Google ADK Java 实战：用 Code-first 方式编排多 Agent 工作流

Google Agent Development Kit（ADK）Java 是一个代码优先的 Agent 工具包：Agent 的角色、工具和编排直接写在 Java 中，可以进入版本控制、单元测试和部署流程。它不是只能调用 Gemini 的聊天 SDK，而是提供 LlmAgent、Sequential/Parallel/Loop Agent、Session/State、Dev UI 和 A2A 集成。

本文基于 Google ADK Java 1.7.0，实现一个“研究—审查—成稿”的顺序多 Agent 工作流，并说明工具、Session State、Dev UI 以及 A2A 与 MCP 的分工。

截至 2026-07-23，官方 README 仍将 ADK Java 标记为 Preview / Pre-GA，并说明相关能力按 “as is” 提供、支持可能有限。它适合学习、PoC 和可控试点；关键生产系统上线前必须锁版本、做回归测试并准备替代路径。

一、ADK 的 Code-first 是什么

代码优先不只是“不写 YAML”，而是把 Agent 系统的重要结构放进类型化代码：

BaseAgent
├── LlmAgent        模型驱动，能调用工具或委派
├── SequentialAgent 按顺序执行子 Agent
├── ParallelAgent   并行执行独立子 Agent
└── LoopAgent       在条件下重复执行

LLM 适合处理语义判断和非结构化内容；Sequential/Parallel/Loop 则提供确定性控制。一个可靠系统往往混用二者，而不是让一个大模型临场规划全部步骤。

本文流程是：

用户主题
  -> researcher：形成事实清单，写入 research_notes
  -> reviewer：检查证据与风险，写入 review_notes
  -> writer：读取前两步结果，形成文章提纲

三个专业 Agent 可以使用不同 Prompt，输出通过 Session State 传递。

二、依赖、凭据与版本状态

Maven 依赖：

<properties>
    <maven.compiler.release>17</maven.compiler.release>
    <adk.version>1.7.0</adk.version>
</properties>

<dependencies>
    <dependency>
        <groupId>com.google.adk</groupId>
        <artifactId>google-adk</artifactId>
        <version>${adk.version}</version>
    </dependency>

    <dependency>
        <groupId>com.google.adk</groupId>
        <artifactId>google-adk-dev</artifactId>
        <version>${adk.version}</version>
    </dependency>
</dependencies>

google-adk-dev 用于本地开发 UI，不建议不加区分地打进生产镜像。

使用 Google AI Studio / Gemini API 时，凭据名称和认证方式应以当前 ADK 官方文档为准，常见本地配置是：

export GOOGLE_API_KEY="你的密钥"

如果使用 Vertex AI，还需要 Google Cloud Project、区域和 ADC 等配置。不要把服务账号 JSON 放进源码或容器镜像。

三、先实现一个可验证的 FunctionTool

ADK 可以把静态 Java 方法包装成工具。下面的工具只返回受控的本地资料，便于无外部搜索依赖地验证调用链：

import com.google.adk.tools.Annotations.Schema;
import java.util.Map;

public final class ResearchTools {

    public static Map<String, String> lookupFrameworkFact(
            @Schema(
                name = "framework",
                description = "框架名称，例如 Spring AI Alibaba 或 AgentScope Java")
            String framework) {

        return switch (framework.toLowerCase()) {
            case "spring ai alibaba" -> Map.of(
                    "status", "success",
                    "fact", "面向 Java 的 Agent、Workflow 与 Multi-Agent 框架");
            case "agentscope java" -> Map.of(
                    "status", "success",
                    "fact", "面向分布式、生产级、长时间运行 Agent 的 Java 框架");
            default -> Map.of(
                    "status", "not_found",
                    "fact", "本地资料中没有该框架");
        };
    }
}

包装为 FunctionTool：

import com.google.adk.tools.FunctionTool;

var factTool = FunctionTool.create(
        ResearchTools.class,
        "lookupFrameworkFact");

工具参数用 @Schema 写清名称和描述，返回值使用结构化 Map 或 POJO。模型可以决定是否调用，但 Java 方法必须独立完成参数校验、鉴权、超时和幂等。

