Google ADK adalah kerangka kerja sumber terbuka untuk membangun, mengevaluasi, dan menyebarkan agen AI, serta mendukung agen sungguhan di dalam produk Google seperti Agentspace. Jika Anda sudah melihat tumpukan agen lain, seperti OpenAI Agents SDK, ADK mencakup cakupan yang sama sambil tetap dekat dengan Gemini dan Vertex AI. Panduan ini menjelaskan apa itu ADK, bagaimana bagian-bagian intinya saling terhubung, dan di mana alat seperti Apidog membantu Anda menguji API yang akan dipanggil oleh agen Anda.
Apa itu Google ADK
ADK adalah singkatan dari Agent Development Kit. Google memperkenalkan ADK di Google Cloud Next pada April 2025 sebagai perangkat sumber terbuka untuk siklus hidup agen yang lengkap: mendefinisikan agen, memberinya alat, menggabungkan beberapa agen, mengevaluasi perilaku, dan menyebarkannya ke produksi.
ADK dimulai dengan Python sebagai yang utama, dan Google sejak itu menambahkan Java, diikuti dengan dukungan Go dan TypeScript. Kerangka kerja ini adalah yang sama yang digunakan Google secara internal untuk agen di Agentspace dan Customer Engagement Suite-nya, jadi ini bukan SDK mainan. ADK dibangun untuk beban kerja produksi.
ADK bersifat agnostik model tetapi dioptimalkan untuk Google. Ini bekerja paling baik dengan Gemini dan model apa pun yang tersedia melalui Vertex AI Model Garden, dan terhubung ke LiteLLM sehingga Anda dapat mengarahkan agen ke Anthropic, Meta, Mistral, dan penyedia lainnya. Anda mendapatkan integrasi Gemini yang ketat tanpa mengunci diri pada satu model.
Posisi ADK dalam ekosistem Gemini dan Vertex AI
Ada baiknya memisahkan tiga lapisan:
- Model. Gemini (atau penyedia lain melalui Vertex AI Model Garden atau LiteLLM) melakukan penalaran.
- Kerangka kerja. ADK adalah lapisan kode tempat Anda mendefinisikan agen, menghubungkan alat, dan mengorkestrasi alur multi-agen.
- Waktu proses (runtime). Vertex AI Agent Engine adalah host terkelola yang skalabel tempat agen Anda berjalan dalam produksi. Anda juga dapat menyebarkan ke Cloud Run atau runtime kontainer apa pun.
Jadi, ADK adalah lapisan yang berhadapan dengan pengembang. Gemini menyediakan kecerdasan di bawahnya, dan Vertex AI Agent Engine menyediakan rumah terkelola di atasnya. Anda dapat menggunakan ketiganya bersama-sama, atau menjalankan ADK secara lokal dan menyebarkannya di tempat lain. Tidak ada yang memaksa Anda pada satu jalur.
Konsep inti
Beberapa blok bangunan mencakup sebagian besar dari apa yang akan Anda tulis.
Agen
Unit dasar adalah agen yang didukung LLM. Di Python, Anda mengimpornya dari google.adk.agents. Kelasnya adalah LlmAgent, dan Agent adalah alias yang nyaman untuk itu. Anda memberinya model, nama, instruksi yang membentuk perilakunya, dan daftar alat.
from google.adk.agents import Agent
def get_exchange_rate(base: str, target: str) -> dict:
"""Mengembalikan nilai tukar antara dua mata uang."""
# panggil API FX Anda yang sesungguhnya di sini
return {"base": base, "target": target, "rate": 1.08}
currency_agent = Agent(
name="currency_exchange_agent",
model="gemini-2.0-flash",
instruction="Anda membantu pengguna mengonversi antar mata uang. Patuhi fakta.",
tools=[get_exchange_rate],
)
Itu adalah agen tunggal yang berfungsi. Instruksi memberitahunya apa yang harus dilakukan, dan daftar alat memberitahunya apa yang bisa dipanggilnya.
Alat
Alat adalah cara agen melakukan sesuatu di luar menghasilkan teks. Di ADK, fungsi Python biasa adalah alat. Nama fungsi, petunjuk tipe (type hints), dan docstring memberi tahu model kapan dan bagaimana memanggilnya, jadi docstring yang jelas lebih penting daripada yang Anda duga.
Selain fungsi Anda sendiri, ADK menyediakan alat bawaan seperti google_search dan eksekusi kode, serta mendukung Model Context Protocol (MCP) untuk menghubungkan server alat eksternal. Anda juga dapat membungkus pustaka pihak ketiga seperti LangChain atau LlamaIndex, atau menggunakan agen lain sebagai alat. Sebagian besar agen akhirnya memanggil API REST eksternal melalui alat-alat ini, dan di sinilah pengujian serta mocking akan berperan nanti.
