Google ADK 実践レビュー：Google オープンソースエージェント開発キット、MCP + ワークフローオ...

Q: MCP ツールはどこで見つかりますか？

MCP プロトコルにはすでに数千のコミュニティ貢献によるサーバー実装があります。MCP Servers GitHub (https://github.com/modelcontextprotocol/servers) で公式リポジトリを見つけることができ、ファイルシステム、データベース、ブラウザ自動化、Slack、GitHub などの一般的なシナリオをカバーしています。

Q: 本番環境のデプロイにはどんなアプローチが推奨されますか？

最もシンプルな方法は Docker + Cloud Run です。ADK は HTTP サービスを起動する組み込みの Runner.serve() メソッドを提供しており、Dockerfile と組み合わせてコンテナ化デプロイが可能です。大規模シナリオでは Vertex AI Agent Engine が推奨され、スケーリングとモニタリングを自動処理します。

AI エージェント開発の分野を追いかけているなら、LangChain、CrewAI、AutoGen といった名前を必ず耳にしたことがあるでしょう。しかし、2025 年に Google がオープンソース化した ADK（Agent Development Kit） がゲームのルールを変えようとしています——MCP プロトコルのネイティブサポート、グラフ実行エンジン、Gemini との深い統合を 1 つのフレームワークで実現した最初の存在です。

これは表面的な機能紹介ではありません。実践的な深層レビューです。MCP ツール統合、ワークフローオーケストレーション、動的ルーティングという 3 つの中核機能に焦点を当て、実際のコードで Google ADK が既存のエージェントフレームワークを本当に置き換えられるのかを検証します。

1. Google ADK とは？なぜ注目すべきか？

Google ADK 2.0 は、Google がオープンソース化したコードファーストの AI エージェント開発フレームワークで、純粋な Python でエージェントの動作、ツール呼び出し、マルチエージェントオーケストレーションロジックを定義します。

LangChain / CrewAI / AutoGen との本質的な違い

観点	Google ADK 2.0	LangChain	CrewAI	AutoGen
設計思想	コードファースト + グラフ実行エンジン	チェーン呼び出し + YAML 設定	ロールプレイ + タスク委任	マルチエージェント対話
MCP サポート	✅ ネイティブ内蔵	⚠️ サードパーティプラグインが必要	❌ なし	❌ なし
ワークフローオーケストレーション	✅ グラフ構造（順次/並列/ループ/条件分岐）	⚠️ LangGraph を別途使用	⚠️ 順次実行が中心	⚠️ 対話駆動
モデルバインディング	Gemini ファースト、任意のモデルをサポート	モデル非依存	モデル非依存	モデル非依存
Google エコシステム	✅ Vertex AI / Cloud Run / BigQuery ネイティブ	❌	❌	❌
型安全性	✅ 完全な Python 型ヒント	⚠️ 部分的	⚠️ 弱い	⚠️ 弱い
学習曲線	中程度（グラフ実行モデルの理解が必要）	急峻	低い	中程度

一言で言えば：すでに Gemini を主力モデルと決めている、あるいは MCP プロトコルで外部ツールと接続する必要があるなら、Google ADK が現在最もスムーズな選択です。モデル非依存の柔軟性が必要なら、LangChain の方がまだ成熟した選択肢です。

2. コア機能の深層解析

2.1 MCP プロトコルのネイティブサポート——糊コードとおさらば

MCP（Model Context Protocol）は Anthropic が提唱したオープンプロトコルで、AI モデルが標準化された方法で外部ツールやデータソースを呼び出せるようにします。Google ADK は、ネイティブ内蔵の MCP クライアントを持つ最初の主流フレームワークです。

従来の方法（LangChain など）では、自分で MCP クライアントを書き、プロトコルのハンドシェイクやシリアライズ/デシリアライズを処理する必要があります：

# ❌ 従来の方法：MCP の手動統合（疑似コード）
from mcp_client import MCPClient

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

# 各 MCP ツールを手動で LangChain Tool としてラップ
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 の方法——1 行のコードで任意の MCP サーバーに接続：

