Was ist Google ADK (Agent Development Kit)? Ein praktischer Leitfaden

Google ADK ist ein Open-Source-Framework für die Entwicklung, Evaluierung und Bereitstellung von KI-Agenten und treibt echte Agenten in Google-Produkten wie Agentspace an. Wenn Sie bereits andere Agenten-Stacks wie das OpenAI Agents SDK betrachtet haben, deckt ADK die gleichen Bereiche ab, bleibt aber Gemini und Vertex AI nahe. Dieser Leitfaden erklärt, was ADK ist, wie seine Kernkomponenten zusammenpassen und wo ein Tool wie Apidog Ihnen hilft, die APIs zu testen, die Ihr Agent letztendlich aufruft.

Was Google ADK ist

ADK steht für Agent Development Kit. Google stellte es im April 2025 auf der Google Cloud Next als Open-Source-Toolkit für den gesamten Agenten-Lebenszyklus vor: einen Agenten definieren, ihm Tools geben, mehrere Agenten zusammensetzen, das Verhalten bewerten und in der Produktion bereitstellen.

Es begann mit Python, und Google hat seitdem Java hinzugefügt, wobei die Unterstützung für Go und TypeScript folgen wird. Das Framework ist dasselbe, das Google intern für Agenten in Agentspace und seiner Customer Engagement Suite verwendet, es ist also kein Spielzeug-SDK. Es wurde für Produktions-Workloads entwickelt.

ADK ist modellunabhängig, aber für Google optimiert. Es funktioniert am besten mit Gemini und allen Modellen, die über Vertex AI Model Garden verfügbar sind, und es lässt sich an LiteLLM anbinden, sodass Sie einen Agenten auf Anthropic, Meta, Mistral und andere Anbieter verweisen können. Sie erhalten die enge Gemini-Integration, ohne sich an ein einziges Modell zu binden.

Wo ADK im Gemini- und Vertex AI-Ökosystem angesiedelt ist

Es hilft, drei Schichten zu trennen:

• Das Modell. Gemini (oder ein anderer Anbieter über Vertex AI Model Garden oder LiteLLM) übernimmt die Denkprozesse.
• Das Framework. ADK ist die Code-Ebene, auf der Sie Agenten definieren, Tools verdrahten und Multi-Agenten-Workflows orchestrieren.
• Die Laufzeitumgebung. Vertex AI Agent Engine ist der verwaltete, skalierbare Host, auf dem Ihr Agent in der Produktion läuft. Sie können auch in Cloud Run oder einer beliebigen Container-Laufzeitumgebung bereitstellen.

ADK ist also die entwicklerorientierte Ebene. Gemini liefert Intelligenz darunter, und Vertex AI Agent Engine stellt eine verwaltete Umgebung darüber bereit. Sie können alle drei zusammen verwenden oder ADK lokal ausführen und woanders bereitstellen. Nichts zwingt Sie auf einen einzigen Weg.

Kernkonzepte

Einige Bausteine decken das meiste von dem ab, was Sie schreiben werden.

Agenten

Die Grundeinheit ist ein LLM-gestützter Agent. In Python importieren Sie ihn aus google.adk.agents. Die Klasse ist LlmAgent, und Agent ist ein praktischer Alias dafür. Sie geben ihm ein Modell, einen Namen, eine Anweisung, die sein Verhalten prägt, und eine Liste von Tools.

from google.adk.agents import Agent

def get_exchange_rate(base: str, target: str) -> dict:
    """Gibt den Wechselkurs zwischen zwei Währungen zurück."""
    # rufen Sie hier Ihre echte Devisen-API auf
    return {"base": base, "target": target, "rate": 1.08}

currency_agent = Agent(
    name="currency_exchange_agent",
    model="gemini-2.0-flash",
    instruction="Sie helfen Benutzern, zwischen Währungen umzurechnen. Bleiben Sie bei den Fakten.",
    tools=[get_exchange_rate],
)

Das ist ein funktionierender einzelner Agent. Die Anweisung sagt ihm, was zu tun ist, und die Tool-Liste sagt ihm, was er aufrufen kann.

Tools

Tools sind die Art und Weise, wie ein Agent über das Generieren von Text hinaus etwas tut. In ADK ist eine einfache Python-Funktion ein Tool. Der Name, die Typ-Hinweise und der Docstring der Funktion sagen dem Modell, wann und wie es aufgerufen werden soll, daher ist ein klarer Docstring wichtiger, als man erwarten würde.

Neben Ihren eigenen Funktionen liefert ADK integrierte Tools wie google_search und Code-Ausführung mit, und es unterstützt das Model Context Protocol (MCP) zum Verbinden externer Tool-Server. Sie können auch Drittanbieter-Bibliotheken wie LangChain oder LlamaIndex umschließen oder einen anderen Agenten als Tool verwenden. Die meisten Agenten rufen letztendlich externe REST-APIs über diese Tools auf, genau da kommen später Testen und Mocking ins Spiel.

