Google ADK 智能体开发体系全解析

在 AI 从“能对话”向“能做事”跃迁的时代，智能体（Agent）已成为连接大模型与实际业务的核心载体。而 Google 推出的 Agent Development Kit（ADK），以轻量模块化、低代码门槛的优势，为开发者搭建智能体系统提供了高效路径。本文将从价值本质、开发意义、框架选型、入门实操、模式场景到实战串联，完整拆解 Google ADK 智能体开发全体系。

一、为什么需要智能体？从“被动响应”到“主动做事”

传统 AI 工具多为“单次交互型”，如同高级计算器——需用户明确指令，仅能完成单一任务，无法应对复杂、连续的业务场景。而智能体的核心价值，在于实现了从“被动回答”到“主动执行”的能力跃迁，其必要性源于三大核心需求：

复杂任务的自主闭环能力：智能体具备目标理解、规划决策、工具调用、反馈修正的全链路能力，可独立完成多步骤任务。例如从“整理市场报告”到“分析数据→生成初稿→优化润色”，无需人工逐环节介入，解决传统 AI 碎片化交互的痛点。
多工具与多模型的协同需求：实际业务中需联动搜索、数据库、办公软件等多种工具，且不同任务适配不同模型（如创意生成用低成本模型，逻辑推理用高精度模型），智能体可作为中枢，实现工具与模型的无缝协同，打破技术孤岛。
业务流程的智能化升级：智能体可替代重复人工劳动，如自动化客服、智能办公助理、业务数据分析等，将人类从繁琐操作中解放，聚焦高价值决策，推动产业从“信息化”向“智能化”迭代。

简言之，智能体让 AI 真正融入业务流程，成为具备自主行动能力的“数字员工”，而非单纯的信息查询工具。

二、智能体开发对我们为什么重要？核心竞争力的必然选择

掌握智能体开发，对开发者和企业而言均是时代红利下的核心诉求，其重要性体现在两个维度：

1. 对开发者：能力跃迁与职业扩容

大模型应用开发已从“Prompt 工程”进阶到“智能体系统搭建”，掌握智能体开发意味着从“调用模型”升级为“设计智能系统”，能力边界大幅拓展。同时，智能体开发涵盖模型适配、流程编排、工具集成、工程化部署等全栈技能，是未来 AI 开发者的核心竞争力，可适配企业服务、内容创作、决策支持等多领域岗位需求。

2. 对企业：降本增效与业务创新

通过智能体开发，企业可快速构建贴合业务的自动化系统，如智能客服替代人工应答、智能分析助手自动生成业务报告，大幅降低人力成本。更重要的是，智能体可实现传统系统难以企及的灵活协作模式，如多智能体协同完成产品调研、跨部门业务对接，推动业务模式创新，构建差异化竞争优势。

三、为什么选择 ADK？在众多框架中脱颖而出的核心优势

当前智能体开发框架层出不穷（如 LangChain、CrewAI、Autogen），而 Google ADK 凭借独特的设计理念和生态优势，成为开发者的优选，核心原因在于四大维度的平衡与突破：

模型与生态的双重灵活：ADK 既支持与 Google Cloud Platform（GCP）、Vertex AI 深度集成，享受谷歌原生基础设施的优化；又通过 LiteLLM 适配器实现模型无关性，一套代码可无缝切换 Gemini、GPT、DeepSeek、Claude 等 100 余种主流模型，彻底摆脱供应商锁定，兼顾生态适配与模型多样性。
低代码门槛与工程化友好：采用面向对象编程（OOP）范式，对 Python 开发者极度直观；支持“函数即工具”，普通 Python 函数仅需完善注释即可作为智能体工具，无需复杂配置；声明式编程模式让开发者聚焦“智能体是谁、能做什么”，底层推理逻辑由框架自动处理，大幅降低开发成本。
结构化编排能力完备：内置 SequentialAgent、ParallelAgent、LoopAgent 等专用工作流容器，覆盖线性、并行、循环等多场景编排需求，无需额外封装即可构建复杂多智能体系统，相比其他框架更侧重“开箱即用”的实战体验。
部署与可视化支持完善：提供原生开发者 UI 和 Web UI 用于调试与智能体可视化，支持通过 Streamlit、Gradio 快速构建自定义前端；可通过 ADK API Server 将智能体逻辑封装为标准 HTTP 接口，轻松实现前后端分离部署，适配生产环境需求。

