ADK-Go：Golang开发AI Agent

raoxiaoya2025-12-09 9:40

代码仓库：https://github.com/google/adk-go

使用教程：https://google.github.io/adk-docs/

中文文档：https://adk.wiki/get-started/go/

本教程示例代码：<github.com/raoxiaoya/learn-adk>

其他参考

https://zhuanlan.zhihu.com/p/1976206965152690702

https://mp.weixin.qq.com/s/dLQrprIK8e7QE47OFy3FjA

从原理到实践：万字长文深入浅出教你优雅开发复杂AI Agent 写的很好

开发环境

bash 复制代码 
go get google.golang.org/adk

Important Links: Docs & Samples & Python ADK & Java ADK & ADK Web.

bash 复制代码 
Go >= 1.24.4
Adk-v0.2

Google AI Studio 与 Google Cloud Vertex AI 的区别

特性 Google AI Studio Vertex AI
定位 快速原型与实验（开发者友好） 企业级生产部署（全生命周期 MLOps）
目标用户 开发者、研究人员、初学者 数据科学家、ML 工程师、企业团队
是否需要 GCP 项目 ❌ 不强制（可用 Gmail 登录） ✅ 必须绑定 Google Cloud 项目
计费方式 使用免费配额或 Google AI API 配额（按调用量计费） 通过 Google Cloud 账单 计费（更细粒度控制）
是否属于 Google Cloud 否（独立 Web 工具） 是（Google Cloud 的核心 AI 服务）

目前Go版本只能使用Gemini模型，Python版本可以自定义模型。里面提到的类似于LiteLlm这种集成只适用于python这种弱类型编程语言，如果想使用Go+千问这种组合，暂时还实现不了。python版本提供了多种集成能力，但是Go版本没有同步提供。

Using Different Models with ADK

Agent Development Kit (ADK) 对接阿里百炼平台 python版本

通过 Google AI Studio 获取 API KEY：https://aistudio.google.com/app/api-keys

简单的 llmAgent

go 复制代码 
package main

import (
	"context"
	"fmt"
	"learn-adk/config"
	"log"
	"os"

	"google.golang.org/adk/agent"
	"google.golang.org/adk/agent/llmagent"
	"google.golang.org/adk/cmd/launcher"
	"google.golang.org/adk/cmd/launcher/full"
	"google.golang.org/adk/model/gemini"
	"google.golang.org/adk/tool"
	"google.golang.org/adk/tool/geminitool"
	"google.golang.org/genai"
)

func main() {
	RunAgent()
}

func RunAgent() {
	ctx := context.Background()
	model, err := gemini.NewModel(ctx, "gemini-2.5-pro", &genai.ClientConfig{
		APIKey: config.APIKey,
	})
	if err != nil {
		log.Fatalf("Failed to create model: %v", err)
	}

	timeAgent, err := llmagent.New(llmagent.Config{
		Name:        "hello_time_agent",
		Model:       model,
		Description: "Tells the current time in a specified city.",
		Instruction: "You are a helpful assistant that tells the current time in a city.",
		Tools: []tool.Tool{
			geminitool.GoogleSearch{},
		},
	})
	if err != nil {
		log.Fatalf("Failed to create agent: %v", err)
	}

	config := &launcher.Config{
		AgentLoader: agent.NewSingleLoader(timeAgent),
	}

	l := full.NewLauncher()
	if err = l.Execute(ctx, config, os.Args[1:]); err != nil {
		log.Fatalf("Run failed: %v\n\n%s", err, l.CommandLineSyntax())
	}
}

