桥接：
let agent = RealtimeAgent::builder("voice_assistant")
.model(model)
.instruction("You are a helpful voice assistant.")
.voice("alloy")
.server_vad()
.build()?;
工具系统：#[tool] 宏和 MCP 集成
工具定义用 #[tool] 宏，零样板代码：
#[derive(Deserialize, JsonSchema)]
struct WeatherArgs {
/// The city to look up
city: String,
}/// Get the current weather for a city.
#[tool]
async fn get_weather(args: WeatherArgs) -> Result<Value, AdkError> {
Ok(json!({ "temp": 72, "city": args.city }))
}
宏自动从 doc comment 提取描述、从 args 类型推导 JSON Schema、生成 Tool trait 实现。
内置工具包括 Google Search、Artifact 加载、循环退出等。
MCP 集成做得比较完善：支持 MCP Elicitation（服务器可以在运行时通过结构化表单或 URL 请求额外用户输入），schema 会按提供商自动归一化。
浏览器自动化也很强——46 个 WebDriver 工具，覆盖导航、点击、填表、截图、JS 执行等操作。
多提供商支持：一行代码切换模型
这是 ADK-Rust 最实用的特性之一。所有提供商实现同一个 Llm trait，切换模型只改一行：
// Gemini
let model: Arc<dyn Llm> = Arc::new(GeminiModel::new(&key, "gemini-2.5-flash")?);
// 切换到 OpenAI
// let model: Arc<dyn Llm> = Arc::new(OpenAIClient::new(OpenAIConfig::new(key, "gpt-5-mini"))?);
// 切换到 Anthropic
// let model: Arc<dyn Llm> = Arc::new(AnthropicClient::new(AnthropicConfig::new(key, "claude-sonnet-4-6"))?);
// 切换到 DeepSeek
// let model: Arc<dyn Llm> = Arc::new(DeepSeekClient::chat(key)?);
完整提供商列表：
| 提供商 | 代表模型 | 特色 |
|---|---|---|
| Gemini | gemini-2.5-flash/pro, gemini-3-flash-preview | 2M context，多模态，代码执行 |
| OpenAI | gpt-5, gpt-5-mini/nano, o3, o4-mini | Responses API 支持 |
| Anthropic | claude-opus-4-8, claude-sonnet-4-6 | Prompt caching, Extended thinking |
| DeepSeek | deepseek-chat, deepseek-reasoner | 思维链模式，上下文缓存 |
| Groq | llama-4-scout, llama-3.3-70b | LPU 加速，最快推理 |
| Ollama | qwen3.6, llama3.2 | 本地推理，无需 API Key |
| mistral.rs | Gemma 4, Qwen 3.5, Voxtral | 原生本地推理，GPU 加速 |
| Bedrock | claude-sonnet-4, 等 | AWS 集成 |
| Azure AI | 端点指定模型 | 企业 Azure 部署 |
另外还有 Fireworks、Together、Mistral AI、Perplexity、Cerebras、SambaNova、xAI 等通过 OpenAI 兼容 preset 接入。
生产级特性
Session 管理
- InMemory 和 SQLite 后端
- AES-256-GCM 加密 Session + 密钥轮换
- 对话历史持久化
安全体系
- RBAC：角色定义 + allow/deny 规则，deny 优先
- SSO：Google、Azure AD、Okta、Auth0、通用 OIDC
- Guardrail：PII 脱敏、内容过滤、JSON Schema 校验
- 审计日志：JSONL 格式，合规追踪
可观测性
OpenTelemetry 集成，支持 trace、metric，OTLP 导出到 Jaeger/Zipkin。
部署
三种部署模式：
- CLI（adk-cli）：交互式 REPL，开发和调试
- Server（adk-server）：REST API + SSE 流式 + A2A 协议，生产部署
- Embedded：作为库集成到更大的应用
生产架构支持无状态水平扩展 + 负载均衡 + PostgreSQL Session + S3 Artifact + Qdrant 向量搜索。
Agent 评估
adk-eval 提供完整的评估框架：
- Trajectory 评估：工具调用序列匹配（精确、子集、顺序无关）
- 文本相似度：Jaccard、Levenshtein、ROUGE
- LLM-as-Judge：用 LLM 做语义评估
- Rubric 评分：多维度加权打分
开发体验
脚手架工具
cargo install cargo-adk
cargo adk new my-agent # 基础 Gemini Agent
cargo adk new my-agent --template tools # 带自定义工具
cargo adk new my-agent --template rag # RAG 向量搜索
cargo adk new my-agent --template api # REST 服务器
cargo adk new my-agent --template graph # 图工作流
cargo adk new my-agent --template realtime # 实时语音
支持 8 个基础模板 + 9 个 addon（telemetry、docker、ci 等）组合。
最快上手
如果只想跑一个 Agent，三行代码搞定：
use adk_rust::run;#[tokio::main]
async fn main() -> anyhow::Result<()> {
let response = run("You are a helpful assistant.", "What is 2 + 2?").await?;
println!("{response}");
Ok(())
}
Feature Tier
Cargo.toml 里按需选择功能层级：
| Tier | 包含内容 | 适用场景 |
|---|---|---|
minimal（默认） |
Gemini + Agent + Session | 快速起步 |
standard |
+ OpenAI、Anthropic、工具、Memory、Server、Auth、Graph、Eval | 生产部署 |
enterprise |
+ Realtime、Browser、RAG、Payments、AWP | 全功能生产 |
full |
+ Audio、Code Execution、Sandbox | 全部 |
ADK Studio
可视化构建工具，拖拽式设计工作流，实时生成 Rust 代码，支持在线测试。还有 ADK Playground（playground.adk-rust.com），可以在浏览器里运行 70+ Agent 示例，无需登录和安装。
和同类框架对比
| 维度 | ADK-Rust | LangChain (Python) | Google ADK (Python) |
|---|---|---|---|
| 语言 | Rust | Python | Python |
| 冷启动 | 快（4.6x） | 慢 | 中等 |
| 内存占用 | 低 | 高 | 中等 |
| 类型安全 | 编译期 | 运行时 | 运行时 |
| 并发模型 | Tokio async | GIL 限制 | asyncio |
| 提供商数量 | 17+ | 30+ | 6 |
| 图工作流 | 内置 adk-graph | LangGraph | 内置 |
| 实时语音 | 内置 adk-realtime | 需第三方 | 内置 |
| 可视化编辑 | ADK Studio | LangGraph Studio | 无 |
| Agent 评估 | 内置 adk-eval | LangSmith | 内置 |
| 部署模式 | CLI/Server/Embedded | 多种 | CLI/Server |
Rust 在性能和类型安全上有天然优势，但 Python 生态的丰富度仍是 ADK-Rust 需要追赶的。不过在 Agent 运行时这个特定场景，Rust 的优势（低延迟、低内存、高并发、长运行稳定）非常匹配。
你的 Agent 项目用什么语言写的？评论区聊聊你的技术选型和理由。觉得有用的话，点个赞让更多人看到。
作者: itech001
来源: 公众号：AI人工智能时代
网站: https://www.theaiera.cn/
每日分享最前沿的AI新闻资讯和技术研究。
本文首发于 AI人工智能时代，转载请注明出处。