相较于 LangChain 的高灵活性但复杂度高、CrewAI 专注协作但生态薄弱的特点，ADK 更适合追求“开发效率、工程化落地、生态适配”三者平衡的开发者。

四、ADK 如何入门？从环境搭建到首个智能体

ADK 入门遵循“环境准备→核心依赖→案例实操”的路径，全程低代码，新手可快速上手，具体步骤如下：

1. 环境准备：构建独立开发环境

推荐使用 Conda 管理虚拟环境，避免依赖冲突，确保开发稳定性：

复制

# 创建并激活 ADK 专属环境 conda create --name adk pythnotallow=3.10 # 适配 ADK 的 Python 版本 conda activate adk # 激活环境1.2.3.

2. 安装核心依赖：ADK 与模型适配器

安装指定版本的 ADK 和 LiteLLM，确保兼容性，同时验证安装结果：

复制

# 安装 ADK 核心库并验证版本 pip install google-adk==1.21.0 pip show google-adk # 确认版本为 1.21.0 # 安装 LiteLLM 模型适配器 pip install LiteLlm==1.80.10 # 创建第一个 ADK 项目 adk create bs_01_first_agent1.2.3.4.5.6.7.8.9.

3. 配置环境变量：模型 API 密钥

若使用 DeepSeek、OpenAI 等需 API Key 的模型，在项目根目录创建 .env 文件，按规范配置密钥（LiteLLM 会自动读取）：

复制

DEEPSEEK_API_KEY=sk-aec0ed22XXXXb6eb5ffd89ff # DeepSeek 密钥 OPENAI_API_KEY=sk-SV1Gms4m5ZDXXXXXXXXXXYFQzXXX # OpenAI 密钥1.2.

4. 实操案例：构建“天气与时间”智能体

通过“模型+指令+工具”三要素构建首个智能体，实现城市天气与时间查询功能，核心代码如下：

复制

import datetime from zoneinfo import ZoneInfo from google.adk.agents import Agent from google.adk.models.lite_llm import LiteLlm # 定义工具函数：查询天气 def get_weather(city: str) -> dict: """查询指定城市的当前天气报告。""" if city.lower() in ["beijing", "北京"]: return {"status": "success", "report": "北京今天天气晴朗，温度25摄氏度。"} else: return {"status": "error", "error_message": f"抱歉，无'{city}'天气信息。"} # 定义工具函数：获取时间 def get_current_time(city: str) -> dict: """获取指定城市的当前时间。""" if city.lower() in ["beijing", "北京"]: tz = ZoneInfo("Asia/Shanghai") now = datetime.datetime.now(tz) return {"status": "success", "report": f"北京当前时间：{now.strftime('%Y年%m月%d日 %H:%M:%S')}"} else: return {"status": "error", "error_message": f"无'{city}'时区信息。"} # 初始化智能体：绑定模型、指令与工具 root_agent = Agent( name="weather_time_agent", model=LiteLlm(model="deepseek/deepseek-chat"), # 连接 DeepSeek 模型 descriptinotallow="回答城市时间和天气问题的智能助手", instructinotallow="使用中文友好回复用户关于城市时间和天气的问题", tools=[get_weather, get_current_time] # 绑定工具函数 ) # 运行智能体 adk run bs_01_first_agent1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.21.22.23.24.25.26.27.28.29.30.31.32.33.34.

运行后，智能体可自动识别用户问题（如“北京现在天气怎么样？”），触发对应工具函数，返回结构化结果并整理为自然语言回复，完成从代码到可用智能体的闭环。

五、ADK 核心 Agent 模式：场景适配与应用边界

ADK 提供五种核心 Agent 模式，分别对应不同业务场景，开发者可根据任务复杂度与流程特性选择适配模式，实现精准落地：

1. 单一智能体（Agent）：简单任务的快速落地

核心逻辑：通过“模型+指令+工具”三要素构建独立智能体，无复杂编排，框架自动处理工具调用与结果整理。

适用场景：单一维度、低复杂度任务，如天气查询、时间获取、简单数据统计、FAQ 问答等。

优势：开发速度快、代码简洁，无需关注编排逻辑，适合快速原型验证。

前端后端英文(Google ADK 智能体开发体系全解析)