说明

  • name（必填）： 每个智能体都需要一个唯一的字符串标识符。这个 name 对内部操作至关重要，尤其是在多智能体系统中，智能体需要相互引用或委派任务。选择一个能反映智能体功能的描述性名称（例如，customer_support_router，billing_inquiry_agent）。避免使用像 user 这样的保留名称。
  • description（可选，多智能体推荐）： 提供一个简洁的智能体能力摘要。这个描述主要由其他 LLM 智能体用来确定是否应该将任务路由到这个智能体。使其足够具体以区分它与其他智能体（例如，"处理关于当前账单明细的查询"，而不仅仅是"账单智能体"）。
  • model（必填）： 指定将为此智能体的推理提供支持的底层 LLM。这是一个字符串标识符，如 "gemini-2.0-flash"。模型的选择会影响智能体的能力、成本和性能。查看模型页面了解可用选项和考虑因素。

instruction指令

  • 其核心任务或目标。
  • 其个性或角色（例如，"你是一个乐于助人的助手"，"你是一个机智的海盗"）。
  • 对其行为的约束（例如，"只回答关于 X 的问题"，"永远不要透露 Y"）。
  • 如何以及何时使用其 tools。你应该解释每个工具的用途以及应该在什么情况下调用它，补充工具本身的任何描述。
  • 其输出的期望格式（例如，"以 JSON 形式回应"，"提供一个项目符号列表"）。

有效指令的技巧：

  • 清晰明确： 避免含糊不清。清楚地说明期望的行动和结果。
  • 使用 Markdown： 使用标题、列表等提高复杂指令的可读性。
  • 提供示例（少样本）： 对于复杂任务或特定输出格式，直接在指令中包含示例。
  • 指导工具使用： 不仅仅是列出工具；解释智能体何时 和为什么应该使用它们。

IncludeContents ：是否包含对话的上下文，默认值是 default，也就是包含，你也可以设置为 none，也就是不包含。

可能的报错

bash 复制代码 
AGENT_ERROR: doRequest: error sending request: Post "https://generativelanguage.googleapis.com/v1beta/models/gemini-3-pro-preview:streamGenerateContent?alt=sse": EOF
---- 网络问题

AGENT_ERROR: doRequest: error sending request: Post "https://generativelanguage.googleapis.com/v1beta/models/gemini-3-pro-preview:streamGenerateContent?alt=sse": dial tcp
142.250.69.170:443: i/o timeout
---- 网络问题

AGENT_ERROR: Error 429, Message: You exceeded your current quota, please check your plan and billing details.
---- 当前模型需要付费或额度用完，比如 gemini-3-pro 和 gemini-3-pro-preview 应该是付费的。

AGENT_ERROR: Error 404, Message: models/gemini-3 is not found for API version v1beta, or is not supported for generateContent. Call ListModels to see the list of available
 models and their supported methods., Status: NOT_FOUND, Details: []
 ----不支持的模型名称

最终选择gemini-2.5-pro模型才能运行成功。

bash 复制代码 
> go run agent.go

User -> what can you do?

Agent -> I can tell you the current time in any city.
User -> what time it is in London?

Agent -> The current time in London is 2:57 AM. The time zone in London is Greenwich Mean Time (GMT).
User -> what time it is in new york?

Agent -> The current time in New York is 9:59 PM. The time zone is Eastern Standard Time (EST).

与手机上的世界时间基本一致，说明它的确调用了 Google Search。

默认情况下，智能体就是流式输出的，不用刻意设置。

Gemini API （就是 genai包 ）文档：https://ai.google.dev/gemini-api/docs?hl=zh-cn

那这个API KEY能支持调用哪些模型呢

go 复制代码 
func ListModels() {
	ctx := context.Background()
	client, err := genai.NewClient(ctx, &genai.ClientConfig{
		APIKey: "AIzaSyBXW7R7Hg8rPqQkazSBbLnfH9HSimMvQ8c",
	})
	if err != nil {
		log.Fatalf("Failed to create client: %v", err)
	}

