Google ADK es un framework de código abierto para construir, evaluar y desplegar agentes de IA, y es la base de agentes reales dentro de productos de Google como Agentspace. Si ya ha explorado otras plataformas de agentes, como el SDK de agentes de OpenAI, ADK cubre el mismo terreno mientras se mantiene cerca de Gemini y Vertex AI. Esta guía explica qué es ADK, cómo encajan sus piezas centrales y dónde una herramienta como Apidog le ayuda a probar las API que su agente termina llamando.
Qué es Google ADK
ADK significa Agent Development Kit (Kit de Desarrollo de Agentes). Google lo presentó en Google Cloud Next en abril de 2025 como un kit de herramientas de código abierto para el ciclo de vida completo de un agente: definir un agente, darle herramientas, componer múltiples agentes, evaluar el comportamiento y desplegar en producción.
Comenzó siendo principalmente Python, y Google ha añadido desde entonces Java, con soporte para Go y TypeScript próximamente. El framework es el mismo que Google usa internamente para los agentes en Agentspace y su Customer Engagement Suite, por lo que no es un SDK de juguete. Está construido para cargas de trabajo de producción.
ADK es agnóstico al modelo pero optimizado para Google. Funciona mejor con Gemini y cualquier modelo disponible a través de Vertex AI Model Garden, y se conecta a LiteLLM para que pueda apuntar un agente a Anthropic, Meta, Mistral y otros proveedores. Obtiene la estrecha integración con Gemini sin tener que limitarse a un solo modelo.
Dónde se sitúa ADK en el ecosistema de Gemini y Vertex AI
Ayuda a separar tres capas:
- El modelo. Gemini (u otro proveedor a través de Vertex AI Model Garden o LiteLLM) realiza el razonamiento.
- El framework. ADK es la capa de código donde define agentes, conecta herramientas y orquesta flujos de multi-agentes.
- El tiempo de ejecución. Vertex AI Agent Engine es el host gestionado y escalable donde su agente se ejecuta en producción. También puede desplegarlo en Cloud Run o en cualquier tiempo de ejecución de contenedores.
Así que ADK es la capa de cara al desarrollador. Gemini proporciona inteligencia debajo de ella, y Vertex AI Agent Engine proporciona un hogar gestionado por encima. Puede usar los tres juntos, o ejecutar ADK localmente y desplegarlo en otro lugar. Nada le obliga a seguir un único camino.
Conceptos clave
Algunos bloques de construcción cubren la mayor parte de lo que escribirá.
Agentes
La unidad básica es un agente respaldado por un LLM. En Python, lo importa desde google.adk.agents. La clase es LlmAgent, y Agent es un alias conveniente para ella. Le da un modelo, un nombre, una instrucción que moldea su comportamiento y una lista de herramientas.
from google.adk.agents import Agent
def get_exchange_rate(base: str, target: str) -> dict:
"""Devuelve el tipo de cambio entre dos monedas."""
# llama a tu API real de divisas aquí
return {"base": base, "target": target, "rate": 1.08}
currency_agent = Agent(
name="currency_exchange_agent",
model="gemini-2.0-flash",
instruction="Ayudas a los usuarios a convertir entre monedas. Limítate a los hechos.",
tools=[get_exchange_rate],
)
Ese es un agente único en funcionamiento. La instrucción le dice qué hacer, y la lista de herramientas le dice lo que puede llamar.
Herramientas
Las herramientas son cómo un agente hace algo más allá de generar texto. En ADK, una función simple de Python es una herramienta. El nombre de la función, las sugerencias de tipo y la docstring le dicen al modelo cuándo y cómo llamarla, por lo que una docstring clara importa más de lo que cabría esperar.
Además de sus propias funciones, ADK incluye herramientas incorporadas como google_search y ejecución de código, y es compatible con el Protocolo de Contexto de Modelo (MCP) para conectar servidores de herramientas externos. También puede envolver bibliotecas de terceros como LangChain o LlamaIndex, o usar otro agente como herramienta. La mayoría de los agentes terminan llamando a API REST externas a través de estas herramientas, que es exactamente donde entran en juego las pruebas y las simulaciones más adelante.
