Google ADK + Ertas

使用 Google Agent Development Kit 建構正式上線代理——這是多語言（Python/Java/Go）框架，具備一級的 GCP 整合並完整支援 Ertas 訓練的本地模型。

Overview

Google ADK（Agent Development Kit）是 Google 的開源代理框架，於 2025 年發布，並維護為 Google Cloud 與 Vertex AI 生態系的標準代理堆疊。它在代理框架中相當不尋常,因為提供多語言執行期支援：Python、Java 與 Go 都暴露相同的代理抽象，這使 ADK 自然契合擁有異質後端堆疊的企業。到 2026 年 5 月,該框架已突破 17,000 顆 GitHub 星標,並被 Google 自家產品以及執行於 Vertex AI Agent Builder 上的客戶部署積極使用。

框架的設計圍繞三個抽象：代理（由 LLM 驅動的執行者）、工具（代理可呼叫的型別化函式或服務）與工作流程（如 sequential、parallel、loop 等結構化模式）。內建的 connector 涵蓋 Google Workspace、Vertex AI Search、BigQuery 與 Google Cloud connector 生態系。ADK 也與 Vertex AI Agent Builder（Google Cloud 的託管代理平台）緊密整合，但開源 SDK 完全可用於自託管部署作為獨立使用。

ADK 支援任何 OpenAI 相容的 LLM 端點作為模型 provider。雖然框架的一級故事是 Gemini 與 Vertex AI Model Garden，但希望以自託管模型享受 ADK 的開發者體驗與 Google connector 生態系的團隊,可設定 LiteLLM provider 來呼叫任何端點——包括透過 Ollama、vLLM 或 Ertas Cloud 提供服務的 Ertas 訓練模型。

How Ertas Integrates

Ertas 訓練的模型透過 ADK 基於 LiteLLM 的模型抽象與 Google ADK 協同運作。在 Studio 微調並匯出為 GGUF 後，你透過 Ollama、vLLM 或 Ertas Cloud 提供模型服務，再以 LiteLLM provider 設定 ADK 的 `LlmAgent`,指向你的端點。代理抽象、工作流程模式與 Google connector 生態系都會透明地對你的微調模型運作。

這個組合對於有 Google Cloud 投入承諾、不希望按 token 計費的 Vertex AI 帳單隨使用者規模成長的組織特別相關。ADK + Ertas 訓練模型 + 本地端推論產生一個契合既有 GCP 架構（BigQuery、Vertex AI Search、Workspace connector）的代理堆疊，同時控制推論成本。對於高量的代理工作負載——內部客戶支援、文件處理、資料分析——這可大幅翻轉每次任務的經濟模型。

對於多語言部署，ADK 的 Python/Java/Go 對等性異常有價值。團隊可在 Studio 中微調（與語言無關）、透過單一推論端點提供服務，再以最契合既有服務的執行期部署 ADK 代理。Java 後端可使用與 Python 資料科學工作流程及 Go 基礎設施工具相同的微調模型。

Getting Started

1
在 Ertas Studio 微調你的領域模型
在能擷取你領域、工具 schema 與推理模式的資料上訓練。Studio 可搭配任何與 ADK 呼叫的 OpenAI 相容服務 API 相容的基底模型架構運作。
2
部署到 OpenAI 相容端點
匯出為 GGUF 並透過 Ollama、vLLM 或 Ertas Cloud 提供服務。ADK 透過 LiteLLM 的 OpenAI 相容介面卡呼叫該端點。
3
安裝 Google ADK 並設定模型
在你選擇的語言中安裝 google-adk。建立一個 `LlmAgent`,以 LiteLLM provider 與你的端點 URL 設定。
4
定義工具與工作流程
將工具加入為型別化函式或服務 connector。組合成 ADK 工作流程（sequential、parallel、loop）或執行單一 LlmAgent。GCP connector（BigQuery、Vertex Search、Workspace）透明運作。
5
自託管執行或部署到 Agent Builder
在你自己的基礎設施中執行代理或部署到 Vertex AI Agent Builder。兩種路徑都可與自託管推論協同運作；模型 provider 持續指向你的端點。

python

from google.adk.agents import LlmAgent
from google.adk.models.lite_llm import LiteLlm
from google.adk.tools import FunctionTool

# Point ADK at your Ertas-trained model served via Ollama
model = LiteLlm(
    model="openai/ertas-data-analyst-14b",
    base_url="http://localhost:11434/v1",
    api_key="not-needed",
)

def query_bigquery(sql: str) -> dict:
    """Run a SQL query against the analytics dataset."""
    return bq_client.query(sql).to_dict()

def write_summary(text: str, recipient: str) -> str:
    """Send a summary email through Workspace."""
    return workspace_client.send_email(recipient, text)

agent = LlmAgent(
    name="Data Analyst",
    model=model,
    instructions="You answer business questions by querying BigQuery and summarizing findings.",
    tools=[
        FunctionTool(query_bigquery),
        FunctionTool(write_summary),
    ],
)

response = agent.run("What were Q4 conversion rates by acquisition channel? Email the summary to ops@company.com.")

用 Google ADK 建構由 Ertas 訓練 14B 模型支援的資料分析師代理，BigQuery 與 Workspace connector 由 ADK 的第一方工具處理。