	models := client.Models.All(ctx)
	for m, e := range models {
		if e != nil {
			log.Printf("Error: %v\n", e)
			continue
		}
		log.Printf("Model: %s\n", m.Name)
	}
}
bash 复制代码 
Model: models/embedding-gecko-001
Model: models/gemini-2.5-pro-preview-03-25
Model: models/gemini-2.5-flash
Model: models/gemini-2.5-pro-preview-05-06
Model: models/gemini-2.5-pro-preview-06-05
Model: models/gemini-2.5-pro
Model: models/gemini-2.0-flash-exp
Model: models/gemini-2.0-flash
Model: models/gemini-2.0-flash-001
Model: models/gemini-2.0-flash-exp-image-generation
Model: models/gemini-2.0-flash-lite-001
Model: models/gemini-2.0-flash-lite
Model: models/gemini-2.0-flash-lite-preview-02-05
Model: models/gemini-2.0-flash-lite-preview
Model: models/gemini-2.0-pro-exp
Model: models/gemini-2.0-pro-exp-02-05
Model: models/gemini-exp-1206
Model: models/gemini-2.0-flash-thinking-exp-01-21
Model: models/gemini-2.0-flash-thinking-exp
Model: models/gemini-2.0-flash-thinking-exp-1219
Model: models/gemini-2.5-flash-preview-tts
Model: models/gemini-2.5-pro-preview-tts
Model: models/learnlm-2.0-flash-experimental
Model: models/gemma-3-1b-it
Model: models/gemma-3-4b-it
Model: models/gemma-3-12b-it
Model: models/gemma-3-27b-it
Model: models/gemma-3n-e4b-it
Model: models/gemma-3n-e2b-it
Model: models/gemini-flash-latest
Model: models/gemini-flash-lite-latest
Model: models/gemini-pro-latest
Model: models/gemini-2.5-flash-lite
Model: models/gemini-2.5-flash-image-preview
Model: models/gemini-2.5-flash-image
Model: models/gemini-2.5-flash-preview-09-2025
Model: models/gemini-2.5-flash-lite-preview-09-2025
Model: models/gemini-3-pro-preview
Model: models/gemini-3-pro-image-preview
Model: models/nano-banana-pro-preview
Model: models/gemini-robotics-er-1.5-preview
Model: models/gemini-2.5-computer-use-preview-10-2025
Model: models/embedding-001
Model: models/text-embedding-004
Model: models/gemini-embedding-exp-03-07
Model: models/gemini-embedding-exp
Model: models/gemini-embedding-001
Model: models/aqa
Model: models/imagen-4.0-generate-preview-06-06
Model: models/imagen-4.0-ultra-generate-preview-06-06
Model: models/imagen-4.0-generate-001
Model: models/imagen-4.0-ultra-generate-001
Model: models/imagen-4.0-fast-generate-001
Model: models/veo-2.0-generate-001
Model: models/veo-3.0-generate-001
Model: models/veo-3.0-fast-generate-001
Model: models/veo-3.1-generate-preview
Model: models/veo-3.1-fast-generate-preview
Model: models/gemini-2.0-flash-live-001
Model: models/gemini-live-2.5-flash-preview
Model: models/gemini-2.5-flash-live-preview
Model: models/gemini-2.5-flash-native-audio-latest
Model: models/gemini-2.5-flash-native-audio-preview-09-2025

