Ein praktischer Überblick über das Google Agent Development Kit

KI hat sich über einzelne Modelle, die Fragen beantworten, hinaus zu einer Ära komplexer Multi-Agenten-Systeme entwickelt, in denen verschiedene KIs zusammenarbeiten, um komplizierte Probleme zu lösen. Dieser Ansatz ist leistungsstark, aber die Koordination mehrerer Agenten stellt für Entwickler eine erhebliche Herausforderung dar, die spezialisierte Werkzeuge erfordert.

Es gibt mittlerweile so viele Agent-Frameworks. Ich habe den Überblick verloren. Sie werden alle in einem halben Jahr verschwinden. Alle sind nur Kopien oder leicht unterschiedliche Varianten derselben Sache. Ich sehe nicht wirklich den Vorteil darin, sie zu nutzen, wenn sie alle wieder verschwinden oder ziemlich einfach nachgebaut werden könnten.

Reddit

Das Google Agent Development Kit (ADK) wurde entwickelt, um diese Herausforderung zu meistern. Es handelt sich um ein Open-Source-Framework von Google, das darauf abzielt, die Erstellung fortschrittlicher KI-Agenten der regulären Softwareentwicklung ähnlicher zu machen. In diesem Beitrag werfen wir einen praktischen Blick auf das ADK: was es ist, wie es funktioniert und für wen es gedacht ist, um Ihnen bei der Entscheidung zu helfen, ob es das richtige Werkzeug für Ihr Projekt ist.

Was ist das Google Agent Development Kit?

Das Google Agent Development Kit (ADK) ist ein code-zentriertes Open-Source-Framework zum Erstellen, Bereitstellen und Verwalten von KI-Agenten, insbesondere solchen, die für die Arbeit in Multi-Agenten-Systemen konzipiert sind. Es ist für Entwickler gemacht und bietet offizielle Unterstützung für gängige Sprachen wie Python, TypeScript, Go und Java, sodass Sie in einer vertrauten Umgebung arbeiten können.

Das Kernprinzip des ADK besteht darin, eine flexible, modulare Grundlage zu bieten, die nicht an ein einzelnes Modell oder einen bestimmten Bereitstellungsstil gebunden ist. Obwohl es für Googles Gemini-Modelle optimiert ist, ist es als offenes Ökosystem konzipiert. Durch eine offizielle LiteLLM-Integration kann es mit über 100 anderen Anbietern zusammenarbeiten, darunter OpenAI und Anthropic. Diese Freiheit ermöglicht es Entwicklern, das am besten geeignete Modell für eine bestimmte Aufgabe auszuwählen.

Das ADK ist zudem bereitstellungsagnostisch. Sie können Agenten lokal zum Testen ausführen und sie dann auf einem vollständig verwalteten Cloud-Service skalieren. Diese Flexibilität ist vorteilhaft für Projekte, die klein anfangen, aber das Potenzial für signifikantes Wachstum haben.

Kernarchitektur und Hauptfunktionen des Google Agent Development Kit

Um die Fähigkeiten des ADK zu verstehen, ist es wichtig, seine Architektur zu untersuchen. Es handelt sich um ein gut durchdachtes Framework zum Erstellen komplexer, langlaufender Agenten-Workflows.

Wie die ereignisgesteuerte Architektur funktioniert

Anstelle eines einfachen Request-Response-Modells verwendet das ADK eine ereignisgesteuerte Architektur (event-driven architecture). Das ADK verarbeitet einen kontinuierlichen Informationsstrom oder „Events“, die zwischen dem Benutzer, den KI-Modellen und allen verbundenen externen Tools fließen. Dieser Aufbau ermöglicht es dem ADK, komplexe, mehrstufige Konversationen und Aufgaben zu verwalten.

Hier sind die Hauptkomponenten:

• Der Runner: Der Runner fungiert als Hauptkoordinator. Er verwaltet die Benutzersitzungen und behält den Überblick über die Aktivitäten der Agenten.

• Events (Ereignisse): Events sind ein Kernbestandteil des Systems. Jede Aktion – die Nachricht eines Benutzers, ein verwendetes Tool, die Antwort eines Modells – wird als permanentes Ereignis protokolliert. Dies gewährleistet eine saubere und zuverlässige Kommunikation zwischen den Systemkomponenten.

