搭建一个多 Agent 系统，听起来就挺复杂的。你需要考虑各个 Agent 的职责划分、它们之间的协作流程、状态管理，还有工具调用等等。很多时候，我们大部分精力都耗费在了这些“管道工程”上，而不是真正核心的业务逻辑设计。
Google 的 ADK (Agent Development Kit) Visual Agent Builder 就是为了解决这个问题而生的。它提供了一个可视化的画布，让你能像画流程图一样设计和编排多个 Agent，甚至可以直接用自然语言描述你的意图，让 AI 帮你生成整个工作流。
这篇文章，我会带你上手这个工具，通过一个具体的例子——构建一个旅行规划 Agent——来展示它的实际威力。你将学到：
- 如何启动可视化构建器并连接不同的 Agent。
- 怎样用一句自然语言指令，自动生成子 Agent 和所需工具。
- 如何利用内置的搜索、评分和追踪功能。
- 如何测试和调试你的 Agent 工作流。
最终，我们会得到一个能根据你的目的地、日期和预算，并行研究航班、住宿和活动，并最终提供一到两个清晰行程方案的智能助手。
什么是 ADK Visual Agent Builder？
简单来说，Google ADK Visual Agent Builder 是一个由 Gemini 驱动、用于设计多 Agent 工作流的可视化画布。你跟 AI 助手描述你的想法，它就能帮你生成一个完整的 Agent 架构，并把它渲染在画布上，然后你马上就能在聊天界面里测试它。
它有几个核心组件：
- LLM Agents: 画布上的每个节点都是一个 Agent，你可以为它指定一个模型（比如推理能力强的 Gemini 1.5 Pro 或速度快的 Gemini 1.5 Flash）和一段 Prompt，还可以挂载一些工具。
- 编排 Agents (Orchestration agents): 这类特殊的节点，比如循环（Loop）、并行（Parallel）或顺序（Sequential），负责协调子 Agent 的执行顺序。
- 工具 (Tools): 内置了像
google_search这样的实用工具，也支持自定义函数工具。Agent 可以通过这些工俱与外部世界交互，获取信息。 - 回调与追踪 (Callbacks and Trace): 这是一个非常实用的功能。你可以实时看到哪个 Agent 正在运行，它的输入和输出是什么，方便你一步步调试 Agent 的推理过程和工具调用。
ADK 把模型调用、工具集成和状态传递这些麻烦事都处理好了，让你可以专注于 Agent 的行为设计。
实战：构建一个旅行规划 Agent
接下来，我们动手搭一个旅行规划 Agent。它的工作流程是这样的：一个主 Agent 接收用户需求，然后一个并行 Agent 同时启动三个子 Agent 分别负责研究航班、住宿和活动，最后再由主 Agent 汇总所有信息，整理出最终的旅行方案。
第一步：环境准备
首先，我们需要安装 ADK 的命令行工具，它用来启动本地的 Web UI。
pip install --upgrade google-adk
adk --version
执行后，如果能看到类似 adk, version 1.18.0 的输出，就说明安装成功了。--upgrade 参数能确保你用的是最新版本。
接着是配置 API Key。你需要去 Google AI Studio 创建一个 API Key，并确保你的 Google Cloud 项目已经启用了结算。拿到 Key 之后，在终端里把它设置为环境变量。
# macOS/Linux
export GOOGLE_API_KEY=YOUR_API_KEY
# Windows (PowerShell)
setx GOOGLE_API_KEY "YOUR_KEY"
设置完后最好重启一下终端，让环境变量生效。
第二步：启动可视化构建器
万事具备，现在可以启动我们的可视化界面了。在终端里运行：
adk web
这个命令会启动一个本地开发服务器，默认地址是 http://127.0.0.1:8000。在浏览器里打开它。
点击 + 号创建一个新的 Agent，给它取个名字，比如 Travel_Agent。然后你就会看到一个三栏布局的界面：左边是配置区，中间是画布区，右边是助手/聊天区。
第三步：用自然语言“画”出 Agent 蓝图
最神奇的部分来了。我们不需要手动去拖拽节点，而是直接在右侧的聊天框里，用一段自然语言向 Gemini 描述我们想要的 Agent。
我输入了下面这段 Prompt：
Create a Travel Ops planner agent. Given user input (ordered cities, dates, budget, must/avoid prefs), run three workers in parallel—Flights, Stays, Activities—(use google_search where helpful).