即便是这些列出的模型，也不是所以的功能都能免费用，具体可以看价格，比如 Gemini-2.5-pro

另外，免费调用API还有频率的限制

RPM 每分钟请求数；TPM 每分钟 token 数（输入）；RPD 每日请求数

genai.Client.Models 提供的能力

go 复制代码 
func (m Models) All(ctx context.Context) iter.Seq2[*Model, error]
func (m Models) ComputeTokens(ctx context.Context, model string, contents []*Content, config *ComputeTokensConfig) (*ComputeTokensResponse, error)
func (m Models) CountTokens(ctx context.Context, model string, contents []*Content, config *CountTokensConfig) (*CountTokensResponse, error)
func (m Models) Delete(ctx context.Context, model string, config *DeleteModelConfig) (*DeleteModelResponse, error)
func (m Models) EditImage(ctx context.Context, model string, prompt string, referenceImages []ReferenceImage, config *EditImageConfig) (*EditImageResponse, error)
func (m Models) EmbedContent(ctx context.Context, model string, contents []*Content, config *EmbedContentConfig) (*EmbedContentResponse, error)
func (m Models) GenerateContent(ctx context.Context, model string, contents []*Content, config *GenerateContentConfig) (*GenerateContentResponse, error)
func (m Models) GenerateContentStream(ctx context.Context, model string, contents []*Content, config *GenerateContentConfig) iter.Seq2[*GenerateContentResponse, error]
func (m Models) GenerateImages(ctx context.Context, model string, prompt string, config *GenerateImagesConfig) (*GenerateImagesResponse, error)
func (m Models) GenerateVideos(ctx context.Context, model string, prompt string, image *Image, config *GenerateVideosConfig) (*GenerateVideosOperation, error)
func (m Models) GenerateVideosFromSource(ctx context.Context, model string, source *GenerateVideosSource, config *GenerateVideosConfig) (*GenerateVideosOperation, error)
func (m Models) Get(ctx context.Context, model string, config *GetModelConfig) (*Model, error)
func (m Models) List(ctx context.Context, config *ListModelsConfig) (Page[Model], error)
func (m Models) RecontextImage(ctx context.Context, model string, source *RecontextImageSource, config *RecontextImageConfig) (*RecontextImageResponse, error)
func (m Models) SegmentImage(ctx context.Context, model string, source *SegmentImageSource, config *SegmentImageConfig) (*SegmentImageResponse, error)
func (m Models) Update(ctx context.Context, model string, config *UpdateModelConfig) (*Model, error)
func (m Models) UpscaleImage(ctx context.Context, model string, image *Image, upscaleFactor string, config *UpscaleImageConfig) (*UpscaleImageResponse, error)

https://ai.google.dev/gemini-api/docs/google-search?hl=zh-cn

"使用 Google 搜索建立依据"功能可将 Gemini 模型与实时网络内容相关联，并支持所有可用语言。这样一来，Gemini 就可以提供更准确的回答，并引用知识截止日期之后的可验证来源。

接地可帮助您构建能够执行以下操作的应用：

  • 提高事实准确性：以真实世界的信息为依据生成回答，从而减少模型幻觉。
  • 获取实时信息：回答有关近期活动和主题的问题。
  • 提供引用：通过显示模型声明的来源来建立用户信任。

启用 google_search 工具后，模型会自动处理搜索、处理和引用信息的整个工作流程。

  1. 用户提示 ：您的应用在启用 google_search 工具的情况下，将用户提示发送到 Gemini API。
  2. 提示分析：模型分析提示，确定 Google 搜索是否可以改进回答。
  3. Google 搜索：如果需要，模型会自动生成一个或多个搜索查询并执行这些查询。
  4. 搜索结果处理：模型处理搜索结果，整合信息并生成回答。
  5. 以搜索结果为依据的回答 ：API 会返回以搜索结果为依据的最终且用户友好的回答。此响应包含模型的文本回答以及 groundingMetadata，其中包含搜索查询、网页结果和引用。

Google Search只支持部分模型

Google Search 并不一定是免费的，按照 Gemini-2.5-pro 的费用表来看，免费层级并不支持 Google Search，但是按照我的测试却是能有的，所以 Gemini 这个定价规则实在够乱的。

Google Map

https://ai.google.dev/gemini-api/docs/maps-grounding?hl=zh-cn

...

运行webui

bash 复制代码 
> go run agent.go web api webui

Web servers starts on http://localhost:8080
        api:  you can access API using http://localhost:8080/api
        api:      for instance: http://localhost:8080/api/list-apps
        webui:  you can access API using http://localhost:8080/ui/

我们可以使用 Google Search 做更多的事情，比如 weather_time_agent

go 复制代码 
a, err := llmagent.New(llmagent.Config{
    Name:        "weather_time_agent",
    Model:       model,
    Description: "Agent to answer questions about the time and weather in a city.",
    Instruction: "Your SOLE purpose is to answer questions about the current time and weather in a specific city. You MUST refuse to answer any questions unrelated to time or weather.",
    Tools: []tool.Tool{
        geminitool.GoogleSearch{},
    },
})
bash 复制代码 
User -> what can you do?

