从"对话"到"协作"：AI Agent框架全景解析与ADK实践指南

2013年7月某日，杭州，多云

引言：当AI不再"只动口"

在生成式AI的浪潮中，一个关键转折正在发生：AI正从"只会聊天"的对话机器人，进化为"能动手做事"的智能执行者。这个转变的核心载体，正是AI Agent（智能体）。

本文将从Agent的基本概念出发，系统梳理当前主流Agent开发框架的技术选型，并重点解读Google ADK（Agent Development Kit）的设计理念与实践路径。

一、Agent是什么：从ChatBot到智能执行者

1.1 ChatBot ≠ AI Agent

ChatGPT这类对话机器人，是AI Agent吗？答案是否定的。

普通ChatBot仅能进行对话应答，不具备自主行动能力；而AI Agent能够自主思考、调用外部工具，以闭环方式完整执行任务。两者的本质区别在于：ChatBot回答问题，AI Agent解决问题。

以"查询杭州明日天气"为例：

• ChatBot：根据训练数据或内置知识给出回答，可能不够准确
• AI Agent：自主调用天气API → 获取实时数据 → 解析结果 → 返回精确答案
  

1.2 Agent的核心公式

Agent = LLM（大脑）+ Planning（规划）+ Tool use（执行）+ Memory（记忆）

1.3 ReAct范式：思考-行动-再思考

AI Agent通常遵循ReAct（Reasoning + Acting） 经典思维范式：先想（推理）、再做（行动）、再想（推理）、再做（行动）……循环往复，直至任务完成。

这就像一个认真负责的新员工接到任务时的做事方式——“我先想想该怎么做 → 去查一下资料 → 看看查到了什么 → 再想下一步 → 继续行动……”，而非一拍脑袋就乱做。

二、Agent框架全景对比：低代码 vs 代码级

当前Agent开发工具可分为两大阵营：低代码/可视化平台和代码级开发框架。两者各有优劣，适用场景也截然不同。

2.1 低代码/可视化平台

低代码平台的特点是用拖拽式编排替代手写代码，快速验证想法。典型代表包括：

平台	定位与特点	技术亮点
n8n	开源工作流自动化引擎，500+应用集成，可视化AI Agent编排	TypeScript/Node.js/Vue.js，支持MCP协议，2500+模板
Dify	LLM应用开发平台，“WordPress for LLM Apps”	Python/Next.js，内置RAG管道和Agent编排，500万+下载
Coze（扣子）	字节跳动开源AI Agent可视化IDE，多Agent协作	Go/React，DDD架构，2025年7月开源两天破万星
同花顺自研平台	企业级低代码Agent平台，深度定制化	自主知识产权，内部业务系统无缝集成

低代码平台的优势：

• 🚀 快速落地：原型验证周期从天缩短到小时
• 👥 低门槛协作：业务人员可直接参与，需求到交付零信息损耗
• 🎨 可视化调试：执行链路一目了然，调试效率大幅提升

低代码平台的劣势：

• 🔒 灵活性受限：复杂逻辑编排困难，超出平台能力边界时束手无策
• 🔧 定制化困难：深度定制依赖平台能力，源码不可控
• 🏢 供应商锁定：迁移成本高，技术选型风险大
  

2.2 代码级开发框架

代码级框架则需要开发者以编码方式构建Agent，灵活度最高，但也意味着更高的学习成本和技术门槛。

框架	定位与特点	技术栈	社区活跃度
LangChain	LLM应用开发事实标准	Python/JavaScript	13.1万⭐，月下载2.23亿
LangGraph	有状态Agent图编排引擎，多Agent协作	Python/JavaScript	3.6万⭐，周增587星
Google ADK	多语言Agent框架，Gemini深度集成	Python/Go/Java/TS	全语言2.8万⭐，增速最快
LangChain4j	Java/JVM生态LLM集成框架首选	Java	1.24万⭐
LangGraph4j	纯Java多Agent工作流库	Java	1,779⭐
Spring AI	Spring官方AI框架	Java	9,000⭐

代码框架的优势：

• 🎯 极致灵活：代码级控制，不受平台能力边界限制
• ⚡ 高性能：无可视化抽象层开销，适合高并发低延迟场景
• 🧪 工程化完善：标准单元测试、CI/CD、Git版本管理、Code Review
• 🔓 无供应商锁定：开源自由，源码可审计可修改

代码框架的劣势：

• 📈 学习曲线陡：需要扎实编程能力，上手周期长
• ⏱ 开发周期长：从零搭建完整Agent系统耗时显著高于低代码
• 🔄 版本迭代快：LangChain等框架API Breaking Change频繁，维护成本高

三、Google ADK：多Agent协同编排框架

3.1 ADK的定位

Google ADK（Agent Development Kit）是一个灵活且模块化的框架，用于开发和部署AI Agent。它的核心定位是Agent编排——解决多Agent之间的协同工作问题。

在理解ADK之前，需要先厘清一个分层认知：

• 第一层：单一Agent构建（AI客户端） ——Spring AI、LangChain4j等框架解决的是"如何构建一个能调用LLM、使用工具的独立Agent"
• 第二层：多Agent协同编排 ——Google ADK解决的是"如何让多个Agent按照特定流程协同完成复杂任务"

