Google ADK 实测：谷歌开源智能体开发套件，MCP + 工作流编排全解析

Q: MCP 工具在哪里找？

MCP 协议已有数千个社区贡献的服务器实现。可以在 MCP Servers GitHub (https://github.com/modelcontextprotocol/servers) 找到官方仓库，涵盖文件系统、数据库、浏览器自动化、Slack、GitHub 等常见场景。

Q: 生产环境部署推荐什么方案？

最简方案是 Docker + Cloud Run。ADK 提供了内置的 Runner.serve() 方法启动 HTTP 服务，配合 Dockerfile 即可容器化部署。大规模场景推荐 Vertex AI Agent Engine，自动处理扩缩容和监控。

如果你关注 AI Agent 开发领域，一定听说过 LangChain、CrewAI、AutoGen 这些名字。但 2025 年 Google 开源的 ADK（Agent Development Kit） 正在改变游戏规则——它是第一个将 MCP 协议原生支持、图执行引擎和 Gemini 深度整合三者合一的框架。

本文不是泛泛的功能介绍，而是一次深度实测。我们将从 MCP 工具集成、工作流编排、动态路由三个核心能力入手，用真实代码验证 Google ADK 到底能不能替代你手头的 Agent 框架。

一、Google ADK 是什么？为什么值得关注？

Google ADK 2.0 是谷歌开源的代码优先（code-first）AI 智能体开发框架，用纯 Python 定义 Agent 行为、工具调用和多 Agent 编排逻辑。

与 LangChain / CrewAI / AutoGen 的本质区别

维度	Google ADK 2.0	LangChain	CrewAI	AutoGen
设计理念	代码优先 + 图执行引擎	链式调用 + YAML 配置	角色扮演 + 任务委派	多 Agent 对话
MCP 支持	✅ 原生内置	⚠️ 需第三方插件	❌ 无	❌ 无
工作流编排	✅ 图结构（顺序/并行/循环/条件）	⚠️ LangGraph 单独使用	⚠️ 顺序执行为主	⚠️ 对话驱动
模型绑定	Gemini 优先，支持任意模型	模型无关	模型无关	模型无关
Google 生态	✅ Vertex AI / Cloud Run / BigQuery 原生	❌	❌	❌
类型安全	✅ 完整 Python 类型提示	⚠️ 部分	⚠️ 弱	⚠️ 弱
学习曲线	中等（需理解图执行模型）	陡峭	低	中等

一句话总结：如果你已经决定用 Gemini 作为主力模型，或者需要 MCP 协议连接外部工具，Google ADK 是目前最顺滑的选择。如果你需要模型无关的灵活性，LangChain 仍然是更成熟的选择。

二、核心特性深度解析

2.1 MCP 协议原生支持——告别胶水代码

MCP（Model Context Protocol）是 Anthropic 提出的开放协议，让 AI 模型以标准化方式调用外部工具和数据源。Google ADK 是第一个原生内置 MCP 客户端的主流框架。

传统方式（LangChain 等）需要你自己写 MCP 客户端、处理协议握手、序列化/反序列化：

# ❌ 传统方式：手动集成 MCP（伪代码）
from mcp_client import MCPClient

client = MCPClient("http://localhost:3000")
tools = await client.list_tools()

# 手动将每个 MCP 工具包装为 LangChain Tool
langchain_tools = []
for tool in tools:
    langchain_tools.append(
        StructuredTool.from_function(
            func=lambda **kwargs: client.call_tool(tool.name, kwargs),
            name=tool.name,
            description=tool.description,
        )
    )

Google ADK 方式——一行代码接入任意 MCP 服务器：

from google.adk.tools.mcp_tools import MCPToolset
from google.adk import Agent

# ✅ ADK 方式：一行接入 MCP 服务器
mcp_tools = MCPToolset.from_url("http://localhost:3000")

agent = Agent(
    name="mcp_agent",
    model="gemini-2.5-flash",
    instruction="你是一个可以使用外部工具的助手。",
    tools=[mcp_tools],
)

这意味着你可以直接接入社区里数千个现成的 MCP 服务器——文件系统、数据库、API 网关、浏览器自动化——而不需要写任何适配代码。

2.2 工作流编排——图执行引擎

ADK 2.0 最强大的能力是 Workflow 类——一个基于图结构的执行引擎，支持四种编排模式：

顺序执行（Sequential）

from google.adk import Agent, Workflow

# 三个专业 Agent
researcher = Agent(
    name="researcher",
    model="gemini-2.5-flash",
    instruction="搜集用户问题的相关信息，返回关键事实。",
)
writer = Agent(
    name="writer",
    model="gemini-2.5-flash",
    instruction="根据提供的事实撰写一篇简洁的文章。",
)
reviewer = Agent(
    name="reviewer",
    model="gemini-2.5-flash",
    instruction="审查文章质量，修正错误，优化表达。",
)