Agent -> I can tell you the current time and weather in a specific city.
User -> what time it is now in London?

Agent -> The current time in London, United Kingdom, is 07:46 AM. London observes Greenwich Mean Time (GMT).
User -> what weather it is now in London?

Agent -> In London, United Kingdom, it is currently partly cloudy with a temperature of 39 °F (4 °C). It feels like 36 °F (2 °C). The humidity is around 96%.

说到 tool，在 adk 中有两种，一种是 genai.Tool，比如上面说的Google Search和Google Map，它们是由genai来决定是否调用的；另一种是 adk 这边用户自定义的 functionTool，它们是由agent来调用的。

在一个agent下创建多个functionTool

go 复制代码 
package main

import (
	"context"
	"log"
	"os"
	"strings"
	"time"

	"google.golang.org/adk/agent"
	"google.golang.org/adk/agent/llmagent"
	"google.golang.org/adk/cmd/launcher"
	"google.golang.org/adk/cmd/launcher/full"
	"google.golang.org/adk/model/gemini"
	"google.golang.org/adk/tool"
	"google.golang.org/adk/tool/functiontool"
	"google.golang.org/genai"
)

// 多工具智能体

func main() {
	ctx := context.Background()

	model, err := gemini.NewModel(ctx, "gemini-2.5-flash", &genai.ClientConfig{
		APIKey: os.Getenv("GOOGLE_API_KEY"),
	})
	if err != nil {
		log.Fatalf("Failed to create model: %v", err)
	}

	weatherTool, err := GetWeather()
	if err != nil {
		log.Fatalf("Failed to create weather tool: %v", err)
	}

	timeTool, err := GetCurrentTime()
	if err != nil {
		log.Fatalf("Failed to create time tool: %v", err)
	}

	a, err := llmagent.New(llmagent.Config{
		Name:        "weather_time_agent",
		Model:       model,
		Description: "Agent to answer questions about the time and weather in a city.",
		Instruction: "You are a helpful agent who can answer user questions about the time and weather in a city.",
		Tools: []tool.Tool{
			weatherTool,
			timeTool,
		},
	})
	if err != nil {
		log.Fatalf("Failed to create agent: %v", err)
	}

	config := &launcher.Config{
		AgentLoader: agent.NewSingleLoader(a),
	}

	l := full.NewLauncher()
	if err = l.Execute(ctx, config, os.Args[1:]); err != nil {
		log.Fatalf("Run failed: %v\n\n%s", err, l.CommandLineSyntax())
	}
}

type Input struct {
	City string `json:"city"`
}
type Output struct {
	Status string `json:"status"`
	Report string `json:"report"`
}

func GetWeather() (tool.Tool, error) {
	handler := func(ctx tool.Context, input Input) (Output, error) {
		if strings.ToLower(input.City) == "new york" {
			return Output{
				Status: "success",
				Report: "The weather in New York is sunny with a temperature of 25 degrees, Celsius (77 degrees Fahrenheit).",
			}, nil
		} else {
			return Output{
				Status: "error",
				Report: "The weather information for " + input.City + " is not available.",
			}, nil
		}
	}
	weatherTool, err := functiontool.New(functiontool.Config{
		Name:        "GetWeather",
		Description: "Retrieves the current weather report for a specified city.",
	}, handler)
	if err != nil {
		return nil, err
	} else {
		return weatherTool, nil
	}
}

func GetCurrentTime() (tool.Tool, error) {
	handler := func(ctx tool.Context, input Input) (Output, error) {
		if strings.ToLower(input.City) == "new york" {
			return Output{
				Status: "success",
				Report: "The current time in New York is " + time.Now().Format(time.DateTime),
			}, nil
		} else {
			return Output{
				Status: "error",
				Report: "Sorry, I don't have timezone information for " + input.City + ".",
			}, nil
		}
	}
	timeTool, err := functiontool.New(functiontool.Config{
		Name:        "GetCurrentTime",
		Description: "Returns the current time in a specified city.",
	}, handler)
	if err != nil {
		return nil, err
	} else {
		return timeTool, nil
	}
}
bash 复制代码 
User -> what can you do?