2. 多智能体协同（AgentTool）：复杂任务的分工协作

核心逻辑：将子智能体封装为“工具”，由根智能体作为“协调员”，根据任务需求动态调用子智能体，实现职责分离。

适用场景：多维度协同任务，如内容创作（头脑风暴→素材整理→润色）、业务调研（数据采集→分析→总结）、客户服务（咨询应答→问题分类→工单生成）等。

优势：类似微服务架构，降低单一 Prompt 复杂度；支持模型差异化配置（如创意子智能体用低成本模型，总结子智能体用高精度模型），平衡效果与成本。

3. 确定性工作流（SequentialAgent）：固定流程的自动化

核心逻辑：线性编排子智能体，按预设顺序依次执行，前序智能体结果自动传入后序智能体，无需根智能体决策下一步。

适用场景：流程固定、无分支的任务，如报告生成（大纲→初稿→编辑→排版）、代码开发（需求解析→架构设计→编码→测试）、公文撰写等。

优势：流程稳定性高，无额外决策 Token 消耗；数据通过会话状态自动传递，实现“接力棒”式流转，减少手动干预。

4. 并行协作（ParallelAgent）：多维度分析的效率提升

核心逻辑：多个子智能体同时执行任务，各智能体独立输出结果，最终通过聚合智能体汇总分析，实现“扇出/扇入”架构。

适用场景：多视角独立分析任务，如投资评估（经济→文化→环境→竞争对手分析）、产品调研（需求→技术→市场分析）、风险审计（合规→安全→成本分析）等。

优势：大幅缩短任务耗时（并行执行时间取决于最慢子智能体）；确保各视角独立性，避免观点干扰。

5. 循环迭代（LoopAgent）：需要持续优化的任务

核心逻辑：按顺序循环执行子智能体（如“执行者→评论家”），直到满足退出条件（最大迭代次数、触发退出函数），实现结果持续优化。

适用场景：需反复打磨的任务，如内容润色（初稿→评价→修改）、方案优化（草案→风控审核→调整）、代码重构（编写→检测→优化）等。

优势：具备自愈与优化能力，通过反馈闭环逼近最优结果；支持设置“护栏”（最大迭代次数），避免无限消耗 Token。

六、实战串联：Idea Factory 项目整合 ADK 全知识点

Idea Factory（创意工厂）是基于 ADK 构建的端到端复合智能体系统，可实现从用户创意输入到业务逻辑可视化的全流程自动化。该项目整合了前文所有知识点，完美诠释 ADK 多模式编排与工程化落地能力。以下结合核心代码（`agent.py` 后端逻辑、`app.py` 前端交互），拆解其实现逻辑与知识点映射。

可以先看看效果，如下图所示，可以通过三个步骤引入三个专家，产生 MVP 功能清单和业务流程图。

1. 项目核心代码解析：后端与前端协同设计

项目采用前后端分离架构，后端通过 ADK 封装智能体编排逻辑，前端通过 Streamlit 提供交互界面，二者通过 ADK API Server 通信，形成完整闭环。

1.1 后端逻辑（agent.py）：ADK 多模式编排核心

后端核心是通过 ADK 组合 ParallelAgent、SequentialAgent 实现“并行分析→串行汇总→动态适配”流程，以下提炼关键代码片段，拆解核心逻辑与知识点映射：

核心片段1：模型配置与环境变量（复用模型适配知识点）

通过 LiteLLM 配置模型，从环境变量读取密钥，兼顾安全性与模型无关性，是 ADK 连接外部模型的标准方式。

复制

import os from dotenv import load_dotenv from google.adk.models.lite_llm import LiteLlm load_dotenv() # 加载.env文件，对应前文“环境变量配置”知识点 # 模型配置：通过LiteLLM连接DeepSeek，支持无缝切换其他模型 model_config = LiteLlm( model="deepseek/deepseek-chat",  api_key=os.getenv("DEEPSEEK_API_KEY") # 安全读取密钥 )1.2.3.4.5.6.7.8.9.10.

核心片段2：并行分析容器（串联ParallelAgent知识点）

创建多专家智能体，通过 ParallelAgent 实现并行执行，大幅缩短多维度分析耗时，结果通过 output_key 存入会话状态。

复制

from google.adk.agents import Agent, ParallelAgent # 需求专家：聚焦用户痛点分析，结果标识为user_analysis user_expert = Agent( name="UserExpert", model=model_config, instructinotallow="分析产品创意的目标用户、核心痛点、需求优先级（Markdown列表）", output_key="user_analysis" # 定义输出标识，供后续智能体引用 ) # 技术专家、市场专家（逻辑同上，略去重复代码） tech_expert = Agent(name="TechExpert", model=model_config, instructinotallow="...", output_key="tech_analysis") market_expert = Agent(name="MarketExpert", model=model_config, instructinotallow="...", output_key="market_analysis") # 并行容器：同时启动选中的专家智能体，实现“扇出”分析 parallel_analysis = ParallelAgent( name="ParallelAnalysis", sub_agents=[user_expert, tech_expert, market_expert] # 并行执行的子智能体列表 )1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.

