← 播客精读
Ivan Nardini 在活动现场演讲 Google ADK

用 Google ADK + Claude + MCP 构建多 Agent 系统

Ivan Nardini · Google Cloud AI/ML Developer Advocate · 从零到生产部署全流程 · 约 30 分钟

讲者 Ivan Nardini，Google Cloud AI/ML Developer Advocate，现场演示如何用 ADK 从零构建并部署多 Agent 系统。
信息来源：技术活动现场演讲，约 30 分钟，2026 年 6 月。通过 X 推文 传播。配图来自视频截帧和基于演讲内容自制的示意图。 约 26 分钟 ·

本文要点（TL;DR）

关于配图：本文配图分两类——① 取自演讲视频的真实画面（现场幻灯片、VS Code 代码、Vertex AI 控制台截帧）；② 根据演讲内容重新绘制的中文示意图（图注中标注"基于演讲内容整理"）。

1. 问题：构建 AI Agent 很强大，但上生产很痛苦

Ivan 开场直接点明三个痛点：

Building AI Agents - 三大挑战
图 2："What if..." — 如果有一套 Toolkit + Protocols + Agent Platform 来解决这些问题？
挑战具体表现
碎片化格局框架太多（LangChain、CrewAI、ADK...），选型和集成成本高
跨框架集成难不同框架构建的 Agent 之间无法共享工具、记忆、计划
运维和治理缺失部署、扩缩容、监控、日志、评估全部要自己搭

Google 的回答是一套四层技术栈：

Google Agentic Stack
图 3：Google Agentic 技术栈 — ADK + MCP + Vertex AI Agent Engine 三层架构
Google Agentic 技术栈四层架构
图 4：Google Agentic 技术栈四层架构 — 从开发到部署到跨框架互通（基于演讲内容整理）

2. 在 Vertex AI 上使用 Claude

在写第一行代码之前，Ivan 先演示了如何在 Google Cloud 上获取 Claude 模型的访问权限。

Vertex AI Model Garden 中的 Claude 模型
图 5：Vertex AI Model Garden — 合作伙伴区可以找到 Anthropic 的 Claude 系列模型

Vertex AI 的 Model Garden 是一个集中式模型目录，Claude 系列模型（包括演讲当天刚发布的 Claude 4）都在合作伙伴区域。启用后可以通过 API 或 Vertex AI Studio（一个在线 prompt 测试界面）直接使用。

3. ADK 核心概念：三个文件搞定一个 Agent

ADK 核心概念 - LlmAgent 和 Tools
图 6：ADK 核心概念速览 — LlmAgent（大脑）、Tools（技能）、Runner（执行器）、Session（对话状态）

ADK 的设计哲学是 code-first，尽可能贴近软件工程的最佳实践。核心概念只有四个：

概念作用类比
LlmAgentAgent 的大脑，接入 LLM（Claude / Gemini 等），通过 name、model、instruction、tools 四个参数定义招一个员工
Tools (FunctionTool)Agent 的技能，可以是 Python 函数，ADK 自动生成 schema 给 LLM给员工技能手册
Runner执行器，把 Agent 和工具组合起来协调运行工位管理员
Session & State会话 = 对话，State = 跨轮次传递的数据字典对话记忆
ADK 核心概念 - Runner 和 Session
图 7：Runner 负责执行 Agent，Session 管理对话状态和记忆

Birthday Planner Agent：实战第一个 Agent

Ivan 现场演示的第一个 Agent 是一个"生日派对策划师"。整个项目只需要三个文件：

birthday_planner_agent/
├── agent.py      # Agent 逻辑
├── .env           # 环境变量（模型凭证等）
└── __init__.py    # Python 包标识

agent.py 的核心代码：

root_agent = LlmAgent(
    name="BirthdayPlannerAgent",
    model="claude-3-7-sonnet@20250219",
    description="Helps plan birthday parties and activities.",
    instruction=(
        "You are a friendly and creative Birthday Planner assistant.\n"
        "Your goal is to help the user brainstorm ideas for a birthday party.\n"
        "1. First, ask for the age of the birthday person.\n"
        "2. After receiving the age, ask about their interests or hobbies.\n"
        "3. Once you have both, provide 3-5 suitable and creative "
        "birthday party theme or activity suggestions.\n"
    ),
    tools=[],
)

启动方式只需一行命令：

adk run birthday_planner_agent
VS Code 中的 Agent 代码 + adk run 命令
图 8：VS Code 中的 agent.py 代码和终端运行 adk run 启动 Agent

4. 用 MCP 集成外部工具：两行代码搞定

Agent 能聊天了，但还不够——我们想让它能操作日历。Ivan 引入了一个 Calendar Service Agent，通过 MCP 连接到日历服务。

ADK & MCP 双向集成
图 9：ADK 与 MCP 的双向关系 — 既可以消费外部 MCP server，也可以把 ADK 工具暴露为 MCP server

ADK 和 MCP 的集成有两种方向：

  1. ADK 作为 MCP 客户端：把外部已有的 MCP server 当作 Agent 的工具使用
  2. ADK 暴露为 MCP Server：把 ADK 中定义的工具通过 MCP 协议暴露给其他 Agent

在代码层面，集成一个 MCP server 只需要两行：

# 连接已有的 MCP server
calendar_mcp = MCPServer(url="http://localhost:8080")
calendar_tools = calendar_mcp.get_tools()

# 创建带 MCP 工具的 Agent
calendar_agent = LlmAgent(
    name="CalendarAgent",
    model="claude-3-5-sonnet",
    tools=calendar_tools,  # MCP 工具自动转成 ADK 工具
    ...
)

