# 使用 Go 的 ADK 工具包构建复杂 AI 代理：工具集成、状态管理和评估框架 > 探索使用 ADK-Go 代码优先构建灵活 AI 代理，集成工具、管理会话状态，并通过评估框架确保可靠开发。提供工程参数和监控要点。 ## 元数据 - 路径: /posts/2025/11/17/building-ai-agents-with-adk-go-code-first/ - 发布时间: 2025-11-17T13:17:02+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 站点: https://blog.hotdry.top ## 正文 在 AI 代理开发领域，代码优先的方法论正逐渐成为主流，尤其是在需要高性能和并发处理的场景中。Google 的 ADK-Go（Agent Development Kit for Go）工具包提供了一个开源、模型无关的框架，允许开发者直接用 Go 语言定义代理逻辑、工具和编排流程。这种方法比配置驱动的框架更灵活，便于测试、版本控制和集成现有 Go 生态。它特别适合构建复杂的多代理系统，支持从简单任务到企业级工作流的扩展，而非依赖黑箱服务。 ADK-Go 的核心优势在于其对工具集成的原生支持。开发者可以轻松创建 LLM 代理（LlmAgent），通过 llmagent.New 函数配置模型、指令和工具列表。例如，使用 Gemini 模型创建一个查询城市首都的代理，只需几行代码即可集成自定义函数工具。证据显示，这种代码优先方式减少了抽象层，提高了调试效率：在 GitHub 示例中，一个 get_capital_city 函数工具通过 functiontool.New 包装，代理在指令中被指导调用它，从而实现动态决策。相比其他框架，ADK-Go 利用 Go 的并发特性，确保工具调用高效，尤其在多工具场景下。 状态管理是构建可控代理的关键，ADK-Go 通过 session 和 memory 模块实现持久化对话上下文。InMemorySessionService 适合开发测试，而生产环境可扩展到 Vertex AI 或自定义存储。代理运行时，状态字典存储中间结果，如 output_key 参数自动保存响应文本，便于多代理协作。实际案例中，一个天气查询代理使用 session.state 传递城市信息，避免重复查询，提高响应一致性。证据来自文档：session.CreateRequest 初始化用户 ID 和应用名，确保跨转对话的连续性。 评估框架确保代理的可靠性和迭代优化。ADK-Go 内置 AgentEvaluator，支持测试文件（.test.json）和 evalset 文件，评估轨迹匹配（tool_trajectory_avg_score）和响应相似度（response_match_score）。例如，默认阈值要求工具轨迹 100% 匹配，响应 ROUGE-1 分数 ≥0.8。通过 pytest 或 adk eval CLI 运行，开发者可自动化 CI/CD 管道。文档示例显示，一个 dice 滚动手代理的 evalset 验证工具调用顺序，暴露非确定性问题。 要落地 ADK-Go 项目，遵循以下参数和清单： **环境设置参数：** - Go 版本：≥1.24.4 - 模型：gemini-2.0-flash（温度 0.2 以降低随机性，max_output_tokens=250） - API 密钥：通过 .env 文件管理 GOOGLE_API_KEY，避免硬编码 - 依赖：go get google.golang.org/adk **构建清单：** 1. 初始化模块：go mod init my-agent/main; go mod tidy 2. 创建代理：llmagent.Config{Name: "my-agent", Model: gemini.NewModel(...), Instruction: "详细指令，包括工具使用指导"} 3. 集成工具：定义函数如 func getData(ctx tool.Context, args Args) map[string]any; functiontool.New(Config{Name: "getData", Description: "..."}, getData) 4. 添加到代理：Tools: []tool.Tool{myTool} 5. 状态配置：使用 runner.Config{Agent: agent, SessionService: session.InMemoryService()} 6. 运行：go run agent.go 或 adk web api webui（端口 8080） **评估和监控参数：** - 准则阈值：tool_trajectory_avg_score=1.0（精确轨迹）；final_response_match_v2=0.9（语义匹配） - 评估模式：使用 evalset 文件模拟多转对话；CLI: adk eval - 监控点：日志回调（before_model_callback）记录延迟；安全设置：safety_settings 阈值 BLOCK_LOW_AND_ABOVE - 回滚策略：如果评估分数 <0.8，切换模型或调整指令；集成 Cloud Trace 追踪执行路径 **风险缓解清单：** 1. 非确定性：多次运行评估（n=5），取平均分 2. 工具错误：添加确认机制（action_confirmations），如用户验证高风险调用 3. 规模化：容器化部署到 Cloud Run，设置超时 30s 4. 安全：使用 hallucinations_v1 准则检查幻觉，阈值 0.9 通过这些实践，开发者可构建高效、可靠的 AI 代理系统。ADK-Go 的设计强调工程化，适用于生产环境。 **资料来源：** - GitHub 仓库：https://github.com/google/adk-go - 官方文档：https://google.github.io/adk-docs/get-started/go/ - 评估指南：https://google.github.io/adk-docs/evaluate/ ## 同分类近期文章 ### [NVIDIA PersonaPlex 双重条件提示工程与全双工架构解析](/posts/2026/04/09/nvidia-personaplex-dual-conditioning-architecture/) - 日期: 2026-04-09T03:04:25+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析 NVIDIA PersonaPlex 的双流架构设计、文本提示与语音提示的双重条件机制，以及如何在单模型中实现实时全双工对话与角色切换。 ### [ai-hedge-fund：多代理AI对冲基金的架构设计与信号聚合机制](/posts/2026/04/09/multi-agent-ai-hedge-fund-architecture/) - 日期: 2026-04-09T01:49:57+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析GitHub Trending项目ai-hedge-fund的多代理架构，探讨19个专业角色分工、信号生成管线与风控自动化的工程实现。 ### [tui-use 框架：让 AI Agent 自动化控制终端交互程序](/posts/2026/04/09/tui-use-ai-agent-terminal-automation/) - 日期: 2026-04-09T01:26:00+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 详解 tui-use 框架如何通过 PTY 与 xterm headless 实现 AI agents 对 REPL、数据库 CLI、交互式安装向导等终端程序的自动化控制与集成参数。 ### [tui-use 框架：让 AI Agent 自动化控制终端交互程序](/posts/2026/04/09/tui-use-ai-agent-terminal-automation-framework/) - 日期: 2026-04-09T01:26:00+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 详解 tui-use 框架如何通过 PTY 与 xterm headless 实现 AI agents 对 REPL、数据库 CLI、交互式安装向导等终端程序的自动化控制与集成参数。 ### [LiteRT-LM C++ 推理运行时：边缘设备的量化、算子融合与内存管理实践](/posts/2026/04/08/litert-lm-cpp-inference-runtime-quantization-fusion-memory/) - 日期: 2026-04-08T21:52:31+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析 LiteRT-LM 在边缘设备上的 C++ 推理运行时，聚焦量化策略配置、算子融合模式与内存管理的工程化实践参数。