• Session Services (Sitzungsdienste): Session Services verwalten das Gedächtnis und den Status. Sie bewahren den Kontext der Konversation auf, sodass der Agent sich daran erinnert, was im Laufe der Zeit gesagt und getan wurde.

Diese Struktur ermöglicht Echtzeit-Feedback und lässt Sie Agenten bauen, die langlaufende Aufgaben bewältigen können, ohne den Kontext zu verlieren. Die folgende Grafik veranschaulicht, wie diese Komponenten zusammenarbeiten.

Bauen mit spezialisierten Agenten und Workflow-Agenten

Das ADK ist besonders effektiv für den Aufbau von Multi-Agenten-Systemen. Das Konstruktionsprinzip des Frameworks besteht darin, große, komplexe Probleme in kleinere, handhabbare Stücke zu zerlegen, wobei jedem Stück ein spezialisierter Agent zugewiesen wird.

Das ADK bietet verschiedene Agententypen an:

• LLM-Agenten: Diese Agenten nutzen große Sprachmodelle (Large Language Models) für Argumentation, Planung und Entscheidungsfindung.

• Workflow-Agenten: Diese Agenten folgen einer vordefinierten Logik, um den Ablauf einer Aufgabe zu steuern, was Prozesse vorhersehbar macht.

• Benutzerdefinierte Agenten (Custom Agents): Für andere Anforderungen können Sie Ihre eigenen benutzerdefinierten Agenten erstellen, um spezifische, nicht auf LLM basierende Logik zu verarbeiten.

Um diese zu koordinieren, bietet das ADK Kern-Workflow-Agenten wie den SequentialAgent für Schritt-für-Schritt-Aufgaben, den ParallelAgent für gleichzeitige Operationen und den LoopAgent zum Wiederholen einer Aktion, bis eine Bedingung erfüllt ist.

Ein bemerkenswertes Feature ist das AgentTool, mit dem ein Agent einen anderen als Werkzeug verwenden kann. Dies ermöglicht eine fortschrittliche Delegation, bei der ein „Manager“-Agent den „Worker“-Agenten spezifische Jobs zuweisen kann, wodurch das Anwendungsdesign sauber und organisiert bleibt.

Flexibles Ökosystem an Tools und Modellen

Ein wesentlicher Vorteil des ADK ist sein modellagnostisches Design. Obwohl es für Gemini-Modelle optimiert (fine-tuned) ist, sind Sie nicht auf diese beschränkt. Die LiteLLM-Integration unterstützt Modelle von OpenAI, Anthropic, Cohere und vielen anderen. Es unterstützt auch offene und lokale Modelle durch Tools wie Ollama, was Ihnen die vollständige Kontrolle über Ihren Tech-Stack gibt.

Ich bin dem Quickstart buchstabengetreu gefolgt, mit der Ausnahme, dass ich das Modell im Agenten durch ein lokales ersetzt habe (unter Verwendung der LiteLLM-Integration für Ollama). Das Ergebnis war eine Endlosschleife von tool_calling, egal ob ich ein Modell mit Tool-Calling-Fähigkeiten verwendet habe oder nicht... daher nehme ich an, dass die in der Doku erwähnte Ollama-Integration einfach... noch nicht ganz fertig ist, schätze ich.

Reddit

Das Tool-Ökosystem ist ebenfalls umfangreich. Sie erhalten vorgefertigte Tools für Aufgaben wie die Google-Suche und Code-Ausführung und können benutzerdefinierte Funktionen in Python oder einer anderen unterstützten Sprache erstellen. Es lässt sich auch in beliebte Drittanbieter-Bibliotheken wie LangChain integrieren, sodass Sie vorhandene Tools und Workflows einbinden können.

Die Entwicklererfahrung: Bauen und Bereitstellen mit dem ADK

Das ADK wurde mit Blick auf die Entwicklererfahrung konzipiert. Der Prozess von der Codierung bis zur Bereitstellung soll vertraut und effizient sein.

Erste Schritte mit dem lokalen Development Toolkit

Das Framework enthält Tools, um den Build-Test-Debug-Zyklus zu rationalisieren. Die Befehlszeilenschnittstelle (CLI) ermöglicht einen schnellen Einstieg mit Befehlen wie adk create, um ein neues Projekt aufzusetzen, und adk run, um es zu starten.

