Google ADK + Ertas

使用 Google 的 Agent Development Kit 构建生产级智能体——这是一个多语言（Python/Java/Go）框架，具备一流的 GCP 集成，并完整支持 Ertas 训练的本地模型。

Overview

Google ADK（Agent Development Kit）是 Google 的开源智能体框架，于 2025 年发布，作为 Google Cloud 与 Vertex AI 生态的标准智能体技术栈维护。它在智能体框架中不同寻常之处在于提供多语言运行时支持：Python、Java 与 Go 都暴露相同的智能体抽象，这使得 ADK 天然适合后端栈异构的企业。到 2026 年 5 月，该框架的 GitHub 星标已超过 17,000，并在 Google 自家产品以及运行在 Vertex AI Agent Builder 上的客户部署中被积极使用。

该框架的设计围绕三个抽象：智能体（LLM 驱动的执行者）、工具（智能体可调用的带类型函数或服务）以及工作流（顺序、并行、循环等结构化模式）。内置连接器覆盖 Google Workspace、Vertex AI Search、BigQuery 以及 Google Cloud 连接器生态。ADK 还与 Vertex AI Agent Builder——Google Cloud 的托管智能体平台——深度集成，但开源 SDK 完全可独立用于自托管部署。

ADK 支持任何兼容 OpenAI 的 LLM 端点作为模型提供商。虽然该框架的一流故事是 Gemini 与 Vertex AI Model Garden，但希望在自托管模型上获得 ADK 开发者体验与 Google 连接器生态的团队，可以配置 LiteLLM 提供商调用任何端点——包括通过 Ollama、vLLM 或 Ertas Cloud 提供服务的 Ertas 训练模型。

How Ertas Integrates

Ertas 训练的模型通过 ADK 基于 LiteLLM 的模型抽象与 Google ADK 协同工作。在 Studio 中微调并导出为 GGUF 后，你通过 Ollama、vLLM 或 Ertas Cloud 提供服务，然后将 ADK 的 `LlmAgent` 配置为指向你的端点的 LiteLLM 提供商。智能体抽象、工作流模式与 Google 连接器生态都会针对你的微调模型透明工作。

这种组合对有 Google Cloud 承诺、又不希望按 token 计费的 Vertex AI 账单随用户数增长的组织尤其相关。ADK + Ertas 训练模型 + 本地推理产生的智能体技术栈契合现有 GCP 架构（BigQuery、Vertex AI Search、Workspace 连接器），同时控制推理成本。对于高频次的智能体工作负载——内部客户支持、文档处理、数据分析——这能戏剧性地翻转每任务的经济模型。

对于多语言部署，ADK 在 Python/Java/Go 上的对等支持异常有价值。团队可以在 Studio 中微调（Studio 与语言无关），通过单一推理端点提供服务，然后在最适合现有服务的运行时中部署 ADK 智能体。Java 后端可以使用与 Python 数据科学工作流以及 Go 基础设施工具相同的微调模型。

Getting Started

1
在 Ertas Studio 中微调你的领域模型
在捕获领域知识、工具 schema 与推理模式的数据上训练。Studio 兼容任何与 ADK 调用的 OpenAI 兼容服务 API 兼容的基础模型架构。
2
部署到兼容 OpenAI 的端点
导出为 GGUF 并通过 Ollama、vLLM 或 Ertas Cloud 提供服务。ADK 通过 LiteLLM 的兼容 OpenAI 适配器调用该端点。
3
安装 Google ADK 并配置模型
在你选择的语言中安装 google-adk。创建一个配置了 LiteLLM 提供商和你的端点 URL 的 `LlmAgent`。
4
定义工具与工作流
将工具添加为带类型的函数或服务连接器。组合为 ADK 工作流（顺序、并行、循环）或运行单一 LlmAgent。GCP 连接器（BigQuery、Vertex Search、Workspace）透明工作。
5
自托管运行或部署到 Agent Builder
在你自己的基础设施中运行智能体，或部署到 Vertex AI Agent Builder。两种路径都支持自托管推理；模型提供商始终指向你的端点。

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 构建一个由 Ertas 训练的 14B 模型支撑的数据分析师智能体，BigQuery 与 Workspace 连接器交由 ADK 的一方工具处理。