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

# ✅ ADK の方法：1 行で MCP サーバーに接続
mcp_tools = MCPToolset.from_url("http://localhost:3000")

agent = Agent(
    name="mcp_agent",
    model="gemini-2.5-flash",
    instruction="あなたは外部ツールを使用できるアシスタントです。",
    tools=[mcp_tools],
)

これは、コミュニティにある数千の既存 MCP サーバー——ファイルシステム、データベース、API ゲートウェイ、ブラウザ自動化——に、アダプターコードを書くことなく直接接続できることを意味します。

2.2 ワークフローオーケストレーション——グラフ実行エンジン

ADK 2.0 の最も強力な機能は Workflow クラス——グラフ構造に基づく実行エンジンで、4 つのオーケストレーションモードをサポートします：

順次実行

from google.adk import Agent, Workflow

# 3 つの専門エージェント
researcher = Agent(
    name="researcher",
    model="gemini-2.5-flash",
    instruction="ユーザーの質問に関する情報を収集し、重要な事実を返してください。",
)
writer = Agent(
    name="writer",
    model="gemini-2.5-flash",
    instruction="提供された事実に基づいて簡潔な記事を書いてください。",
)
reviewer = Agent(
    name="reviewer",
    model="gemini-2.5-flash",
    instruction="記事の品質をレビューし、誤りを修正し、表現を最適化してください。",
)

# 順次パイプライン：調査 → 執筆 → レビュー
pipeline = Workflow(
    name="content_pipeline",
    edges=[("START", researcher, writer, reviewer)],
)

並列実行（Fan-out / Fan-in）

# 複数の次元を並列に分析し、最後に集約
sentiment_agent = Agent(name="sentiment", instruction="感情傾向を分析してください。")
topic_agent = Agent(name="topic", instruction="中心となるトピックを抽出してください。")
entity_agent = Agent(name="entity", instruction="重要なエンティティを識別してください。")
summary_agent = Agent(name="summary", instruction="上記の分析結果を集約してください。")

parallel_workflow = Workflow(
    name="parallel_analysis",
    edges=[
        ("START", sentiment_agent, topic_agent, entity_agent),  # ファンアウト
        (sentiment_agent, topic_agent, entity_agent, summary_agent),  # ファンイン
    ],
)

条件ルーティング

from google.adk import Agent, Workflow

def route_by_category(ctx):
    """分類結果に基づいて異なる処理エージェントにルーティング"""
    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="技術的な問題を処理します。")
billing = Agent(name="billing_expert", instruction="請求問題を処理します。")
general = Agent(name="general_expert", instruction="一般的な問題を処理します。")

routed_workflow = Workflow(
    name="smart_router",
    edges=[
        ("START", "classifier"),  # まず分類
        ("classifier", route_by_category, [tech, billing, general]),
    ],
)

ループ実行

# 反復改善：生成 → 評価 → 不満なら再生成
generator = Agent(name="generator", instruction="回答を生成してください。")
evaluator = Agent(
    name="evaluator",
    instruction="回答の品質を評価し、1-10 でスコアリングしてください。7 点未満なら再生成を要求します。",
)

loop_workflow = Workflow(
    name="iterative_refinement",
    edges=[
        ("START", generator, evaluator),
        (evaluator, "retry_check", [generator, "END"]),  # 条件ループ
    ],
    max_iterations=3,  # 最大 3 回反復
)

2.3 LLM 駆動の動的ルーティング

ハードコードされた条件ルーティングに加え、ADK は LLM 自身に次のエージェント呼び出しを決定させることもサポートしています：

from google.adk import Agent

# コーディネーターエージェントが動的に委任先を決定
coordinator = Agent(
    name="coordinator",
    model="gemini-2.5-flash",
    instruction="""あなたはタスクコーディネーターです。ユーザーのニーズに基づいて、適切な専門家にタスクを委任してください：
    - データ分析の質問 → data_analyst
    - コード関連の質問 → code_expert  
    - ドキュメント作成のニーズ → writer
    委任先とその理由を直接出力してください。""",
    sub_agents=[data_analyst, code_expert, writer],
)

