标准回答
定义
ADK（Agent Development Kit）是 Google 于 2025 年开源的 Agent 开发框架，目标是把"写一个生产级 Agent"工程化，提供 Python 与 Java 两套 SDK。它强调两个"无关"：模型无关（默认对 Gemini 优化，但通过统一接口也能接其它模型）和部署无关（本地、容器、Cloud Run 或 Vertex AI Agent Engine 都能跑）。
编排模型（核心特色）
ADK 把 Agent 分两大类组合使用：
- LlmAgent：靠大模型推理来动态决策——该调哪个工具、要不要转交别的 Agent、何时结束，行为是非确定性的、灵活的。
- Workflow agents：用代码定义确定性的控制流，包含 Sequential（顺序）、Parallel（并行）、Loop（循环）三种。它们本身不靠 LLM 决策，而是稳定地编排子 Agent 的执行顺序。
两者可以分层嵌套，组成可预测又有智能的多 Agent 系统：用 Workflow 保证流程骨架稳定，用 LlmAgent 在节点上做灵活判断。
配套能力
- 工具生态：内置工具、可把 Python 函数直接当工具、支持 OpenAPI 规范、能把第三方库（如 LangChain/CrewAI 的工具）和"别的 Agent"也当成工具调用。
- 会话与状态：Session、Memory、State 管理对话历史与跨轮上下文。
- 评估：内置 evaluation，能对 Agent 的最终结果和执行轨迹（调了哪些工具）做系统化测试。
- 生态集成：与 A2A 协议互通实现跨框架 Agent 协作，与 Gemini / Vertex AI 及 Agent Engine 部署无缝衔接。
- LangGraph：以图（节点+边+状态）为核心，最底层、最灵活，适合需要精细控制流转与回环的复杂场景，但上手成本高。
- CrewAI：以"角色扮演 + 协作团队"为抽象，高层、易上手，快速搭多 Agent 协作，但精细控制偏弱。
- ADK：处在两者之间——既有 Workflow agents 提供的确定性编排骨架，又有 LlmAgent 的灵活智能，外加 Google 云与 A2A 的生态加持，适合想要工程化、可评估、可上云的团队。
常见误区
⚠️ 常见踩坑
别误以为 ADK 只能配 Gemini 或必须绑死 Google Cloud——它设计上模型无关、部署无关，可接其它模型、也能本地或自有环境部署；Gemini/Vertex 只是"一等公民"而非唯一选项。
追问
追问 1：ADK 里 LlmAgent 和 Workflow agents 的区别是什么？什么时候用哪个？
区别在"谁来决定下一步"。
LlmAgent 把控制权交给大模型：每一步由模型根据上下文推理决定调哪个工具、是否转交、何时收尾，行为非确定。适合开放式、需要灵活判断的任务，比如客服对话、研究助手。
Workflow agents（Sequential/Parallel/Loop）把控制流写死在代码里，不靠 LLM 做流程决策，执行可预测、可复现。适合流程明确的场景：先抽取再校验再汇总（Sequential）、多路并发取数据（Parallel）、反复迭代直到满足条件（Loop）。
实践中常组合：外层用 Workflow 锁定主干流程的稳定性，主干的某个节点放一个 LlmAgent 去做需要"动脑"的部分。这样兼顾可控与智能。
追问 2：ADK 怎么把"别的 Agent"当成工具或子 Agent 来用？这和 A2A 是一回事吗？
ADK 内部支持两种复用方式：一是 sub-agent / agent transfer，父 Agent 可以把任务转交给同一应用内定义的子 Agent；二是把一个 Agent 包装成 AgentTool，让另一个 Agent 像调工具一样调用它。这些都发生在同一框架、同一进程的内部编排层面。
而 A2A 解决的是跨框架、跨厂商、跨网络的 Agent 协作——通过 AgentCard 发现、用 HTTP/JSON-RPC 通信，对方可能根本不是 ADK 写的。
所以不是一回事：ADK 内部编排是"自己人协作"，A2A 是"和外部 Agent 握手协作"。ADK 提供了对 A2A 的支持，让你既能在内部分层编排，又能对外用 A2A 接入别人的 Agent。
追问 3：相比 LangGraph，团队为什么可能选 ADK？反过来呢？
选 ADK 的理由：想要更快进入"能跑、能评、能上云"的工程闭环——它自带会话/记忆/状态、内置评估、Sequential/Parallel/Loop 的现成编排原语，以及和 Vertex AI / Agent Engine 部署、A2A 协作的生态整合。对已经在 Google Cloud 或重视开箱即用工程能力的团队友好。
选 LangGraph 的理由：需要对状态机和控制流做极细粒度的掌控（复杂回环、条件分支、人工介入断点、自定义持久化），LangGraph 的图抽象更底层、更灵活，生态与社区也更成熟，不绑定特定云。
一句话：要"可控的灵活底盘"偏 LangGraph，要"工程化的成套件 + Google 生态"偏 ADK。
🔗 相似问题
同一考点的不同问法，面试官可能换着问，一起刷更稳
没找到想看的面试题？把你想看的告诉我们 →
延伸学习
按主题分类的相关资源，便于系统复习