核心片段3：串行汇总与动态路由（串联SequentialAgent+动态编排）

通过 SequentialAgent 按顺序执行汇总、风控（可选）、建模流程，通过条件判断插入风控智能体，实现流程柔性适配。

复制

from google.adk.agents import SequentialAgent # 功能提炼：汇总并行结果生成MVP清单，引用前文output_key数据 feature_agent = Agent( name="FeatureManager", model=model_config, instructinotallow="基于{user_analysis}、{tech_analysis}、{market_analysis}生成MVP功能清单（Markdown表格）", output_key="feature_list" ) # 逻辑建模：将功能清单转化为Mermaid流程图 logic_agent = Agent( name="LogicDesigner", model=model_config, instructinotallow="基于{feature_list}生成Mermaid graph TD流程图（纯文本代码）", output_key="mermaid_code" ) # 串行流程构建：按顺序执行并行分析、功能提炼、逻辑建模 sub_agents = [parallel_analysis, feature_agent, logic_agent] # 动态路由：启用风控模式时插入风险评估智能体 if detailed_mode: risk_agent = Agent(name="RiskAgent", model=model_config, instructinotallow="...", output_key="risk_analysis") sub_agents.insert(2, risk_agent) # 插入串行流程指定位置 # 根容器：串联所有子流程，形成完整系统 root_system = SequentialAgent(name="ProductAnalystSystem", sub_agents=sub_agents)1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.21.22.23.24.25.26.27.28.

后端核心知识点总结：

状态管理：通过 output_key 定义输出标识，后续智能体用模板语法直接引用，实现会话状态自动传递。
复合编排：嵌套 ParallelAgent（并行扇出）与 SequentialAgent（串行收敛），兼顾分析效率与流程完整性。
动态适配：通过 detailed_mode 条件判断插入智能体，实现流程柔性调整，满足不同场景需求。

后端代码聚焦智能体系统构建，整合了 ParallelAgent、SequentialAgent、动态路由等核心知识点，实现“并行分析→串行汇总→条件适配”的复合流程。核心代码及解析如下：

