Google ADK 實測：Google 開源智能體開發套件，MCP + 工作流編排全解析

如果你關注 AI 智能體開發領域，一定聽過 LangChain、CrewAI、AutoGen 這些名字。但 2025 年 Google 開源的 ADK（Agent Development Kit） 正在改變遊戲規則——它是第一個將 MCP 協定原生支援、圖執行引擎和 Gemini 深度整合三者合一的框架。

本文不是泛泛的功能介紹，而是一次深度實測。我們將從 MCP 工具整合、工作流編排、動態路由三個核心能力入手，用真實程式碼驗證 Google ADK 到底能不能取代你手頭的智能體框架。

一、Google ADK 是什麼？為什麼值得關注？

Google ADK 2.0 是 Google 開源的程式碼優先（code-first）AI 智能體開發框架，用純 Python 定義智能體行為、工具呼叫和多智能體編排邏輯。

與 LangChain / CrewAI / AutoGen 的本質區別

維度	Google ADK 2.0	LangChain	CrewAI	AutoGen
設計理念	程式碼優先 + 圖執行引擎	鏈式呼叫 + YAML 設定	角色扮演 + 任務委派	多智能體對話
MCP 支援	✅ 原生內建	⚠️ 需第三方外掛	❌ 無	❌ 無
工作流編排	✅ 圖結構（順序/並行/迴圈/條件）	⚠️ LangGraph 單獨使用	⚠️ 順序執行為主	⚠️ 對話驅動
模型綁定	Gemini 優先，支援任意模型	模型無關	模型無關	模型無關
Google 生態	✅ Vertex AI / Cloud Run / BigQuery 原生	❌	❌	❌
類型安全	✅ 完整 Python 類型提示	⚠️ 部分	⚠️ 弱	⚠️ 弱

一句話總結：如果你已經決定用 Gemini 作為主力模型，或者需要 MCP 協定連接外部工具，Google ADK 是目前最順滑的選擇。如果你需要模型無關的靈活性，LangChain 仍然是更成熟的選擇。

二、核心特性深度解析

2.1 MCP 協定原生支援——告別膠水程式碼

MCP（Model Context Protocol）是 Anthropic 提出的開放協定，讓 AI 模型以標準化方式呼叫外部工具和資料來源。Google ADK 是第一個原生內建 MCP 客戶端的主流框架。

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

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

agent = Agent(
    name="mcp_agent",
    model="gemini-2.5-flash",
    instruction="你是一個可以使用外部工具的助手。",
    tools=[mcp_tools],
)

2.2 工作流編排——圖執行引擎

ADK 2.0 最強大的能力是 Workflow 類——一個基於圖結構的執行引擎，支援四種編排模式：

順序執行

from google.adk import Agent, Workflow

researcher = Agent(
    name="researcher",
    model="gemini-2.5-flash",
    instruction="蒐集使用者問題的相關資訊，返回關鍵事實。",
)
writer = Agent(
    name="writer",
    model="gemini-2.5-flash",
    instruction="根據提供的事實撰寫一篇簡潔的文章。",
)
reviewer = Agent(
    name="reviewer",
    model="gemini-2.5-flash",
    instruction="審查文章品質，修正錯誤，最佳化表達。",
)

pipeline = Workflow(
    name="content_pipeline",
    edges=[("START", researcher, writer, reviewer)],
)

並行執行（扇出/扇入）

sentiment_agent = Agent(name="sentiment", instruction="分析情感傾向。")
topic_agent = Agent(name="topic", instruction="提取核心話題。")
entity_agent = Agent(name="entity", instruction="識別關鍵實體。")
summary_agent = Agent(name="summary", instruction="匯總以上分析結果。")

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
    ],
)

2.3 LLM 驅動的動態路由

coordinator = Agent(
    name="coordinator",
    model="gemini-2.5-flash",
    instruction="""你是一個任務協調者。根據使用者需求，將任務委派給合適的專家：
    - 資料分析問題 → data_analyst
    - 程式碼相關問題 → code_expert  
    - 文件撰寫需求 → writer
    直接輸出委派目標和原因。""",
    sub_agents=[data_analyst, code_expert, writer],
)

三、快速上手教學

3.1 安裝

python3 -m venv adk-env && source adk-env/bin/activate
pip install "google-adk[cli]"
export GEMINI_API_KEY="your-key-here"