背后发生的事：ADK 获取 MCP server 的工具定义，自动转换成 Agent 可调用的 FunctionTool。不需要手动写 schema 或适配层。

5. 多 Agent 编排：用 AgentTool 组合子 Agent

有了 Birthday Planner 和 Calendar Agent，Ivan 引入了一个 Event Organizer 编排 Agent 来协调它们。

多 Agent 编排 - EventOrganizerAgent
图 10：EventOrganizerAgent 代码 — 用 AgentTool 把子 Agent 当工具传入编排器

编排器的写法出奇地简单：

organizer = LlmAgent(
    name="EventOrganizerAgent",
    model="gemini-2.0-flash",
    description="Main coordinator for event planning.",
    instruction=(
        "You are an expert Event Organizer.\n"
        "You have a team of specialist agents:\n"
        f"- '{planner_agent_instance.name}': This agent is an expert...\n"
        f"- '{calendar_agent_instance.name}': This agent handles all...\n"
        "Your primary job is to understand the user's request and delegate...\n"
    ),
    tools=[
        agent_tool.AgentTool(agent=planner_agent_instance),
        agent_tool.AgentTool(agent=calendar_agent_instance),
    ],
)

把子 Agent 用 AgentTool 包一下，和普通工具一样传给编排 Agent 就行了。编排 Agent 根据用户请求自动选择调用哪个子 Agent。

注意一个细节：编排 Agent 用的是 Gemini，子 Agent 用的是 Claude。ADK 支持在同一个多 Agent 系统中混用不同模型。

ADK 还提供了一个 Web UI 用于调试多 Agent 系统，可以实时看到编排器把请求路由到了哪个子 Agent。

6. Agent Engine：一行代码部署到生产

Agent 在本地跑通了，怎么上生产？

Agent Engine 对比表
图 11：有 vs 没有 Agent Engine 的对比 — 代码、运维、可观测性三个维度
维度没有 Agent Engine有 Agent Engine
开发代码用 FastAPI/Django 包装 → Docker 容器 → 配 GCP一行 agent_engines.create()
基础设施自己管部署、扩缩容Vertex 自动管理，含安全和区域扩展
可观测性手动加日志/监控/追踪/评估内置 Cloud Logging、Monitoring、Tracing + Gen AI Evaluation
有 vs 没有 Agent Engine
图 12：有 vs 没有 Agent Engine 的三维度对比（基于演讲内容整理）

部署代码也非常精简：

AGENTS_TO_DEPLOY = [
    birthday_planner_agent,
    calendar_agent,
    organizer_agent,
]

BASE_REQUIREMENTS = [
    "google-cloud-aiplatform[adk, agent_engines]==1.93.0",
    "anthropic[vertex]==0.51.0",
    "fastmcp==2.3.4",
    ...
]

# 一行部署
deploy_single_agent(agent_object, requirements)
部署代码和终端输出
图 13：deploy_agents.py 代码 — 定义要部署的 Agent 列表 + 依赖，终端显示部署过程

部署完成后，在 Vertex AI 控制台可以看到 Agent 的运行状态：

Vertex AI 控制台 Agent Engine 列表
图 14：Vertex AI 控制台 — 已部署的 Agent 列表，可以看到框架、创建时间、描述

控制台提供：

7. A2A 协议：让不同框架的 Agent 互相对话

最后一个挑战：如果你用 ADK 构建了一些 Agent，同事用 LangChain 构建了另一些，它们怎么协作？

多 Agent 世界的挑战
图 15：多框架 Agent 世界的挑战 — 黑盒 Agent 之间无法共享工具、记忆、计划

A2A（Agent-to-Agent Protocol）是 Google 提出的开放协议，基于 HTTP 和 JSON-RPC，设计上就考虑了企业级的安全和治理需求。

A2A 核心概念
图 16：A2A 核心概念 — Agent Skill（能力声明）和 Agent Card（数字名片）

核心概念只有两个：

概念作用类比
Agent Skill描述 Agent 的具体能力或功能简历上的技能列表
Agent CardJSON 格式的数字名片（.well-known/agent.json），告诉其他 Agent "我是谁、我能做什么"名片

有了 Agent Card，任何框架构建的 Agent 都能通过标准 HTTP 协议发现对方、了解对方的能力、发起协作请求。

8. 关键收获

开发者体验是一等公民

ADK 的整个设计围绕"让开发者写最少的代码"展开：

模型无关性

同一个 ADK 项目可以混用 Claude 和 Gemini，编排 Agent 用 Gemini，子 Agent 用 Claude，根据任务特点选择最合适的模型。

从开发到生产的完整路径

不是只给你一个 SDK 就完事了——ADK + MCP + Agent Engine + A2A 覆盖了从本地开发到生产部署到跨系统互通的全链路。

开放生态

ADK 和 A2A 都是开源的，Agent Engine 支持 LangChain、CrewAI 等多种框架，MCP 是社区标准——不锁定任何特定技术栈。

示例代码 QR 码
图 17：演讲中分享的示例代码和即将举办的 Anthropic + Google Cloud 联合 A2A 线上研讨会

本文基于 Ivan Nardini（Google Cloud AI/ML Developer Advocate）的现场演讲整理，原始来源见 X 推文。
图文整理：AI 辅助

链接已复制