Multi-Agenten-Systeme

Ein einzelner Agent bringt Sie weit, aber ADK ist für Hierarchien ausgelegt. Sie setzen spezialisierte Agenten zu einem größeren System zusammen und lassen einen Koordinator die Arbeit zwischen ihnen routen.

Das Framework bietet Workflow-Agenten für deterministische Kontrolle: Ein SequentialAgent führt Unteragenten der Reihe nach aus, ein ParallelAgent führt sie gleichzeitig aus, und ein LoopAgent wiederholt sich, bis eine Bedingung erfüllt ist. Kombinieren Sie diese mit LLM-gesteuertem Routing, und Sie können einen Forschungsagenten erstellen, der sich auf mehrere Unteragenten aufteilt und deren Ergebnisse zusammenführt.

Runner

Sie rufen einen Agenten nicht direkt in der Produktion auf. Ein Runner ist ADKs Ausführungs-Engine. Er verwaltet die Sitzung, steuert den Ereignisfluss, aktualisiert den Status, ruft das Modell auf und koordiniert Tool-Aufrufe. Während der Entwicklung können Sie den Boilerplate-Code mit der CLI überspringen: adk run startet eine interaktive Terminalsitzung, und adk web öffnet eine lokale Browser-Benutzeroberfläche, um mit Ihrem Agenten zu chatten und jeden Schritt zu überprüfen.

Evaluierung und Bereitstellung

ADK enthält einen Evaluierungsrahmen, damit Sie einen Agenten anhand erwarteter Trajektorien und Antworten bewerten können, nicht nur die Ausgabe flüchtig betrachten. Das ist wichtig, da sich das Agentenverhalten ändert, wenn Sie Prompts, Tools oder Modelle ändern.

Für die Bereitstellung haben Sie einen verwalteten Pfad und einen portablen. Vertex AI Agent Engine bietet Ihnen eine vollständig verwaltete, skalierbare Laufzeitumgebung, bei der die Infrastruktur für Sie verwaltet wird. Wenn Sie lieber portabel bleiben möchten, verpacken Sie den Agenten in einen Container und übermitteln Sie ihn an Cloud Run oder eine beliebige Containerplattform.

Ein hochrangiges Beispiel

Hier ist der Aufbau eines kleinen Multi-Agenten-Setups. Ein Koordinator delegiert an zwei Spezialisten.

from google.adk.agents import Agent

flights = Agent(
    name="flight_agent",
    model="gemini-2.0-flash",
    instruction="Finden Sie Flugoptionen für die Route und Daten des Benutzers.",
    tools=[search_flights],   # Ihre Funktion, die eine Flug-API umschließt
)

hotels = Agent(
    name="hotel_agent",
    model="gemini-2.0-flash",
    instruction="Finden Sie Hoteloptionen in der Nähe des Ziels.",
    tools=[search_hotels],    # Ihre Funktion, die eine Hotel-API umschließt
)

trip_planner = Agent(
    name="trip_planner",
    model="gemini-2.0-flash",
    instruction="Planen Sie eine Reise. Delegieren Sie die Flug- und Hotelsuche an Ihre Unteragenten.",
    sub_agents=[flights, hotels],
)

Der Koordinator argumentiert über die Anfrage und übergibt an den richtigen Unteragenten. Jeder Unteragent ruft eine echte API über seine Tool-Funktion auf. Sie führen das Ganze über einen Runner aus oder testen es interaktiv mit adk web.

ADK vs. das OpenAI Agents SDK

Beide sind Code-First-Agenten-Frameworks mit Tools, Übergaben und Tracing. Der Unterschied liegt in der Anziehungskraft des Ökosystems.

Wenn Ihr Stack bereits auf Google Cloud läuft, ist ADK plus Vertex AI die natürliche Wahl. Wenn Sie OpenAI-orientiert sind, hält Sie das OpenAI Agents SDK auf diesem Kurs. Beide sprechen MCP, sodass Tool-Server gemeinsam genutzt werden können.

Wann ADK verwendet werden sollte

Greifen Sie zu ADK, wenn:

• Sie auf Google Cloud entwickeln und Gemini plus eine verwaltete Laufzeitumgebung in Vertex AI Agent Engine wünschen.
• Sie eine Multi-Agenten-Orchestrierung mit expliziter sequenzieller, paralleler oder schleifenbasierter Steuerung benötigen.
• Sie die Evaluierung in das Framework integriert haben möchten, anstatt sie später anzudocken.
• Sie erwarten, Modelle auszutauschen, und Sie LiteLLM und Vertex AI Model Garden als Notausgänge nutzen möchten.

Sie könnten es überspringen, wenn Sie fest in einem anderen Modell-Ökosystem verankert sind oder wenn ein einzelner Prompt mit ein oder zwei Funktionsaufrufen Ihren gesamten Anwendungsfall abdeckt. Ein Agenten-Framework fügt Struktur hinzu, und Struktur hat einen Preis, wenn die Aufgabe klein ist.