Sistemas multi-agente
Un solo agente le lleva lejos, pero ADK está construido para jerarquías. Usted compone agentes especializados en un sistema más grande y deja que un coordinador dirija el trabajo entre ellos.
El framework proporciona agentes de flujo de trabajo para un control determinista: un SequentialAgent ejecuta subagentes en orden, un ParallelAgent los ejecuta al mismo tiempo y un LoopAgent se repite hasta que se cumple una condición. Mezcle esto con el enrutamiento impulsado por LLM y podrá construir un agente de investigación que se ramifica a varios subagentes y fusiona sus resultados.
Ejecutores (Runners)
No se llama a un agente directamente en producción. Un Runner es el motor de ejecución de ADK. Gestiona la sesión, impulsa el flujo de eventos, actualiza el estado, invoca el modelo y coordina las llamadas a herramientas. Durante el desarrollo, puede omitir el código repetitivo con la CLI: adk run inicia una sesión interactiva de terminal, y adk web abre una interfaz de usuario local del navegador para chatear con su agente e inspeccionar cada paso.
Evaluación y despliegue
ADK incluye un arnés de evaluación para que pueda calificar un agente contra trayectorias y respuestas esperadas, y no solo evaluar la salida a ojo. Esto es importante porque el comportamiento del agente se desvía a medida que cambia las indicaciones, las herramientas o los modelos.
Para el despliegue, tiene una ruta gestionada y una portátil. Vertex AI Agent Engine le ofrece un tiempo de ejecución totalmente gestionado y escalable con la infraestructura gestionada por usted. Si prefiere ser portátil, empaquete el agente en un contenedor y envíelo a Cloud Run o a cualquier plataforma de contenedores.
Un ejemplo de alto nivel
Aquí está la forma de una pequeña configuración multi-agente. Un coordinador delega en dos especialistas.
from google.adk.agents import Agent
flights = Agent(
name="flight_agent",
model="gemini-2.0-flash",
instruction="Encuentra opciones de vuelo para la ruta y fechas del usuario.",
tools=[search_flights], # tu función que envuelve una API de vuelos
)
hotels = Agent(
name="hotel_agent",
model="gemini-2.0-flash",
instruction="Encuentra opciones de hotel cerca del destino.",
tools=[search_hotels], # tu función que envuelve una API de hoteles
)
trip_planner = Agent(
name="trip_planner",
model="gemini-2.0-flash",
instruction="Planifica un viaje. Delega la búsqueda de vuelos y hoteles a tus subagentes.",
sub_agents=[flights, hotels],
)
El coordinador razona sobre la solicitud y la pasa al subagente correcto. Cada subagente llama a una API real a través de su función de herramienta. Ejecuta todo a través de un Runner, o lo prueba interactivamente con adk web.
ADK vs el SDK de agentes de OpenAI
Ambos son frameworks de agentes "code-first" con herramientas, traspasos y rastreo. La diferencia es la gravedad del ecosistema.
| Google ADK | OpenAI Agents SDK | |
|---|---|---|
| Modelo predeterminado | Gemini (Vertex AI) | Modelos de OpenAI |
| Otros modelos | Vertex AI Model Garden, LiteLLM | LiteLLM y otros |
| Idiomas | Python, Java, Go, TypeScript | Python, JavaScript/TypeScript |
| Multi-agente | Subagentes más agentes de flujo de trabajo secuenciales, paralelos, en bucle | Agentes como herramientas y traspasos |
| Tiempo de ejecución gestionado | Vertex AI Agent Engine | Traiga el suyo propio |
| Protocolo de herramientas | MCP, herramientas incorporadas, herramientas de función | MCP, herramientas de función |
Si su stack ya se ejecuta en Google Cloud, ADK más Vertex AI es la opción natural. Si usted es "OpenAI-first", el SDK de agentes de OpenAI lo mantiene en ese carril. Ambos hablan MCP, por lo que los servidores de herramientas pueden ser compartidos.
Cuándo usar ADK
Recurra a ADK cuando:
- Está construyendo en Google Cloud y desea Gemini más un tiempo de ejecución gestionado en Vertex AI Agent Engine.
- Necesita orquestación multi-agente con control explícito secuencial, paralelo o en bucle.