四、定义三个专业 LlmAgent

1. Researcher

import com.google.adk.agents.LlmAgent;

LlmAgent researcher = LlmAgent.builder()
        .name("researcher")
        .description("查找并整理主题相关事实")
        .model("gemini-2.0-flash")
        .instruction("""
            根据用户主题整理事实清单。
            可调用 lookupFrameworkFact；找不到的内容明确标为待核验，禁止编造。
            输出简洁 Markdown 要点。
            """)
        .tools(factTool)
        .outputKey("research_notes")
        .build();

outputKey 会把 Agent 最终输出写入 Session State，供后续 Agent 使用。

2. Reviewer

LlmAgent reviewer = LlmAgent.builder()
        .name("reviewer")
        .description("审查研究事实、缺口与风险")
        .model("gemini-2.0-flash")
        .instruction("""
            阅读 session state 中的 research_notes。
            分成：已确认、证据不足、可能过时三类；
            不得把推测升级成事实，给出下一步核验建议。
            """)
        .outputKey("review_notes")
        .build();

3. Writer

LlmAgent writer = LlmAgent.builder()
        .name("writer")
        .description("把研究和审查结果组织成文章提纲")
        .model("gemini-2.0-flash")
        .instruction("""
            使用 research_notes 和 review_notes 生成中文技术文章提纲。
            对证据不足的结论保留警示；不输出版本发布稿，强调可复用原理与实践。
            """)
        .outputKey("article_outline")
        .build();

Prompt 应告诉 Agent 从 State 读取哪些键、输出写到哪里。否则三个 Agent 虽然按顺序运行，却不一定有效协作。

五、用 SequentialAgent 显式编排

import com.google.adk.agents.BaseAgent;
import com.google.adk.agents.SequentialAgent;
import java.util.List;

public final class ArticleWorkflow {

    public static final BaseAgent ROOT_AGENT = SequentialAgent.builder()
            .name("article_workflow")
            .description("研究、审查并生成文章提纲")
            .subAgents(List.of(researcher, reviewer, writer))
            .build();
}

顺序编排的价值是依赖关系明确：Reviewer 不会在 Researcher 之前运行，Writer 也不会绕过审查。它比让一个“主管 Agent”自行决定顺序更容易测试。

何时用其他类型：

• ParallelAgent：两个子任务互不依赖，例如同时查官方文档和运行基准；
• LoopAgent：审查不通过就重写，但必须设置退出条件和最大轮数；
• LlmAgent + subAgents：让模型按语义把任务委派给专业 Agent。

不要把有先后依赖的任务硬塞进 Parallel，也不要创建没有最大次数的 Loop。

六、启动 Dev UI

ADK Java 自带开发 UI，可用于交互、查看事件和调试 Agent。最简单入口：

import com.google.adk.web.AdkWebServer;

public class Main {
    public static void main(String[] args) {
        AdkWebServer.start(ArticleWorkflow.ROOT_AGENT);
    }
}

启动后在本地页面输入：

比较 Java Agent 框架在工具权限和恢复方面的差异

开发 UI 适合：

• 看模型是否调用了工具；
• 检查专业 Agent 的执行顺序；
• 观察 State 中输出键；
• 保存用于演示和人工回归的会话。

它不是生产认证网关。上线时仍需自己的 API 层、身份系统、限流、审计和 Secret 管理。

七、Session、State 与 Artifact

ADK 中要区分：

outputKey 写入的是 State，不应把大文件或整份日志塞进去。大对象应使用 Artifact 服务，并在 State 中只保存引用和摘要。

生产环境还要决定 Session Service 的持久化实现。进程内 Session 适合 Demo；多实例部署需要共享后端，并测试并发更新、过期、迁移和恢复。