ADK不直接调用AI API，而是通过上层构建的Agent来完成AI交互。它针对Gemini和Google生态系统进行了优化，但模型无关，可与其他框架兼容。

ADK的设计宗旨是：让Agent开发更像软件开发——使开发人员能够轻松创建、部署和编排从简单任务到复杂工作流的多Agent架构。

3.2 Spring AI vs LangChain4j：一段代码引发的设计哲学思考

在进入ADK之前，有必要先理解Spring AI和LangChain4j在设计哲学上的差异。这两种框架代表了两种截然不同的取舍：

LangChain4j：约定优于配置

// 只需3个参数
OpenAiChatModel model = OpenAiChatModel.builder()
    .baseUrl("https://ark.cn-beijing.volces.com/api/v3/")
    .apiKey("ark-xxx")
    .modelName("doubao-seed-2-0-lite-260215")
    .build();
String chat = model.chat("hi 你好哇！");

Spring AI：配置优于约定

// 需要5个配置项
OpenAiApi openAiApi = OpenAiApi.builder()
    .baseUrl("https://ark.cn-beijing.volces.com")
    .apiKey("ark-xxx")
    .completionsPath("/api/v3/chat/completions")
    .embeddingsPath("/api/v3/embeddings")
    .build();
ChatModel chatModel = OpenAiChatModel.builder()
    .openAiApi(openAiApi)
    .defaultOptions(OpenAiChatOptions.builder()
        .model("doubao-seed-2-0-lite-260215")
        .build())
    .build();
String call = chatModel.call("hi 你是谁");

核心差异：最终URL如何拼接

LangChain4j假设API遵循OpenAI规范，将baseUrl与内置的/chat/completions路径硬编码拼接。3个参数即可调用，但若API端点路径非标准则无法调用。

Spring AI不预设任何路径假设，completionsPath由用户显式配置。5个参数确保100%覆盖所有场景，但标准场景配置更繁琐。

这种差异反映的是两种设计哲学的权衡：LangChain4j选择"约定优于配置"追求简洁，Spring AI选择"配置优于约定"追求灵活。巧合的是，99%的LLM厂商（火山引擎、DeepSeek、Ollama等）都遵循OpenAI路径规范，LangChain4j的硬编码在实际使用中极少成为障碍。

理解了这层差异，就不难理解为什么市面上对"Spring AI是否更好"存在不同看法——它更像是一种有意识的工程取舍，而非谁比谁更先进。

3.3 ADK的核心概念

ADK框架由几个核心概念构成，理解它们就理解了ADK的运作方式：

LlmAgent（智能体）：包装LLM+指令+工具，每个Agent通过output_key将输出写入Session State，供后续Agent引用。

Session State（共享状态）：一个字典结构，Agent之间通过{key}占位符传递数据。这是ADK实现多Agent协作的数据总线。

InMemoryRunner（运行时容器）：管理Session/Event流，支持异步流式输出，是Agent执行的运行时环境。

MCP Tool（模型上下文协议）：通过SyncMcpToolCallbackProvider集成外部工具，让Agent能够调用外部能力。

编排Agent（Workflow Agents）：ADK提供三种内置的编排模式：

1. SequentialAgent（顺序执行）：CodeWriterAgent写代码 → CodeReviewerAgent审查 → CodeRefactorerAgent重构，输出按{generated_code} → {review_comments} → {refactored_code} 流转

2. ParallelAgent（并行执行）：多个Agent同时工作——RenewableEnergyResearcher查可再生能源、EVResearcher查电动汽车技术、CarbonCaptureResearcher查碳捕获方法——并行结果汇聚后由SynthesisAgent整合

3. LoopAgent（迭代循环）：InitialWriterAgent写初稿，LoopAgent（maxIterations=5）内CriticAgent审查、RefinerAgent修改，直到满足条件或到达最大迭代次数

3.4 编排嵌套：ADK真正的威力

ADK真正的强大之处在于编排的任意嵌套与组合能力：

编排能力：Sequential( Parallel(A, B), Loop(C), D )

这条"一句话编排"背后执行的是：先并行执行A和B，再将C循环执行直到条件满足，最后执行D。每一种编排方式都可递归嵌套：Parallel里可以放Sequential，Loop里可以套Parallel……这种递归能力，才是ADK作为编排框架区别于"AI客户端库"的真正分水岭。

相比LangGraph的状态机式编排，ADK的编排更接近声明式工作流——开发者定义"做什么"而非"怎么做"。

四、实践分享：基于ADK的快速搭建

在实际开发中，基于ADK搭建一个完整的Agent系统通常遵循以下路径：

Step 1：定义单一Agent
使用LlmAgent包装LLM、指令和工具，通过output_key定义输出。

Step 2：设计工作流
根据业务需求选择合适的编排模式（Sequential/Parallel/Loop），通过Session State衔接各Agent的数据流转。

Step 3：配置工具集成
通过MCP Tool接入外部API和内部系统，让Agent获得操作外部世界的能力。

Step 4：运行时编排
使用InMemoryRunner执行工作流，处理流式输出和异常情况。

在本次分享的实践案例中（Draw.io画图Agent与热点新闻H5生成Agent），正是利用ADK的编排能力，将复杂任务拆解为多个专业化Agent协同完成，实现了单一Agent难以独立完成的多步骤复杂工作。

五、总结与选型建议

需求场景	推荐方案	核心理由
快速验证想法、原型演示	低代码平台（n8n/Dify/Coze）	小时级原型验证，业务人员可参与
单一Agent开发、标准场景	Spring AI / LangChain4j	工程化成熟，与框架生态深度整合
多Agent协同、复杂工作流	Google ADK	编排能力最强，Session State机制优秀
大规模部署、高并发生产	代码框架 + 自研编排	极致的灵活性和性能控制

在AI Agent开发框架的选择上，没有绝对的"最好"，只有"最合适"。低代码平台适合快速验证，代码框架适合深度定制；Spring AI/LangChain4j适合单Agent构建，ADK适合多Agent协同。 理解各类框架的定位差异，根据自身团队能力、业务复杂度、长远规划做出选择，才是务实的决策逻辑。

---