Wo Apidog passt: Testen und Mocken der APIs, die Ihr Agent aufruft

ADK orchestriert Ihren Agenten. Es testet nicht die externen APIs, von denen der Agent abhängt, und das ist die Lücke, die es frühzeitig zu schließen gilt.

Jedes sinnvolle Tool in Ihrem Agenten ruft etwas auf: einen LLM-Endpunkt, eine Zahlungs-API, einen internen Mikroservice, eine Drittanbieter-Datenquelle. Wenn einer davon eine unerwartete Form zurückgibt, denkt Ihr Agent über schlechte Eingaben nach, und der Fehler ist schwer zu verfolgen. Apidog ist der Ort, an dem Sie diesen Vertrag festlegen, bevor er Ihnen zum Verhängnis wird. Eindeutig zu beachten: Apidog ist kein Agenten-Framework und ersetzt ADK nicht. Es sitzt eine Ebene darunter, bei den APIs, die Ihre Tools aufrufen.

Einige konkrete Anwendungen während der ADK-Entwicklung:

• Mocken Sie die Endpunkte, die Ihre Tools aufrufen. Erstellen Sie eine Mock-API für ein LLM oder den REST-Endpunkt eines Tools, damit Sie Ihren Agenten entwickeln und ausführen können, ohne Tokens zu verbrennen oder Ratenbegrenzungen zu erreichen. Sie kontrollieren die Antworten, einschließlich der Fehlerfälle, die Ihr Agent behandeln muss.
• Überprüfen Sie die Antwortform des Tools. Verwenden Sie API-Assertions, um zu bestätigen, dass ein Tool-Endpunkt genau die Felder zurückgibt, die Ihr Agent erwartet. Wenn der Vertrag abweicht, fangen Sie dies in einem Test ab, nicht in einem verwirrten Agenten-Transkript.
• Verwalten Sie Schlüssel pro Umgebung. Bewahren Sie Entwicklungs-, Staging- und Produktionsschlüssel in Apidog-Umgebungen auf, damit dieselben Tool-Aufrufe sauber über die Stufen hinweg ausgeführt werden.

Wenn Sie eine tiefergehende Anleitung speziell für Agenten wünschen, erfahren Sie, wie Sie die Tool-Aufrufe eines KI-Agenten testen, bevor sie in der Produktion versagen. Sie können Apidog herunterladen und einen einzelnen Endpunkt in wenigen Minuten mocken.

Häufig gestellte Fragen

Ist Google ADK kostenlos und Open Source?

Ja. ADK ist Open Source unter einem Apache-lizenzierten Repository auf GitHub, und Sie können es kostenlos lokal ausführen. Sie zahlen für die Modelle, die Sie aufrufen, und für jede verwaltete Laufzeitumgebung, in der Sie bereitstellen, wie z.B. Vertex AI Agent Engine. Das Framework selbst ist kostenlos.

Funktioniert ADK nur mit Gemini?

Nein. ADK ist für Gemini und Vertex AI optimiert, aber modellunabhängig. Über Vertex AI Model Garden und LiteLLM können Sie Agenten auf Anthropic, Meta, Mistral und anderen Anbietern ausführen. Gemini ist die Standardeinstellung, keine Voraussetzung.

Welche Sprachen unterstützt ADK?

Python war zuerst da und ist nach wie vor am vollständigsten. Google hat seitdem Java hinzugefügt, wobei die Unterstützung für Go und TypeScript folgen wird. Wenn Sie heute die breiteste Funktionsabdeckung wünschen, ist Python die sicherste Wahl.

Wie teste ich die APIs, von denen mein ADK-Agent abhängt?

Testen Sie sie separat vom Agenten. Mocken Sie die LLM- oder Tool-Endpunkte, damit Ihr Agent ohne Live-Aufrufe läuft, und bestätigen Sie, dass jede Antwort dem entspricht, was Ihr Agent erwartet. Apidog deckt beides ab, und der Leitfaden zum Testen der ChatGPT-API zeigt das gleiche Muster für einen LLM-Endpunkt, den Ihre Tools aufrufen könnten.

Fazit

Google ADK bietet Ihnen eine saubere, produktionsorientierte Möglichkeit, Agenten und Multi-Agenten-Systeme zu erstellen, mit Gemini und Vertex AI in Reichweite, aber anderen Modellen nur eine Konfigurationsänderung entfernt. Beginnen Sie mit einem Agenten und einigen Tools, nutzen Sie adk web, um ihn beim Denken zu beobachten, und entwickeln Sie dann je nach Bedarf Unteragenten und eine verwaltete Laufzeitumgebung. Wenn Ihr Agent stärker auf externe APIs angewiesen ist, behandeln Sie diese APIs als etwas, das Sie mocken und gegen das Sie Assertions durchführen. Das ist die Ebene, die Apidog handhabt, und dort beginnt oft das unzuverlässige Agentenverhalten.