复制

import os from dotenv import load_dotenv from google.adk.agents import Agent, ParallelAgent, SequentialAgent from google.adk.models.lite_llm import LiteLlm load_dotenv() # 加载.env文件中的API密钥，对应前文“环境变量配置”知识点 def create_product_analyst(selected_agents=None, detailed_mode=False): """创建产品分析系统，支持动态选择专家与风控模式""" if selected_agents is None: selected_agents = ["UserExpert", "TechExpert", "MarketExpert"] # 模型配置：复用“模型无关性”知识点，通过LiteLLM连接DeepSeek model_config = LiteLlm( model="deepseek/deepseek-chat",  api_key=os.getenv("DEEPSEEK_API_KEY") # 从环境变量读取密钥，安全便捷 ) # --- 并行阶段：多专家同时分析（串联ParallelAgent知识点）--- # 需求专家：聚焦用户痛点，输出结果存入user_analysis（output_key状态管理） user_expert = Agent( name="UserExpert", model=model_config, instructinotallow="""你是一名产品经理。请分析用户提出的产品创意的用户痛点。 请用 Markdown 列表格式输出，包括： 1. 目标用户群体 2. 核心痛点分析 3. 用户需求优先级""", output_key="user_analysis" # 定义输出标识，供后续智能体引用 ) # 技术专家：评估技术可行性，输出结果存入tech_analysis tech_expert = Agent( name="TechExpert", model=model_config, instructinotallow="""你是一名CTO。请为用户提出的产品创意提供技术架构建议。 请用 Markdown 格式输出，包括： 1. 技术选型建议 2. 系统架构设计 3. 技术难点分析 4. 开发成本估算""", output_key="tech_analysis" ) # 市场专家：分析商业模式，输出结果存入market_analysis market_expert = Agent( name="MarketExpert", model=model_config, instructinotallow="""你是一名商业分析师。请分析用户提出的产品创意的商业模式。 请用 Markdown 格式输出，包括： 1. 目标市场分析 2. 竞品分析 3. 盈利模式建议 4. 市场推广策略""", output_key="market_analysis" ) # 过滤激活的专家智能体，支持动态选择 all_agents = {"UserExpert": user_expert, "TechExpert": tech_expert, "MarketExpert": market_expert} active_agents = [all_agents[name] for name in selected_agents if name in all_agents] # 并行容器：同时启动选中的专家，大幅缩短分析耗时 parallel_analysis = ParallelAgent( name="ParallelAnalysis", sub_agents=active_agents ) # --- 串行阶段：汇总与建模（串联SequentialAgent知识点）--- # 功能提炼：汇总并行分析结果，生成MVP功能清单 feature_agent = Agent( name="FeatureManager", model=model_config, instructinotallow="""基于以下分析报告： 用户分析：{user_analysis} 技术建议：{tech_analysis} 市场分析：{market_analysis} 请整理出该产品的 MVP 功能列表，用 Markdown 表格格式输出。 表格应包含：功能名称、优先级、实现难度、预期效果。""", output_key="feature_list" # 结果供后续流程图生成使用 ) # 逻辑建模：将功能清单转化为Mermaid流程图 logic_agent = Agent( name="LogicDesigner", model=model_config, instructinotallow="""请根据以下功能列表：{feature_list} 生成一个 Mermaid graph TD 格式的业务逻辑流程图。 要求： 1. 不要包含 ```mermaid 标签，直接输出纯文本代码 2. 流程清晰完整，包含主要业务节点和流转关系 3. 语法有效，不使用JSON格式""", output_key="mermaid_code" ) # 构建核心流程：串行执行并行分析、功能提炼、逻辑建模 sub_agents = [parallel_analysis, feature_agent, logic_agent]  # 动态路由：启用风控模式时插入风险评估智能体（串联动态编排知识点） if detailed_mode: risk_agent = Agent( name="RiskAgent", model=model_config, instructinotallow="""基于用户分析、技术建议、市场分析和功能列表， 进行全面产品风险评估，用 Markdown 格式输出： 1. 技术风险 2. 市场风险 3. 运营风险 4. 法律风险 5. 缓解建议""", output_key="risk_analysis" ) sub_agents.insert(2, risk_agent) # 插入串行流程的指定位置 # 根容器：串联所有子流程，形成完整系统 root_system = SequentialAgent( name="ProductAnalystSystem", sub_agents=sub_agents # 按列表顺序执行，无需额外决策逻辑 ) return root_system # 给ADK API Server提供入口，供前端调用 root_agent = create_product_analyst()1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.21.22.23.24.25.26.27.28.29.30.31.32.33.34.35.36.37.38.39.40.41.42.43.44.45.46.47.48.49.50.51.52.53.54.55.56.57.58.59.60.61.62.63.64.65.66.67.68.69.70.71.72.73.74.75.76.77.78.79.80.81.82.83.84.85.86.87.88.89.90.91.92.93.94.95.96.97.98.99.100.101.102.103.104.105.106.107.108.109.110.111.112.113.114.115.116.117.118.119.

后端代码核心知识点映射：

状态管理：通过 `output_key` 定义各智能体输出标识，后续智能体用模板语法（如 `{user_analysis}`）直接引用，实现会话状态自动传递。
复合编排：嵌套 ParallelAgent（并行分析）与 SequentialAgent（串行汇总），构建“扇出/扇入”架构，兼顾效率与流程完整性。
动态适配：通过 `detailed_mode` 条件判断插入 RiskAgent，实现流程柔性调整，呼应前文“动态路由”技巧。