Agent -> I can tell you the current time and weather in a city.

User -> what weather it is now in London?

Agent -> I am sorry, I cannot get the weather for London.

User -> what weather it is now in new york?

Agent -> The weather in New York is sunny with a temperature of 25 degrees Celsius (77 degrees Fahrenheit).

User -> what time it is now in London?

Agent -> Sorry, I don't have timezone information for London.
User -> what time it is now in New York?

Agent -> The current time in New York is 2025-12-03 17:36:37.

Planner

规划能力，思考能力，adk-go 暂不支持，

workflow Agent 工作流智能体

分为三种：

  • SequentialAgent 顺序智能体：它按照列表中指定的顺序执行其子智能体。
  • LoopAgent 循环智能体：它循环（即迭代）执行其子智能体。它**_重复运行_一系列智能体**，执行指定次数的迭代或直到满足终止条件。
  • ParallelAgent 并行智能体：它并发执行其子智能体。这极大地加速了可以独立执行任务的工作流。

工作流的特点就是通过语义化的说明来知道agent去做特定的事情，这里面就存在好几个不确定性，首先是你表达的不确定性，其次是agent理解的不确定性，最后是agent执行的不确定性，这就导致了工作流的执行过程和执行结果并不是那么确定性，流程越长不确定性越高。

SequentialAgent

当调用 SequentialAgent 的 run_async() 方法时，它执行以下操作：

  1. 迭代： 它按照提供的顺序遍历 sub_agents 列表。
  2. 子智能体执行： 对于列表中的每个子智能体，它调用该子智能体的 run_async() 方法。

SequentialAgent 将相同的 InvocationContext 传递给其每个子智能体。这意味着它们都共享相同的会话状态，包括临时（temp:）命名空间，使得在单个轮次内的步骤之间传递数据变得容易。

每个子智能体的输出先存储在 state 中的 OutputKey，然后下一步的智能体从 OutputKey 读取。

示例：Code Development Pipeline

  • 代码编写智能体： 一个基于规范生成初始代码的 LlmAgent。
  • 代码审查智能体： 一个检查生成代码中的错误、风格问题和是否遵守最佳实践的 LlmAgent。它接收代码编写智能体的输出。
  • 代码重构智能体： 一个接收已审查的代码（和审查者的评论）并重构它以提高质量和解决问题的 LlmAgent。

提问之后，它有三次输出，第一次是 codeWriterAgent 的输出，第二次是 codeReviewerAgent 的评价；第三次是最终的输出。当然也可以要求前两次不用输出。

从稳定性来看，cli 比 webui 稳定一些。

LoogAgent

示例：你想构建一个可以生成食物图像的智能体，但有时当你想生成特定数量的物品（例如 5 个香蕉）时，它生成的图像中包含了不同数量的物品（例如一张有 7 个香蕉的图像）。你有两个工具：generate_image、count_food_items。因为你想不断生成图像，直到它正确生成指定数量的物品，或者达到一定的迭代次数，所以你应该使用 LoopAgent 构建你的智能体。

当调用 LoopAgent 的 run_async() 方法时，它执行以下操作：

  1. 子智能体执行： 它_按顺序_遍历 sub_agents 列表。对于_每个_子智能体，它调用该智能体的 run_async() 方法。

  2. 终止检查：

    至关重要的是 ，LoopAgent 本身_不_固有地决定何时停止循环。你_必须_实现一个终止机制以防止无限循环。常见的策略包括：

    • max_iterations ：在 LoopAgent 中设置最大迭代次数。循环将在达到该迭代次数后终止。
    • 来自子智能体的信号：设计一个或多个子智能体来评估条件（例如，"文档质量是否足够好？"，"是否已达成共识？"）。如果满足条件，子智能体可以发出终止信号（例如，通过触发自定义事件、在共享上下文中设置标志，或返回特定值）。

