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：
- 初始化模块：go mod init my-agent/main; go mod tidy
- 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"}
- 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)
- 添加到代理：Tools: []tool.Tool{myTool}
- 状态配置：使用 runner.Config{Agent: agent, SessionService: session.InMemoryService()}
- 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 <agent_path> <evalset.json>
- 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：
- 非确定性：多次运行评估（n=5），取平均分
- 工具错误：添加确认机制（action_confirmations），如用户验证高风险调用
- 规模化：容器化部署到 Cloud Run，设置超时 30s
- 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：