# 顺序管道：研究 → 写作 → 审查
pipeline = Workflow(
    name="content_pipeline",
    edges=[("START", researcher, writer, reviewer)],
)

并行执行（Fan-out / Fan-in）

# 并行分析多个维度，最后汇总
sentiment_agent = Agent(name="sentiment", instruction="分析情感倾向。")
topic_agent = Agent(name="topic", instruction="提取核心话题。")
entity_agent = Agent(name="entity", instruction="识别关键实体。")
summary_agent = Agent(name="summary", instruction="汇总以上分析结果。")

parallel_workflow = Workflow(
    name="parallel_analysis",
    edges=[
        ("START", sentiment_agent, topic_agent, entity_agent),  # 扇出
        (sentiment_agent, topic_agent, entity_agent, summary_agent),  # 扇入
    ],
)

条件路由（Conditional Routing）

from google.adk import Agent, Workflow

def route_by_category(ctx):
    """根据分类结果路由到不同的处理 Agent"""
    category = ctx.state.get("category", "general")
    if category == "technical":
        return "tech_expert"
    elif category == "billing":
        return "billing_expert"
    return "general_expert"

tech = Agent(name="tech_expert", instruction="处理技术问题。")
billing = Agent(name="billing_expert", instruction="处理账单问题。")
general = Agent(name="general_expert", instruction="处理一般问题。")

routed_workflow = Workflow(
    name="smart_router",
    edges=[
        ("START", "classifier"),  # 先分类
        ("classifier", route_by_category, [tech, billing, general]),
    ],
)

循环执行（Loop）

# 迭代优化：生成 → 评估 → 不满意则重新生成
generator = Agent(name="generator", instruction="生成回答。")
evaluator = Agent(
    name="evaluator",
    instruction="评估回答质量，打分 1-10。低于 7 分则要求重新生成。",
)

loop_workflow = Workflow(
    name="iterative_refinement",
    edges=[
        ("START", generator, evaluator),
        (evaluator, "retry_check", [generator, "END"]),  # 条件循环
    ],
    max_iterations=3,  # 最多迭代 3 次
)

2.3 LLM 驱动的动态路由

除了硬编码的条件路由，ADK 还支持让 LLM 自己决定下一步该调用哪个 Agent：

from google.adk import Agent

# 协调者 Agent 动态决定委派给谁
coordinator = Agent(
    name="coordinator",
    model="gemini-2.5-flash",
    instruction="""你是一个任务协调者。根据用户需求，将任务委派给合适的专家：
    - 数据分析问题 → data_analyst
    - 代码相关问题 → code_expert  
    - 文档撰写需求 → writer
    直接输出委派目标和原因。""",
    sub_agents=[data_analyst, code_expert, writer],
)

这种混合模式——确定性工作流 + LLM 动态决策——是 ADK 最独特的设计。你可以在关键路径上用图结构保证可预测性，在需要灵活性的节点上让 LLM 做判断。

三、快速上手教程

3.1 安装

# 创建虚拟环境
python3 -m venv adk-env && source adk-env/bin/activate

# 安装 ADK（含 CLI 工具）
pip install "google-adk[cli]"

# 配置 Gemini API Key
export GEMINI_API_KEY="your-key-here"

3.2 第一个 MCP Agent

# my_agent/__init__.py
from google.adk import Agent
from google.adk.tools.mcp_tools import MCPToolset

# 接入文件系统 MCP 服务器
fs_tools = MCPToolset.from_command(
    command=["npx", "-y", "@modelcontextprotocol/server-filesystem", "/tmp"]
)

root_agent = Agent(
    name="file_assistant",
    model="gemini-2.5-flash",
    instruction="帮助用户管理文件。可以列出、读取、创建文件。",
    tools=[fs_tools],
)

# 启动交互式测试
adk run my_agent

# 或启动 Web UI
adk web my_agent

3.3 实战：构建一个多步骤工作流 Agent

下面是一个完整的「研究报告生成」工作流——从搜索信息到生成报告，全程自动化：

from google.adk import Agent, Workflow
from google.adk.tools.mcp_tools import MCPToolset

# MCP 工具：接入搜索引擎
search_tools = MCPToolset.from_url("http://localhost:3001")

# Step 1: 信息收集
collector = Agent(
    name="collector",
    model="gemini-2.5-flash",
    instruction="根据用户主题搜索 3-5 个关键信息点，以 JSON 列表返回。",
    tools=[search_tools],
)

# Step 2: 深度分析
analyst = Agent(
    name="analyst",
    model="gemini-2.5-flash",
    instruction="分析收集到的信息，提取关键洞察和趋势。",
)