このハイブリッドモード——決定論的ワークフロー + LLM 動的意思決定——は ADK の最もユニークな設計です。重要なパスではグラフ構造で予測可能性を保証し、柔軟性が必要なノードでは LLM に判断を任せることができます。

3. クイックスタートチュートリアル

3.1 インストール

# 仮想環境を作成
python3 -m venv adk-env && source adk-env/bin/activate

# ADK をインストール（CLI ツール含む）
pip install "google-adk[cli]"

# Gemini API キーを設定
export GEMINI_API_KEY="your-key-here"

3.2 最初の MCP エージェント

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

# ファイルシステム MCP サーバーに接続
fs_tools = MCPToolset.from_command(
    command=["npx", "-y", "@modelcontextprotocol/server-filesystem", "/tmp"]
)

root_agent = Agent(
    name="file_assistant",
    model="gemini-2.5-flash",
    instruction="ユーザーのファイル管理を支援します。ファイルの一覧表示、読み取り、作成ができます。",
    tools=[fs_tools],
)

# インタラクティブテストを開始
adk run my_agent

# または Web UI を起動
adk web my_agent

3.3 実践：マルチステップワークフローエージェントの構築

以下は完全な「研究レポート生成」ワークフローです——情報検索からレポート生成まで、完全に自動化されます：

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

# MCP ツール：検索エンジンに接続
search_tools = MCPToolset.from_url("http://localhost:3001")

# ステップ 1：情報収集
collector = Agent(
    name="collector",
    model="gemini-2.5-flash",
    instruction="ユーザーのトピックに基づいて 3-5 の重要な情報ポイントを検索し、JSON リストとして返してください。",
    tools=[search_tools],
)

# ステップ 2：深層分析
analyst = Agent(
    name="analyst",
    model="gemini-2.5-flash",
    instruction="収集した情報を分析し、重要な洞察とトレンドを抽出してください。",
)

# ステップ 3：レポート作成
writer = Agent(
    name="writer",
    model="gemini-2.5-flash",
    instruction="分析結果を要約、本文、結論を含む構造化されたレポートに整理してください。",
)

# ステップ 4：品質レビュー
reviewer = Agent(
    name="reviewer",
    model="gemini-2.5-flash",
    instruction="レポートをレビューしてください：事実の正確さ、論理的一貫性、言語品質をチェックします。修正提案を提供してください。",
)

# ワークフローを組み立て
root_agent = Workflow(
    name="research_pipeline",
    edges=[
        ("START", collector, analyst, writer, reviewer),
    ],
)

動作の流れ：ユーザーがトピックを入力 → 自動検索 → 分析 → レポート作成 → レビュー → 最終結果を出力。全体のプロセスで人の介入は不要で、各ステップの出力が自動的に次のステップの入力となります。

4. 競合との詳細比較

4.1 vs LangChain + LangGraph

LangGraph は LangChain エコシステムのワークフローソリューションで、機能的には ADK Workflow と似ています。核心的な違い：

ADK：1 つのフレームワークで Agent + ツール + ワークフロー + MCP を完結
LangChain + LangGraph：複数のパッケージを組み合わせる必要があり、設定はより複雑だが、エコシステムはより豊富

すでに LangChain エコシステムを深く使っているなら、ADK への移行コストは低くありません。しかし新規プロジェクトなら、ADK の「オールインワン」体験は明らかにスムーズです。

4.2 vs CrewAI

CrewAI は「ロールプレイ」型のマルチエージェント協力が得意で、非常に使い始めやすいです。しかし以下のシナリオでは ADK に劣ります：

決定論的な実行フローが必要な場合（CrewAI の実行順序は LLM によって決まり、予測不可能）
MCP ツール統合が必要な場合（CrewAI はサポートしていない）
条件分岐やループが必要な場合（CrewAI は順次実行のみサポート）