示例：迭代文档改进

  • 编写智能体： 一个生成或改进主题草稿的 LlmAgent。
  • 评论智能体： 一个对草稿进行评论，识别需要改进的领域的 LlmAgent。
ParallelAgent

当调用 ParallelAgent 的 run_async() 方法时：

  1. 并发执行： 它并发 地启动 sub_agents 列表中每个 子智能体的 run_async() 方法。这意味着所有智能体（几乎）同时开始运行。
  2. 独立分支： 每个子智能体在自己的执行分支中运行。在执行过程中，这些分支之间没有*自动共享*对话历史或状态。
  3. 结果收集： ParallelAgent 管理并行执行，并通常提供一种方式在所有子智能体完成后访问它们的结果（例如，通过结果或事件列表）。结果的顺序可能不是确定性的。

独立执行和状态管理

理解 ParallelAgent 中的子智能体独立运行是至关重要的 。如果你需要这些智能体之间的通信或数据共享，你必须明确实现它。可能的方法包括：

  • 共享 InvocationContext： 你可以向每个子智能体传递一个共享的 InvocationContext 对象。这个对象可以作为共享数据存储。但是，你需要小心管理对这个共享上下文的并发访问（例如，使用锁）以避免竞态条件。
  • 外部状态管理： 使用外部数据库、消息队列或其他机制来管理共享状态并促进智能体之间的通信。
  • 后处理： 收集每个分支的结果，然后实现逻辑来协调数据。

完整示例：并行网络研究

想象同时研究多个主题：

  1. 研究智能体 1： 一个研究"可再生能源"的 LlmAgent。
  2. 研究智能体 2： 一个研究"电动汽车技术"的 LlmAgent。
  3. 研究智能体 3： 一个研究"碳捕获方法"的 LlmAgent。

用户最典型 Agent

上面提到的智能体，比如 llmAgent, SequentialAgent, LoogAgent, ParallelAgent 都是 Adk 提供的，

相关推荐
NAGNIP11 小时前
一文搞懂深度学习中的通用逼近定理！
人工智能·算法·面试
冬奇Lab12 小时前
一天一个开源项目（第36篇）：EverMemOS - 跨 LLM 与平台的长时记忆 OS，让 Agent 会记忆更会推理
人工智能·开源·资讯
冬奇Lab12 小时前
OpenClaw 源码深度解析（一）：Gateway——为什么需要一个"中枢"
人工智能·开源·源码阅读
AngelPP16 小时前
OpenClaw 架构深度解析：如何把 AI 助手搬到你的个人设备上
人工智能
宅小年16 小时前
Claude Code 换成了Kimi K2.5后，我再也回不去了
人工智能·ai编程·claude
九狼16 小时前
Flutter URL Scheme 跨平台跳转
人工智能·flutter·github
ZFSS16 小时前
Kimi Chat Completion API 申请及使用
前端·人工智能
天翼云开发者社区17 小时前
春节复工福利就位！天翼云息壤2500万Tokens免费送，全品类大模型一键畅玩！
人工智能·算力服务·息壤
知识浅谈17 小时前
教你如何用 Gemini 将课本图片一键转为精美 PPT
人工智能
Ray Liang18 小时前
被低估的量化版模型，小身材也能干大事
人工智能·ai·ai助手·mindx
热门推荐
01GitHub 镜像站点02【OpenClaw 本地实战 Ep.3】突破瓶颈：强制修改 openclaw.json 解锁 32k 上下文记忆03OpenClaw 使用和管理 MCP 完全指南04OpenClaw + 飞书（Feishu）环境搭建指南05Clawdbot部署教程：解决‘gateway token missing’授权问题的完整步骤06Window 10部署openclaw报错node.exe : npm error code 12807Claude Code + GLM4.7 避坑指南：解决 Unable to connect to Anthropic services08AI 规范驱动开发“三剑客”深度对比：Spec-Kit、Kiro 与 OpenSpec 实战指南09OpenClaw优化飞书API 额度已耗尽问题10AI Agent 平台横评：ZeroClaw vs OpenClaw vs Nanobot