# Step 3: 报告撰写
writer = Agent(
    name="writer",
    model="gemini-2.5-flash",
    instruction="将分析结果整理为结构化报告，包含摘要、正文、结论。",
)

# Step 4: 质量审查
reviewer = Agent(
    name="reviewer",
    model="gemini-2.5-flash",
    instruction="审查报告：检查事实准确性、逻辑连贯性、语言质量。给出修改建议。",
)

# 组装工作流
root_agent = Workflow(
    name="research_pipeline",
    edges=[
        ("START", collector, analyst, writer, reviewer),
    ],
)

运行效果：用户输入一个主题 → 自动搜索 → 分析 → 写报告 → 审查 → 输出最终结果。整个过程无需人工干预，每一步的输出自动作为下一步的输入。

四、与竞品的详细对比

4.1 vs LangChain + LangGraph

LangGraph 是 LangChain 生态中的工作流解决方案，功能上与 ADK Workflow 类似。核心区别：

ADK：一个框架搞定 Agent + 工具 + 工作流 + MCP
LangChain + LangGraph：需要组合多个包，配置更复杂，但生态更丰富

如果你已经深度使用 LangChain 生态，迁移到 ADK 的成本不低。但如果是新项目，ADK 的「全家桶」体验明显更顺滑。

4.2 vs CrewAI

CrewAI 擅长「角色扮演」式的多 Agent 协作，上手极快。但在以下场景不如 ADK：

需要确定性执行流程（CrewAI 的执行顺序由 LLM 决定，不可预测）
需要 MCP 工具集成（CrewAI 不支持）
需要条件分支和循环（CrewAI 只支持顺序执行）

4.3 vs AutoGen

AutoGen 的核心是多 Agent 对话模式，适合需要「讨论式」决策的场景。ADK 更适合「管道式」任务处理。两者设计哲学不同，没有绝对优劣。

五、适用场景与局限性

最适合的场景

Google Cloud 技术栈：如果你已经在用 Vertex AI、Cloud Run、BigQuery，ADK 的原生集成能省去大量适配工作
MCP 工具生态：需要接入大量外部工具，且希望用标准化协议管理
可预测的工作流：客服管道、数据处理流水线、内容生成链——需要确定性执行顺序的场景
混合编排：部分步骤需要确定性（图结构），部分步骤需要灵活性（LLM 路由）

当前局限性

Gemini 绑定倾向：虽然支持其他模型，但最佳体验仍需 Gemini API
社区生态尚在成长：相比 LangChain 的数千个集成，ADK 的第三方工具还较少
文档不够完善：部分高级功能（如自定义中间件、插件系统）的文档还在补全中
仅 Python / Java / Go：JavaScript/TypeScript 版本刚起步，前端集成不太方便

六、FAQ

Q1: Google ADK 是免费的吗？

A: ADK 框架本身完全免费开源（Apache 2.0 协议）。但使用 Gemini 模型需要 Google AI API 费用，有免费额度可用。你也可以接入其他模型来避免费用。

Q2: ADK 支持哪些 LLM 模型？

A: 原生优化了 Gemini 2.5 系列（Flash / Pro）。通过自定义 Model Provider，也可以接入 OpenAI GPT-4o、Anthropic Claude、本地 Ollama 模型等。但部分高级功能（如工具调用的结构化输出）在 Gemini 上表现最好。

Q3: MCP 工具在哪里找？

A: MCP 协议已有数千个社区贡献的服务器实现。可以在 MCP Servers GitHub 找到官方仓库，涵盖文件系统、数据库、浏览器自动化、Slack、GitHub 等常见场景。

Q4: ADK 工作流和 LangGraph 有什么区别？

A: 功能上类似，都是图结构执行引擎。区别在于 ADK 是内置能力（零配置），LangGraph 需要额外安装和配置。ADK 的 API 更简洁，LangGraph 的可视化调试工具更成熟。

Q5: 生产环境部署推荐什么方案？

A: 最简方案是 Docker + Cloud Run。ADK 提供了内置的 Runner.serve() 方法启动 HTTP 服务，配合 Dockerfile 即可容器化部署。大规模场景推荐 Vertex AI Agent Engine，自动处理扩缩容和监控。

七、总结评价

Google ADK 2.0 是目前对 MCP 协议支持最好的 Agent 框架，没有之一。它的工作流编排能力——顺序、并行、循环、条件路由——让复杂的 Agent 管道变得可预测、可测试。

推荐指数：⭐⭐⭐⭐（4/5）

扣分项：对非 Gemini 模型的支持还不够平滑，社区生态相比 LangChain 仍有差距。

一句话推荐：如果你用 Gemini + 需要 MCP + 需要确定性工作流，ADK 是当前最优解。否则，LangChain 仍然是更通用的选择。

相关资源：

延伸阅读：

#Google ADK #MCP协议 #AI Agent #工作流编排 #Gemini