Recommend up to 2 options. Prioritize stated preferences; if options are close, prefer lower cost and less total travel time.
Clearly explain the trade-offs. If options are nearly identical, return one best option and say why.
For each option, return text-only bullets: Cost (USD), Total travel time (h), Preference-fit (0–1), Pros/Cons (cost, time, experience), and a brief day-by-day (give the full day-by-day only for the recommended option).
Defaults: prices in USD, time in hours, max 2 options. Ask at most 2 clarifying questions; if data is thin, return a degraded single option with a warning.
Avoid fake booking links; provide sensible estimates and caveats.
说实话，ADK 对任务的理解和拆解能力让我有点惊讶。Gemini 处理完这段指令后，它会自动帮你生成对应的子 Agent 和工具，并将它们在画布上连接起来。
这是它根据我的 Prompt 生成的完整工作流：
所有 Agent 的指令、描述和工具都自动配置好了。
点击保存，我们的 Agent 就准备就绪了。
第四步：测试与深入“Trace”
现在，我们可以在聊天界面里跟这个 Agent 互动了。我试着问了它一个问题：
I want to travel from New York to Dubai for New Year’s for a week long vacation. Help me plan my trip within a budget of $1000
Agent 的回复相当不错：
- 它给出了清晰的纯文本方案，包含了航班选项、大致的旅行时间和旺季的价格范围。
- 它很聪明地指出了预算的挑战（新年是旅游高峰期），并给出了务实的建议，比如通过在多哈或伊斯坦布尔转机来节省开销。
- 住宿和活动的建议也符合我的目标（放松休息），而不是随便推荐一些大众景点。
- 当预算不现实时，它会明确指出限制，并建议调整日期、提高预算或者接受中转。
更有价值的是右侧的 Trace 视图。在这里，你可以清晰地看到整个工作流的执行过程：
- 根节点
travel_ops_planner接收到我的消息，然后把控制权交给协调器。 travel_coordinator(一个并行 Agent) 同时调用flights_agent,stays_agent,activities_agent这三个子 Agent。- 每个子 Agent 调用 LLM (
call_llm)，并在需要时执行google_search工具 (execute_tool)，然后返回结构化的信息片段。 - 最后，协调器整合所有子 Agent 的输出，格式化成最终的答案。
每个节点的蓝色条都显示了该步骤的延迟，你还可以点开 Event 查看具体的 Prompt、工具参数和模型版本。这让整个 Agent 的的思考过程变得透明且可控。
一个重要的提醒：当魔法失灵时
虽然第一次的体验很惊艳，但它并非完美。在我尝试第二个 Prompt 时，系统开始反复报错。通过查看终端日志，我发现问题出在 Gemini 生成的工具代码里（一个格式化字符串的键不匹配）。
我尝试把错误堆栈粘贴回给 Gemini，让它修复代码，但它似乎没法可靠地覆盖已生成的 Python 文件。
这让我得出了一个关键结论：ADK 的可视化构建器在编排和 Prompt 设计上非常出色，但当它自动生成代码时，你得做好心理准备——可能需要自己打开文件手动修复一些小 bug，而不是指望在聊天界面里就能完美解决所有问题。
总结与思考
Google ADK Visual Agent Builder 确实是一个能让你快速将想法变成可运行的多 Agent 系统的工具。通过这个旅行规划的例子，我们看到它如何将复杂的任务拆解、并行处理，并且整个过程都在一个可视化的界面里清晰呈现。
它的主要优点是迭代速度快、工作流透明、内置工具方便。主要的缺点是自动生成的代码可能不够健壮，需要开发者介入调试。
这再我看来，是一个非常积极的信号。它把开发者的重心从编写繁琐的“胶水代码”转移到了设计 Agent 的行为和交互逻辑上。它更像一个可以实际运行的“白板”，让你能快速验证和迭代你的 Agent 架构。
如果你对 AI Agent 开发感兴趣，这绝对是一个值得尝试的工具。
关于
关注我获取更多资讯