Sistem multi-agen
Satu agen membawa Anda jauh, tetapi ADK dibangun untuk hierarki. Anda menyusun agen-agen khusus menjadi sistem yang lebih besar dan membiarkan koordinator mengarahkan pekerjaan di antara mereka.
Kerangka kerja ini menyediakan agen alur kerja untuk kontrol deterministik: SequentialAgent menjalankan sub-agen secara berurutan, ParallelAgent menjalankannya secara bersamaan, dan LoopAgent mengulang hingga kondisi terpenuhi. Campurkan ini dengan perutean berbasis LLM dan Anda dapat membangun agen penelitian yang menyebarkan ke beberapa sub-agen dan menggabungkan hasilnya.
Runner
Anda tidak memanggil agen secara langsung dalam produksi. Runner adalah mesin eksekusi ADK. Ini mengelola sesi, menggerakkan alur peristiwa, memperbarui status, memanggil model, dan mengoordinasikan panggilan alat. Selama pengembangan, Anda dapat melewati boilerplate dengan CLI: adk run meluncurkan sesi terminal interaktif, dan adk web membuka UI browser lokal untuk mengobrol dengan agen Anda dan memeriksa setiap langkah.
Evaluasi dan penyebaran
ADK menyertakan alat evaluasi sehingga Anda dapat menilai agen berdasarkan lintasan dan respons yang diharapkan, bukan hanya melihat keluarannya. Ini penting karena perilaku agen dapat berubah seiring Anda mengubah prompt, alat, atau model.
Untuk penyebaran, Anda memiliki jalur terkelola dan jalur portabel. Vertex AI Agent Engine memberi Anda runtime yang terkelola sepenuhnya dan skalabel dengan infrastruktur yang ditangani untuk Anda. Jika Anda lebih suka tetap portabel, kemas agen ke dalam kontainer dan kirimkan ke Cloud Run atau platform kontainer apa pun.
Contoh tingkat tinggi
Berikut adalah bentuk pengaturan multi-agen kecil. Seorang koordinator mendelegasikan kepada dua spesialis.
from google.adk.agents import Agent
flights = Agent(
name="flight_agent",
model="gemini-2.0-flash",
instruction="Temukan opsi penerbangan untuk rute dan tanggal pengguna.",
tools=[search_flights], # fungsi Anda yang membungkus API penerbangan
)
hotels = Agent(
name="hotel_agent",
model="gemini-2.0-flash",
instruction="Temukan opsi hotel di dekat tujuan.",
tools=[search_hotels], # fungsi Anda yang membungkus API hotel
)
trip_planner = Agent(
name="trip_planner",
model="gemini-2.0-flash",
instruction="Rencanakan perjalanan. Delegasikan pencarian penerbangan dan hotel ke sub-agen Anda.",
sub_agents=[flights, hotels],
)
Koordinator menalar permintaan dan menyerahkannya kepada sub-agen yang tepat. Setiap sub-agen memanggil API sungguhan melalui fungsi alatnya. Anda menjalankan semuanya melalui Runner, atau mengujinya secara interaktif dengan adk web.
ADK vs OpenAI Agents SDK
Keduanya adalah kerangka kerja agen yang mengutamakan kode dengan alat, serah terima, dan pelacakan. Perbedaannya adalah gravitasi ekosistem.
| Google ADK | OpenAI Agents SDK | |
|---|---|---|
| Model default | Gemini (Vertex AI) | Model OpenAI |
| Model lain | Vertex AI Model Garden, LiteLLM | LiteLLM dan lainnya |
| Bahasa | Python, Java, Go, TypeScript | Python, JavaScript/TypeScript |
| Multi-agen | Sub-agen ditambah agen alur kerja Sequential, Parallel, Loop | Agen sebagai alat dan serah terima |
| Runtime terkelola | Vertex AI Agent Engine | Bawa sendiri |
| Protokol alat | MCP, alat bawaan, alat fungsi | MCP, alat fungsi |
Jika tumpukan Anda sudah berada di Google Cloud, ADK ditambah Vertex AI adalah pilihan yang alami. Jika Anda mengutamakan OpenAI, OpenAI Agents SDK akan mempertahankan Anda di jalur tersebut. Keduanya berbicara MCP, sehingga server alat dapat dibagikan.
Kapan menggunakan ADK
Gunakan ADK saat:
- Anda membangun di Google Cloud dan menginginkan Gemini ditambah runtime terkelola di Vertex AI Agent Engine.
- Anda memerlukan orkestrasi multi-agen dengan kontrol sekuensial, paralel, atau perulangan yang eksplisit.
- Anda menginginkan evaluasi yang terintegrasi ke dalam kerangka kerja daripada dipasang kemudian.
- Anda berharap dapat menukar model, dan Anda menginginkan LiteLLM serta Vertex AI Model Garden sebagai jalur alternatif.