4.3 vs AutoGen

AutoGen の核心はマルチエージェント対話モードで、「議論型」の意思決定が必要なシナリオに適しています。ADK は「パイプライン型」のタスク処理により適しています。両者は設計思想が異なり、絶対的な優劣はありません。

5. 適切なユースケースと限界

最も適したシナリオ

Google Cloud 技術スタック：すでに Vertex AI、Cloud Run、BigQuery を使っているなら、ADK のネイティブ統合で多くのアダプター作業を節約できます
MCP ツールエコシステム：多くの外部ツールを接続し、標準化されたプロトコルで管理したい場合
予測可能なワークフロー：カスタマーサービスパイプライン、データ処理パイプライン、コンテンツ生成チェーン——決定論的な実行順序が必要なシナリオ
ハイブリッドオーケストレーション：一部のステップは決定論的（グラフ構造）で、一部のステップは柔軟（LLM ルーティング）である必要がある場合

現在の限界

Gemini バインディングの傾向：他のモデルもサポートしていますが、最高の体験には 여전히 Gemini API が必要です
コミュニティエコシステムはまだ成長段階：LangChain の数千の統合と比較すると、ADK のサードパーティツールはまだ少ない
ドキュメントが十分ではない：一部の高度な機能（カスタムミドルウェア、プラグインシステム）のドキュメントはまだ整備中
Python / Java / Go のみ：JavaScript/TypeScript バージョンは始まったばかりで、フロントエンド統合は不便

6. FAQ

Q1: Google ADK は無料ですか？

A: ADK フレームワーク自体は完全に無料でオープンソース（Apache 2.0 ライセンス）です。ただし、Gemini モデルの使用には Google AI API 料金が必要で、無料枠が利用可能です。他のモデルを接続して費用を避けることもできます。

Q2: ADK はどの LLM モデルをサポートしていますか？

A: Gemini 2.5 シリーズ（Flash / Pro）にネイティブ最適化されています。カスタム Model Provider を通じて、OpenAI GPT-4o、Anthropic Claude、ローカル Ollama モデルなども接続可能です。ただし、一部の高度な機能（ツール呼び出しの構造化出力など）は Gemini で最も良く動作します。

Q3: MCP ツールはどこで見つかりますか？

A: MCP プロトコルにはすでに数千のコミュニティ貢献によるサーバー実装があります。MCP Servers GitHub で公式リポジトリを見つけることができ、ファイルシステム、データベース、ブラウザ自動化、Slack、GitHub などの一般的なシナリオをカバーしています。

Q4: ADK ワークフローと LangGraph の違いは何ですか？

A: 機能的には似ており、どちらもグラフ構造の実行エンジンです。違いは、ADK は組み込み機能（設定ゼロ）であるのに対し、LangGraph は追加のインストールと設定が必要な点です。ADK の API はよりシンプルで、LangGraph の可視化デバッグツールはより成熟しています。

Q5: 本番環境のデプロイにはどんなアプローチが推奨されますか？

A: 最もシンプルな方法は Docker + Cloud Run です。ADK は HTTP サービスを起動する組み込みの Runner.serve() メソッドを提供しており、Dockerfile と組み合わせてコンテナ化デプロイが可能です。大規模シナリオでは Vertex AI Agent Engine が推奨され、スケーリングとモニタリングを自動処理します。

7. 総評

Google ADK 2.0 は現在、MCP プロトコルサポートが最も優れているエージェントフレームワークであり、他に類を見ません。そのワークフローオーケストレーション能力——順次、並列、ループ、条件ルーティング——は、複雑なエージェントパイプラインを予測可能でテスト可能なものにします。

推奨指数：⭐⭐⭐⭐（4/5）

減点項目：Gemini 以外のモデルのサポートはまだスムーズではなく、コミュニティエコシステムは LangChain に比べてまだ差距があります。

一言推薦：Gemini を使い + MCP が必要 + 決定論的ワークフローが必要なら、ADK が現在の最適解です。そうでなければ、LangChain がより汎用的な選択肢です。

関連リソース：

さらに読む：

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