Ein bemerkenswertes Feature ist die integrierte visuelle Web-Benutzeroberfläche (Web UI). Sie bietet eine einfache Chat-Schnittstelle zum lokalen Testen von Agenten, aber ihre eigentliche Stärke liegt im Debugging. Die UI ermöglicht es Ihnen, den gesamten Ereignisstrom und den Sitzungsstatus in Echtzeit zu inspizieren. Sie können jede Benutzereingabe, jeden Tool-Aufruf, jede Modellantwort und jede Statusänderung sehen, während sie geschieht. Diese Transparenz ist für das Debugging komplexer, asynchroner Systeme von großem Wert.

Der Weg in die Produktion: Bereitstellungsoptionen

Das ADK ist für Produktionsumgebungen konzipiert, nicht nur für die lokale Entwicklung. Es bietet einen klaren Pfad, um einen Agenten von einem lokalen Rechner in eine skalierbare Live-Umgebung zu überführen.

Sie haben zwei Hauptoptionen für die Bereitstellung:

1. Containerisierung: Sie können Ihre Agenten-Anwendung in einen Docker-Container verpacken und auf jeder Infrastruktur bereitstellen, die Container unterstützt. Google Cloud Run ist eine gängige Wahl, da Sie Ihren Agenten in einer serverlosen Umgebung ausführen können, in der Sie nur für das bezahlen, was Sie tatsächlich nutzen.

2. Vertex AI Agent Engine: Für eine verwaltete Lösung können Sie Googles vollständig verwalteten Service nutzen, der darauf ausgelegt ist, Agenten, die mit Frameworks wie ADK erstellt wurden, bereitzustellen, zu verwalten und zu skalieren. Diese Lösung auf Unternehmensniveau übernimmt die Infrastruktur für Sie.

Diese Flexibilität ermöglicht es Ihnen, die Bereitstellungsstrategie zu wählen, die am besten zu den Fähigkeiten Ihres Teams, Ihrem Budget und Ihren Skalierungsanforderungen passt.

Die Lernkurve und allgemeine Herausforderungen

Obwohl das ADK leistungsstark ist, hat es eine beachtliche Lernkurve, insbesondere für Entwickler, die neu im Bereich agentenbasierter Systeme sind. Das Verständnis von Konzepten wie asynchronen Agenten, Ereignisbehandlung und der Verwaltung des Status zwischen verschiedenen Agententypen (LlmAgent, SequentialAgent, LoopAgent) kann anspruchsvoll sein.

Frameworks wie das ADK sind am wertvollsten, wenn sie Anfänger und fortgeschrittene Entwickler befähigen, selbstbewusst zu bauen. Aber im Moment fühlt sich die Entwicklererfahrung so an, als sei sie nur für Profis optimiert. Die Ideen sind stark, aber die Komplexität und der Boilerplate-Code könnten genau die Leute abschrecken, die am meisten davon profitieren würden.

Reddit

Die offizielle Dokumentation weist darauf hin, dass der Aufbau eines komplett benutzerdefinierten Agenten von Grund auf ein fortgeschrittenes Konzept ist. Es wird empfohlen, sich erst mit den Standard-Agententypen vertraut zu machen, bevor man tiefe Anpassungen vornimmt. Letztendlich eignet sich das ADK am besten für erfahrene KI-Ingenieure und Softwareentwickler, die maßgeschneiderte, komplexe Agentensysteme erstellen und eine feinkörnige Kontrolle benötigen.

Google Agent Development Kit: Ein Framework zum Selberbauen vs. ein KI-Kollege zum Einstellen

Das Google Agent Development Kit ist ein Werkzeugkasten für den Bau maßgeschneiderter KI-Lösungen. Dieser Do-it-yourself-Ansatz ist für spezifische Anwendungsfälle geeignet, passt aber möglicherweise nicht für alle Situationen.

Der ideale Nutzer für das Google Agent Development Kit

Das ADK ist für KI-Engineering-Teams und Softwareentwickler konzipiert, die hochgradig angepasste Agenten-Anwendungen von Grund auf neu erstellen. Es ist die richtige Wahl, wenn das Agentensystem selbst das Produkt ist und das Team tiefe Kontrolle über die Orchestrierung, das Agentenverhalten und die Cloud-Infrastruktur benötigt.

Wann ein KI-Kollege die bessere Wahl ist

Für Teams, deren primäres Ziel darin besteht, unmittelbare Geschäftsprobleme zu lösen – wie die Automatisierung des Kundensupports oder die Rationalisierung des internen Wissensmanagements –, kann eine vorgefertigte Lösung direkter zum Ziel führen. Eine Alternative zu einem Entwicklungs-Framework ist eine einsatzbereite KI-Plattform, die oft als „KI-Kollege“ (AI Teammate) bezeichnet wird.