Anda mungkin melewatkannya jika Anda sudah mantap di ekosistem model lain, atau jika satu prompt dengan satu atau dua panggilan fungsi mencakup seluruh kasus penggunaan Anda. Kerangka kerja agen menambahkan struktur, dan struktur memiliki biaya ketika pekerjaan itu kecil.
Di mana Apidog berperan: menguji dan memalsukan API yang dipanggil agen Anda
ADK mengorkestrasi agen Anda. Ini tidak menguji API eksternal yang bergantung pada agen tersebut, dan itulah celah yang patut ditutup sejak dini.
Setiap alat yang berarti dalam agen Anda memanggil sesuatu: endpoint LLM, API pembayaran, microservice internal, sumber data pihak ketiga. Ketika salah satu dari itu mengembalikan bentuk yang tidak diharapkan, agen Anda menalar input yang buruk dan kegagalan sulit dilacak. Apidog adalah tempat Anda menetapkan kontrak itu sebelum menimbulkan masalah. Untuk dicatat dengan jelas: Apidog bukanlah kerangka kerja agen dan tidak menggantikan ADK. Ini berada satu lapisan di bawah, pada API yang digunakan alat Anda.
Beberapa penggunaan konkret selama pengembangan ADK:
- Memalsukan endpoint yang dipanggil alat Anda. Siapkan mock API untuk LLM atau endpoint REST alat sehingga Anda dapat mengembangkan dan menjalankan agen tanpa menghabiskan token atau terkena batasan laju. Anda mengontrol respons, termasuk kasus kesalahan yang perlu ditangani agen Anda.
- Memastikan bentuk respons alat. Gunakan penegasan API untuk mengonfirmasi bahwa endpoint alat mengembalikan bidang persis yang diharapkan agen Anda. Jika kontrak bergeser, Anda akan menangkapnya dalam pengujian, bukan dalam transkrip agen yang kebingungan.
- Mengelola kunci per lingkungan. Simpan kunci dev, staging, dan produksi di lingkungan Apidog sehingga panggilan alat yang sama berjalan dengan bersih di seluruh tahapan.
Jika Anda ingin panduan lebih mendalam yang ditujukan khusus untuk agen, lihat cara menguji panggilan alat agen AI sebelum rusak dalam produksi. Anda dapat mengunduh Apidog dan memalsukan satu endpoint dalam beberapa menit.
Pertanyaan yang sering diajukan
Apakah Google ADK gratis dan sumber terbuka?
Ya. ADK adalah sumber terbuka di bawah repositori berlisensi Apache di GitHub, dan Anda dapat menjalankannya secara lokal tanpa biaya. Anda membayar untuk model yang Anda panggil dan untuk runtime terkelola apa pun yang Anda gunakan, seperti Vertex AI Agent Engine. Kerangka kerja itu sendiri gratis.
Apakah ADK hanya berfungsi dengan Gemini?
Tidak. ADK dioptimalkan untuk Gemini dan Vertex AI, tetapi bersifat agnostik model. Melalui Vertex AI Model Garden dan LiteLLM, Anda dapat menjalankan agen di Anthropic, Meta, Mistral, dan penyedia lainnya. Gemini adalah default, bukan persyaratan.
Bahasa apa saja yang didukung ADK?
Python adalah yang pertama dan tetap yang paling lengkap. Google sejak itu menambahkan Java, diikuti dengan dukungan Go dan TypeScript. Jika Anda menginginkan cakupan fitur terluas saat ini, Python adalah pilihan teraman.
Bagaimana cara menguji API yang bergantung pada agen ADK saya?
Ujilah secara terpisah dari agen. Palsukan endpoint LLM atau alat sehingga agen Anda berjalan tanpa panggilan langsung, dan pastikan setiap respons sesuai dengan apa yang diharapkan agen Anda. Apidog mencakup keduanya, dan panduan tentang cara menguji ChatGPT API menunjukkan pola yang sama untuk endpoint LLM yang mungkin dipanggil oleh alat Anda.
Ringkasan
Google ADK memberi Anda cara yang bersih dan berorientasi produksi untuk membangun agen dan sistem multi-agen, dengan Gemini dan Vertex AI yang mudah dijangkau, tetapi model lain hanya dengan perubahan konfigurasi. Mulailah dengan satu agen dan beberapa alat, andalkan adk web untuk melihatnya berpikir, lalu berkembang menjadi sub-agen dan runtime terkelola sesuai tuntutan pekerjaan. Saat agen Anda semakin bergantung pada API eksternal, perlakukan API tersebut sebagai sesuatu yang Anda palsukan dan pastikan. Itulah lapisan yang ditangani Apidog, dan di situlah perilaku agen yang tidak stabil biasanya dimulai.