1.2 前端交互（app.py）：Streamlit 可视化与 API 调用

前端核心是通过 Streamlit 构建交互界面，调用 ADK API Server 与后端联动，以下提炼核心代码片段，拆解交互逻辑：

核心片段1：会话创建与API调用（串联ADK API部署知识点）

生成唯一会话ID，向后端注入初始参数（创意、专家、风控模式），调用 ADK 接口触发智能体执行，实现前后端联动。

复制

import streamlit as st import requests import time # 前端参数获取（侧边栏输入，略去UI渲染冗余代码） idea = st.text_area("输入产品创意") selected_agents = st.multiselect("选择专家") detailed_mode = st.checkbox("启用风控") if st.button("开始分析") and idea: # 专家名称映射（前端中文→后端英文标识） expert_mapping = {"需求专家": "UserExpert", "技术专家": "TechExpert", "市场专家": "MarketExpert"} backend_agents = [expert_mapping[name] for name in selected_agents]  # 生成唯一会话ID，确保多用户并发隔离 session_id = f"s_{int(time.time())}" BASE_URL = "http://127.0.0.1:8000" # ADK API Server地址 app_name = "ad_03_product_adk" # 后端项目名 # 1. 创建会话：注入初始状态 session_payload = {"state": {"input_query": idea, "selected_agents": backend_agents, "detailed_mode": detailed_mode}} requests.post(f"{BASE_URL}/apps/{app_name}/users/teacher_cui/sessions/{session_id}", jsnotallow=session_payload)  # 2. 触发智能体执行：调用ADK /run接口 run_payload = { "sessionId": session_id, "appName": app_name, "userId": "teacher_cui", "newMessage": {"role": "user", "parts": [{"text": idea}]} } response = requests.post(f"{BASE_URL}/run", jsnotallow=run_payload, timeout=180)1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.21.22.23.24.25.26.27.28.29.

核心片段2：结果解析与可视化（串联ADK可视化知识点）

解析后端返回的状态数据，清洁 Mermaid 代码并渲染流程图，通过折叠面板展示详细报告，优化用户体验。

复制

# 解析后端返回数据，合并增量结果 final_state = {} for event in response.json(): state_delta = event.get("actions", {}).get("stateDelta", {}) if state_delta: final_state.update(state_delta) # 展示MVP功能清单 st.subheader(" MVP 功能清单") st.markdown(final_state.get("feature_list", "未生成功能清单")) # 渲染Mermaid业务逻辑图（核心可视化环节） m_code = final_state.get("mermaid_code", "") if m_code: cleaned_m_code = m_code.replace("```mermaid", "").replace("```", "").strip() if "graph " not in cleaned_m_code: cleaned_m_code = "graph TD\n" + cleaned_m_code # 嵌入HTML渲染流程图，适配Streamlit展示 html_content = f""" [xss_clean][xss_clean] {cleaned_m_code}
 [xss_clean]mermaid.initialize({{startOnLoad:true}});[xss_clean] """ st.components.v1.html(html_content, height=800) # 折叠面板展示详细报告（略去冗余UI代码） with st.expander(" 查看详细分析报告"): tabs = ["用户报告", "技术方案", "市场分析"] if detailed_mode: tabs.append("风控分析") # 标签页渲染对应报告内容1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.21.22.23.24.25.26.27.28.29.30.

前端核心知识点总结：

会话隔离：通过时间戳生成唯一 session_id，避免多用户并发时状态干扰，契合 ADK Session 特性。
API 联动：调用 ADK API Server 的 /sessions（创建会话）和/run（触发执行）接口，实现前后端数据交互。
可视化适配：清洁 Mermaid 代码并通过 HTML 渲染，实现“智能体生成代码→前端可视化”闭环，复用 ADK 可视化能力。