- Desea que la evaluación esté integrada en el framework en lugar de añadirse después.
- Espera intercambiar modelos y desea LiteLLM y Vertex AI Model Garden como vías de escape.
Podría omitirlo si está firmemente en otro ecosistema de modelos, o si una sola solicitud con una o dos llamadas a funciones cubre todo su caso de uso. Un framework de agentes añade estructura, y la estructura tiene un costo cuando el trabajo es pequeño.
Dónde encaja Apidog: probando y simulando las API que llama su agente
ADK orquesta a su agente. No prueba las API externas de las que depende el agente, y esa es la brecha que vale la pena cerrar temprano.
Cada herramienta significativa en su agente llama a algo: un punto final de LLM, una API de pagos, un microservicio interno, una fuente de datos de terceros. Cuando uno de ellos devuelve una forma inesperada, su agente razona sobre una entrada incorrecta y el fallo es difícil de rastrear. Apidog es donde usted fija ese contrato antes de que le cause problemas. Para decirlo claramente: Apidog no es un framework de agentes y no reemplaza a ADK. Se sitúa una capa por debajo, en las API que sus herramientas utilizan.
Algunos usos concretos durante el desarrollo de ADK:
- Simular los puntos finales a los que llaman sus herramientas. Configure una API simulada para un LLM o un punto final REST de una herramienta para que pueda desarrollar y ejecutar su agente sin quemar tokens ni alcanzar límites de velocidad. Usted controla las respuestas, incluidos los casos de error que su agente debe manejar.
- Asegurar la forma de respuesta de la herramienta. Utilice las aserciones de API para confirmar que un punto final de la herramienta devuelve exactamente los campos que espera su agente. Si el contrato se desvía, lo detecta en una prueba, no en una transcripción de agente confusa.
- Administrar claves por entorno. Mantenga las claves de desarrollo, staging y producción en los entornos de Apidog para que las mismas llamadas a herramientas se ejecuten limpiamente en todas las etapas.
Si desea un tutorial más profundo dirigido específicamente a los agentes, consulte cómo probar las llamadas a herramientas de un agente de IA antes de que fallen en producción. Puede descargar Apidog y simular un solo punto final en unos pocos minutos.
Preguntas frecuentes
¿Es Google ADK gratuito y de código abierto?
Sí. ADK es de código abierto bajo una licencia Apache en GitHub, y puede ejecutarlo localmente sin costo alguno. Paga por los modelos que llama y por cualquier tiempo de ejecución gestionado al que despliegue, como Vertex AI Agent Engine. El framework en sí es gratuito.
¿ADK solo funciona con Gemini?
No. ADK está optimizado para Gemini y Vertex AI, pero es agnóstico al modelo. A través de Vertex AI Model Garden y LiteLLM, puede ejecutar agentes en Anthropic, Meta, Mistral y otros proveedores. Gemini es el predeterminado, no un requisito.
¿Qué idiomas soporta ADK?
Python fue el primero y sigue siendo el más completo. Google ha añadido desde entonces Java, con soporte para Go y TypeScript próximamente. Si desea la cobertura de funciones más amplia hoy, Python es la opción más segura.
¿Cómo pruebo las API de las que depende mi agente ADK?
Pruébelas por separado del agente. Simule los puntos finales de LLM o de las herramientas para que su agente se ejecute sin llamadas en vivo, y asegúrese de que cada respuesta coincide con lo que su agente espera. Apidog cubre ambos, y la guía sobre cómo probar la API de ChatGPT muestra el mismo patrón para un punto final de LLM al que sus herramientas podrían llamar.
Resumen
Google ADK le ofrece una forma limpia y pensada para la producción de construir agentes y sistemas multi-agente, con Gemini y Vertex AI al alcance de la mano, pero con otros modelos a un cambio de configuración. Empiece con un agente y un par de herramientas, apóyese en adk web para verlo pensar, luego crezca en subagentes y un tiempo de ejecución gestionado según lo requiera el trabajo. A medida que su agente se apoye más en las API externas, trate esas API como algo que simula y contra lo que afirma. Esa es la capa que maneja Apidog, y es donde suele comenzar el comportamiento inestable del agente.