3.2 實戰：建構多步驟工作流智能體

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

search_tools = MCPToolset.from_url("http://localhost:3001")

collector = Agent(
    name="collector",
    model="gemini-2.5-flash",
    instruction="根據使用者主題搜尋 3-5 個關鍵資訊點，以 JSON 列表返回。",
    tools=[search_tools],
)
analyst = Agent(
    name="analyst",
    model="gemini-2.5-flash",
    instruction="分析蒐集到的資訊，提取關鍵洞察和趨勢。",
)
writer = Agent(
    name="writer",
    model="gemini-2.5-flash",
    instruction="將分析結果整理為結構化報告，包含摘要、正文、結論。",
)
reviewer = Agent(
    name="reviewer",
    model="gemini-2.5-flash",
    instruction="審查報告：檢查事實準確性、邏輯連貫性、語言品質。給出修改建議。",
)

root_agent = Workflow(
    name="research_pipeline",
    edges=[("START", collector, analyst, writer, reviewer)],
)

四、與競品的詳細比較

vs LangChain + LangGraph

LangGraph 是 LangChain 生態系統中的工作流解決方案，功能上與 ADK Workflow 類似。核心區別：ADK 是一個框架搞定智能體 + 工具 + 工作流 + MCP，而 LangChain 需要組合多個套件，設定更複雜，但生態更豐富。

vs CrewAI

CrewAI 擅長「角色扮演」式的多智能體協作，上手極快。但在以下場景不如 ADK：需要確定性執行流程、需要 MCP 工具整合、需要條件分支和迴圈。

五、適用場景與侷限性

最適合的場景

1. Google Cloud 技術堆疊：Vertex AI、Cloud Run、BigQuery 的原生整合
2. MCP 工具生態：需要接入大量外部工具，且希望用標準化協定管理
3. 可預測的工作流：客服管道、資料處理流水線、內容產生鏈
4. 混合編排：部分步驟需要確定性（圖結構），部分步驟需要靈活性（LLM 路由）

當前侷限性

1. Gemini 綁定傾向：雖然支援其他模型，但最佳體驗仍需 Gemini API
2. 社群生態尚在成長：相比 LangChain 的數千個整合，ADK 的第三方工具還較少
3. 文件不夠完善：部分進階功能的文件還在補全中
4. 僅 Python / Java / Go：JavaScript/TypeScript 版本剛起步

六、FAQ

Q1: Google ADK 是免費的嗎？

A: ADK 框架本身完全免費開源（Apache 2.0 協定）。但使用 Gemini 模型需要 Google AI API 費用，有免費額度可用。你也可以接入其他模型來避免費用。

Q2: ADK 支援哪些 LLM 模型？

A: 原生最佳化了 Gemini 2.5 系列（Flash / Pro）。透過自訂 Model Provider，也可以接入 OpenAI GPT-4o、Anthropic Claude、本機 Ollama 模型等。

Q3: MCP 工具在哪裡找？

A: MCP 協定已有數千個社群貢獻的伺服器實現。可以在 MCP Servers GitHub 找到官方倉庫，涵蓋檔案系統、資料庫、瀏覽器自動化、Slack、GitHub 等常見場景。

Q4: ADK 工作流和 LangGraph 有什麼區別？

A: 功能上類似，都是圖結構執行引擎。區別在於 ADK 是內建能力（零設定），LangGraph 需要額外安裝和設定。ADK 的 API 更簡潔，LangGraph 的視覺化除錯工具更成熟。

Q5: 生產環境部署推薦什麼方案？

A: 最簡方案是 Docker + Cloud Run。ADK 提供了內建的 Runner.serve() 方法啟動 HTTP 服務，配合 Dockerfile 即可容器化部署。大規模場景推薦 Vertex AI Agent Engine，自動處理擴縮容和監控。

七、總結評價

Google ADK 2.0 是目前對 MCP 協定支援最好的智能體框架，沒有之一。它的工作流編排能力——順序、並行、迴圈、條件路由——讓複雜的智能體管道變得可預測、可測試。

推薦指數：⭐⭐⭐⭐（4/5）

扣分項：對非 Gemini 模型的支援還不夠平滑，社群生態相比 LangChain 仍有差距。

一句話推薦：如果你用 Gemini + 需要 MCP + 需要確定性工作流，ADK 是當前最優解。否則，LangChain 仍然是更通用的選擇。

---

相關資源：

• Google ADK 官方文件
• GitHub 倉庫
• ADK 範例程式碼
• MCP 協定規範