前端代码负责用户交互、后端 API 调用与结果可视化，将 ADK 智能体系统封装为易用界面，核心代码及解析如下：

复制

import streamlit as st import requests import time st.set_page_config(page_title="ADK 专家系统", layout="wide") st.title(" 产品分析专家 - API 模式") # 侧边栏：用户输入与参数配置 with st.sidebar: app_name = "ad_03_product_adk" # 与后端项目文件夹名一致 st.subheader("第一步：输入创意") idea = st.text_area(" ", height=150, label_visibility="collapsed")  st.divider() st.subheader("第二步：选择专家") selected_agents = st.multiselect( " ", optinotallow=["需求专家", "技术专家", "市场专家"], default=["需求专家", "技术专家", "市场专家"], label_visibility="collapsed" )  st.divider() st.subheader("第三步：是否风控") detailed_mode = st.checkbox("启用风控专家分析", value=False, label_visibility="collapsed")  start_btn = st.button("开始分析", type="primary") if start_btn and idea: with st.spinner(" 正在启动专家团..."): # 专家名称映射：前端中文→后端英文标识 expert_mapping = {"需求专家": "UserExpert", "技术专家": "TechExpert", "市场专家": "MarketExpert"} backend_agents = [expert_mapping[name] for name in selected_agents]  # 后端服务配置 BASE_URL = "http://127.0.0.1:8000" user_id = "teacher_cui" session_id = f"s_{int(time.time())}" # 时间戳生成唯一会话ID，确保会话隔离 try: # 1. 创建会话：向后端注入初始状态（创意、专家、风控模式） session_url = f"{BASE_URL}/apps/{app_name}/users/{user_id}/sessions/{session_id}" session_payload = { "state": { "input_query": idea, "selected_agents": backend_agents, "detailed_mode": detailed_mode } } requests.post(session_url, jsnotallow=session_payload, timeout=10)  # 2. 调用后端API，触发智能体执行 run_url = f"{BASE_URL}/run" run_payload = { "sessionId": session_id, "appName": app_name, "userId": user_id, "newMessage": {"role": "user", "parts": [{"text": idea}]} } response = requests.post(run_url, jsnotallow=run_payload, timeout=180) response.raise_for_status() events = response.json()  # 3. 解析后端返回的状态数据，合并增量结果 final_state = {} for event in events: state_delta = event.get("actions", {}).get("stateDelta", {}) if state_delta: final_state.update(state_delta)  # 4. 可视化渲染结果 st.success("✅ 分析完成！") # 展示MVP功能清单 st.subheader(" MVP 功能清单") st.markdown(final_state.get("feature_list", "未生成功能清单"))  # 渲染Mermaid业务逻辑图 st.subheader(" 业务逻辑图") m_code = final_state.get("mermaid_code", "") if m_code: cleaned_m_code = m_code.replace("```mermaid", "").replace("```", "").strip() if "graph " not in cleaned_m_code: cleaned_m_code = "graph TD\n" + cleaned_m_code # 用HTML渲染Mermaid图表，实现可视化 html_content = f""" [xss_clean][xss_clean] {cleaned_m_code}
 [xss_clean]mermaid.initialize({{startOnLoad:true, theme:'default'}});[xss_clean] """ st.components.v1.html(html_content, height=800, scrolling=True)  # 展开显示详细分析报告 with st.expander(" 查看详细分析报告"): tabs = ["用户报告", "技术方案", "市场分析"] if detailed_mode: tabs.append("风控分析") tabs = st.tabs(tabs) with tabs[0]: st.markdown(final_state.get("user_analysis", "未生成")) with tabs[1]: st.markdown(final_state.get("tech_analysis", "未生成")) with tabs[2]: st.markdown(final_state.get("market_analysis", "未生成")) if detailed_mode: with tabs[3]: st.markdown(final_state.get("risk_analysis", "未生成"))  except Exception as e: st.error(f"❌ 调用失败: {str(e)}")1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.21.22.23.24.25.26.27.28.29.30.31.32.33.34.35.36.37.38.39.40.41.42.43.44.45.46.47.48.49.50.51.52.53.54.55.56.57.58.59.60.61.62.63.64.65.66.67.68.69.70.71.72.73.74.75.76.77.78.79.80.81.82.83.84.85.86.87.88.89.90.91.92.93.94.95.96.97.98.99.100.101.102.103.104.

前端代码核心知识点映射：

会话隔离：通过时间戳生成唯一 `session_id`，确保多用户并发时状态互不干扰，呼应 ADK Session 隔离特性。
API 联动：通过 ADK API Server 的 `/sessions` 和 `/run` 路由，实现前端与后端智能体系统的通信，完成状态注入与任务触发。
可视化适配：针对 Mermaid 代码做清洁与渲染处理，实现“智能体生成代码→前端可视化”的闭环，复用 ADK 可视化部署知识点。

2. 项目目标与架构设计

核心目标：用户输入产品创意（如“智能办公助理”），系统自动完成多维度分析、功能提炼、逻辑建模，最终生成可视化业务流程图。

架构逻辑：采用“并行发散→串行收敛→动态适配”的复合编排模式，前后端分离部署，具体分为三个阶段：

阶段一：并行发散分析（串联 ParallelAgent 知识点）

通过 ParallelAgent 同时启动需求、技术、市场三大专家智能体，并行完成多维度分析，结果分别存入会话状态（对应后端output_key 配置）。各专家独立工作，既保证分析视角客观性，又大幅缩短整体耗时。

阶段二：串行收敛建模（串联 SequentialAgent 知识点）

ParallelAgent 输出结果后，由 SequentialAgent 按固定顺序执行后续流程：先通过 FeatureManager 汇总分析结果，提炼 MVP 功能清单；若启用风控模式则插入 RiskAgent 做风险评估；最后由 LogicDesigner 生成业务逻辑流程图，实现从“分析报告”到“结构化成果”的跃迁。

阶段三：动态路由与前后端分离（串联动态编排、API 部署知识点）

通过 detailed_mode 开关实现动态路由，按需插入风控智能体，适配“快速分析”与“全面评估”两种场景。后端通过 ADK API Server 将智能体逻辑封装为 HTTP 接口，前端基于 Streamlit 构建交互界面，用户操作通过 API 传递至后端，执行结果实时回显并可视化，形成完整业务闭环。