Ein Entwicklungs-Framework wie das ADK erfordert das Einrichten einer lokalen Umgebung, das Schreiben von Code und das Verwalten der Cloud-Infrastruktur. Im Gegensatz dazu ist eine Plattform wie eesel AI für ein schnelles Onboarding konzipiert und verbindet sich in der Regel mit vorhandenen Business-Tools wie Zendesk, Slack oder Confluence, um aus vorhandenen Daten zu lernen, ohne dass ein manuelles Training erforderlich ist.

Auch der Management-Ansatz unterscheidet sich. Das ADK erfordert die Definition des Agentenverhaltens durch Code. Andere Plattformen wie eesel ermöglichen die Steuerung durch Anweisungen in natürlicher Sprache. Sie können mit einem überwachten AI Copilot-Modus beginnen, in dem die KI Antwortentwürfe zur menschlichen Überprüfung erstellt, und später zu einem vollautonomen AI Agent übergehen, der Tickets eigenständig bearbeitet.

Dieser Ansatz ist auf eine schnelle Implementierung ausgelegt und kann zu einer sofortigen Automatisierung von Aufgaben führen. Beispielsweise kann eesel AI einen erheblichen Teil der Support-Konversationen autonom lösen, nachdem es mit den Wissensquellen eines Unternehmens verbunden wurde.

Hier ist ein kurzer Vergleich der beiden Ansätze:

Google Agent Development Kit Preise

Das ADK-Framework ist Open Source und unter der Apache 2.0-Lizenz kostenlos nutzbar.

Dennoch fallen Kosten an. Die Gesamtkosten (Total Cost of Ownership) ergeben sich aus zwei Hauptquellen:

1. LLM-API-Aufrufe: Jedes Mal, wenn ein Agent ein Sprachmodell aufruft, wird Ihnen diese Nutzung in Rechnung gestellt. Dies gilt unabhängig davon, ob Sie Gemini auf Vertex AI oder ein Modell eines anderen Anbieters verwenden.

2. Infrastruktur: Sie müssen auch die Kosten für die Cloud-Dienste tragen, die Ihre Agenten hosten und ausführen. Dies könnten Rechenzeiten bei Google Cloud Run oder nutzungsabhängige Gebühren für die vollständig verwaltete Vertex AI Agent Engine sein, die ein eigenes Preismodell und ein monatliches kostenloses Kontingent hat.

Während das Framework selbst kostenlos ist, hängen die endgültigen Kosten von der Nutzung der Agenten und dem gewählten Deployment-Setup ab.

Für eine praktische Einführung in den Bau Ihres ersten Agenten bietet dieses Video von Google einen hilfreichen Walkthrough durch die Ersteinrichtung und die Kernkonzepte.

Für eine praktische Einführung in den Bau Ihres ersten Agenten bietet dieses Video von Google einen hilfreichen Walkthrough durch die Ersteinrichtung und die Kernkonzepte.

Abschließende Gedanken

Das Google Agent Development Kit ist ein leistungsstarkes und flexibles Framework für Entwickler, die maßgeschneiderte Multi-Agenten-KI-Systeme bauen. Es bietet eine feinkörnige Kontrolle über die Agentenarchitektur, die Modellwahl und die Bereitstellungsstrategie. Es ist ein produktionsreifes Toolkit für die Erstellung der nächsten Generation von KI-Anwendungen.

Dieses Maß an Kontrolle erfordert jedoch eine erhebliche Investition an Engineering-Zeit für den Aufbau, die Bereitstellung und die Wartung des Systems. Es ist im Grunde ein Werkzeug für Entwickler.

Für Business-Teams, die auf unmittelbare Ergebnisse fokussiert sind – wie die Automatisierung des Supports oder die Verbesserung des Wissenszugangs –, kann eine sofort einsatzbereite Lösung einen direkteren Weg zum Ziel bieten. Dies unterstreicht den Unterschied zwischen dem Bau einer individuellen Lösung und der Einführung einer vorgefertigten Plattform. Teams sollten abwägen, ob ihre Anforderungen besser durch die tiefe Anpassbarkeit eines Frameworks wie dem Google Agent Development Kit oder durch die schnelle Bereitstellung einer Plattform wie eesel AI erfüllt werden.