即使 Session 能恢复，工具副作用仍要幂等。流程崩溃可能发生在外部 API 已成功、结果尚未写回 Event/State 的窗口。

八、确定性 Workflow 与 LLM 路由怎样选择

优先确定性编排的情况：

• 合规审批顺序固定；
• 后一步依赖前一步产物；
• 需要精确控制成本和最大循环；
• 每个阶段都要测试和审计。

适合 LLM 路由的情况：

• 用户意图类别多，规则难以穷举；
• 多个专业 Agent 能力边界清楚；
• 选错路由的损失低，且可以回退；
• 工具和 Agent 都没有越权能力。

常用组合是：顶层确定性 Workflow 控制阶段，某个阶段内部用 LlmAgent 选择工具或子 Agent。

九、A2A 与 MCP 的分工

ADK 官方重点支持 A2A，用于远程 Agent 之间的能力发现和通信。MCP 则主要面向工具、资源和 Prompt 的互操作。

文章 Agent
  --A2A--> 独立部署的法务审查 Agent
  --MCP--> 搜索、数据库、文件等工具服务器

二者不是替代关系：

跨进程后要验证认证、超时、取消、流式、重试和版本协商。协议兼容不代表安全策略自动兼容。

十、Preview 阶段怎样控制风险

官方 1.7.0 已发布到 Maven Central，但 README 仍标记 Preview / Pre-GA，且部分评测能力仍在演进。工程上应：

1. 锁定 1.7.0，不使用动态版本；
2. 用自己的 AgentWorkflow 接口包住 ADK 类型；
3. 保存固定输入、工具调用和状态输出作为回归集；
4. 将模型与工具封装在可替换适配层；
5. 不把 Dev UI 暴露到公网生产环境；
6. 对每次升级验证 Session schema、事件格式和工具调用；
7. 为迁移到其他工作流引擎保留业务层边界。

“1.x”不自动等于 GA，官方发布阶段声明比版本号更重要。

十一、常见问题

后续 Agent 读不到前一步输出

确认前一步设置 outputKey，后续 Prompt 使用同一个 State 键；还要确认 Workflow 使用同一 Session，而不是为每步创建新会话。

模型不调用 FunctionTool

检查方法是否为可反射调用的静态方法、名称是否传给 FunctionTool.create、参数 Schema 是否明确，以及具体模型是否支持工具调用。

ParallelAgent 结果互相覆盖

每个并行 Agent 使用唯一 outputKey，汇总 Agent 再读取多个键。不要让并行分支写同一个 State 字段。

LoopAgent 不停运行

增加确定性退出条件和最大迭代数，同时记录每轮结果。不要只靠 Prompt 中“完成后停止”。

本地成功，上云后丢 Session

本地 Dev UI 常使用进程内服务。生产要配置共享 Session/Artifact 后端，并验证多副本路由、过期和并发更新。

十二、生产清单

• 明确标记 ADK Java 为 Preview / Pre-GA，并锁定精确版本；
• 工作流顺序由代码控制，LLM 只处理需要语义判断的节点；
• 每个 State Key 有唯一写入者或明确合并规则；
• Artifact 与 State 分开保存；
• 工具有鉴权、幂等、超时和结构化错误；
• Loop 有最大次数，Parallel 分支避免写冲突；
• Dev UI 只用于受控开发环境；
• A2A 和 MCP 分别设计认证与审计；
• 升级前运行固定 Agent/Tool/State 回归集；
• 多实例环境使用共享 Session 服务。

总结

Google ADK Java 最有价值的地方，是让 Java 开发者在同一套代码中组合两类控制：

• LlmAgent 处理语义、工具选择和非结构化内容；
• Sequential、Parallel、Loop 等 Workflow Agent 提供确定性控制；
• outputKey、Session State 和 Artifact 负责阶段间传递；
• Dev UI 降低本地调试成本；
• A2A 连接独立 Agent，MCP 连接工具和资源。

在 Preview 阶段，建议从边界明确的内部工作流开始，而不是立刻替换关键核心系统。Code-first 的真正收益不只是代码看起来清晰，而是工作流能进入代码审查、测试、版本管理和故障演练。

参考资料

• Google ADK Java GitHub
• Google ADK 官方文档
• Google ADK Samples
• ADK Java 1.7.0 Maven Central
• A2A Protocol
• ADK Java A2A 集成说明