3. 核心知识点串联逻辑

Idea Factory 项目将前文 ADK 核心知识点深度串联，形成完整技术闭环，各环节对应关系如下：

工具集成与模型适配：复用“函数即工具”“模型无关性”知识点，通过 LiteLLM 连接 DeepSeek 模型，专家智能体按需调用分析能力。
流程编排：融合 ParallelAgent（并行分析）、SequentialAgent（串行汇总）与动态路由，覆盖复杂场景的编排需求，呼应前文 Agent 模式知识点。
状态管理：通过 output_key 定义各智能体输出标识，实现会话状态自动传递，无需手动衔接数据，简化开发复杂度。
部署与可视化：后端通过 ADK API Server 封装接口，前端通过 Streamlit 实现交互与可视化，落地“工程化部署”与“可视化支持”知识点。

4. 项目启动与效果验证

复制

# 安装前端依赖 pip install streamlit streamlit-mermaid # 启动 ADK API Server 后端（指定项目目录与端口） adk api_server ad_03_product_adk --port 8000 # 启动 Streamlit 前端（进入项目目录） cd ad_03_product_adk python -m streamlit run app.py1.2.3.4.5.6.7.8.9.

启动后，用户在前端输入创意并选择参数，系统会动态展示专家分析进度，最终输出 MVP 功能清单、可视化业务流程图及详细分析报告，实现“创意输入→智能分析→结构化输出”的全自动化，完整验证 ADK 从开发到落地的全流程能力。

核心目标：用户输入产品创意（如“智能办公助理”），系统自动完成多维度分析、功能提炼、逻辑建模，最终生成可视化业务流程图。

架构逻辑：采用“并行发散→串行收敛→动态适配”的复合编排模式，前后端分离部署，具体分为三个阶段：

阶段一：并行发散分析（串联 ParallelAgent 知识点）

通过 ParallelAgent 同时启动三个子智能体，并行完成多维度分析，结果存入会话状态：

需求专家（UserExpert）：分析用户痛点、核心需求，输出 user_analysis；
技术专家（TechExpert）：评估技术可行性、核心架构，输出 tech_analysis；
商业专家（MarketExpert）：分析市场前景、竞争对手，输出 market_analysis。

此阶段复用“并行协作”模式，大幅缩短分析耗时，确保各视角独立客观。

阶段二：串行收敛建模（串联 SequentialAgent 知识点）

通过 SequentialAgent 按顺序执行后续流程，实现数据从“分析报告”到“结构化成果”的跃迁：

FeatureManager：汇总并行分析结果，提取 MVP 功能清单（表格形式），输出 feature_list；
LogicDesigner：将功能清单转化为 Mermaid 流程图代码，输出 mermaid_code，实现从文字到图形的质变。

此阶段复用“确定性工作流”模式，通过会话状态自动传递数据，无需手动衔接。

阶段三：动态路由与前后端分离（串联动态编排、API 部署知识点）

动态路由：新增 detailed_mode 开关，若为 True，在并行分析后插入 RiskAgent（风险评估），否则跳过，复用“条件编排”技巧；
后端部署：通过 ADK API Server 将智能体逻辑封装为 HTTP 接口（如 8000 端口），支持外部调用；
前端交互：基于 Streamlit 构建界面，收集用户创意，调用后端接口，实时渲染分析结果与 Mermaid 流程图，复用“可视化部署”知识点。

3. 核心知识点串联逻辑

Idea Factory 项目中，各环节均对应 ADK 核心知识点，形成完整闭环：

工具集成：需求/技术/商业专家的工具函数定义，复用“函数即工具”知识点；
模型适配：不同专家智能体配置差异化模型（创意用 DeepSeek，分析用 Claude），复用“模型无关性”知识点；
状态管理：各智能体结果通过 output_key 存入会话状态，复用“会话状态共享”知识点；
部署落地：API 封装与 Streamlit 前端搭建，复用“ADK 部署与可视化”知识点。

4. 项目启动与效果验证

复制

# 安装前端依赖 pip install streamlit streamlit-mermaid # 启动 ADK API Server 后端（指定项目目录与端口） adk api_server ad_03_product_adk --port 8000 # 启动 Streamlit 前端（进入项目目录） cd ad_03_product_adk python -m streamlit run app.py1.2.3.4.5.6.7.8.9.

启动后，用户在前端输入创意，系统可动态展示各专家分析进度，最终输出 MVP 功能清单与可视化业务流程图，实现“创意输入→智能分析→结构化输出”的全自动化，完美落地 ADK 核心能力。