此页面由 Cloud Translation API 翻译。

使用 ADK 构建 AI 智能体：通过工具赋能

1. 准备工作

欢迎观看“使用 ADK 构建 AI 智能体”系列的第二部分！在此实践 Codelab 中，您将使用各种工具为基本 AI 智能体赋能。

本指南提供了两条入门途径：一条适用于继续学习“使用 ADK 构建 AI 智能体：基础知识”Codelab 的用户，另一条适用于从头开始学习的用户。无论选择哪种方式，您都可以获得必要的代理基础代码，以便开始操作。

在此 Codelab 结束时，您将为个人助理代理配备各种用途的工具，从而更进一步，在后续部分中将其转变为复杂的多代理系统 (MAS)。

前提条件

了解生成式 AI 概念
基本熟练掌握 Python 编程
已完成 Building AI Agents with ADK: The Foundation Codelab 或类似 Codelab

学习内容

通过构建自定义 Python 函数作为工具，为智能体赋予新技能。
使用 Google 搜索等内置工具将您的代理连接到实时信息。
通过为复杂任务创建专用子代理来构建多工具代理。
集成 LangChain 等热门 AI 框架中的工具，快速扩展功能。

所需条件

一台可正常运行的计算机和稳定的 Wi-Fi 连接
浏览器（例如 Chrome），用于访问 Google Cloud 控制台
启用了结算功能的 Google Cloud 项目
好奇心和学习热情

2. 简介

使用 ADK 构建的基本代理具有强大的 LLM 大脑，但也存在一些限制：它无法访问在训练日期之后创建的信息，也无法与外部服务互动。这就像一位才华横溢、博览群书的助理被锁在没有电话或互联网的图书馆里。为了让代理真正发挥作用，我们需要为其提供工具。

您可以将工具视为让 AI 助理能够访问外部世界：计算器、网络浏览器或对特定公司数据库的访问权限。在 ADK 中，工具是一段模块化代码，可让代理执行特定操作，例如查找实时数据或调用外部 API。使用工具可将其功能扩展到远超简单对话的范围。

ADK 提供三类工具：

功能工具：您开发的自定义工具，用于满足应用的独特需求，例如预定义函数和代理。
内置工具：框架提供的可直接使用的工具，用于执行常见操作，例如 Google 搜索和代码执行。
第三方工具：热门的外部库，例如 Serper 以及 LangChain 和 CrewAI 中的工具。

如需详细了解如何将工具与 ADK 智能体搭配使用，请参阅官方文档。在此 Codelab 中，我们将添加一些工具，将简单的代理转变为功能强大的个人旅游助理。我们开始吧！

3. 入门：基础代理

在为代理配备工具之前，您需要先有一个可供使用的基本代理。选择最适合您进度的学习路线。

路径 A：从基础 Codelab 继续

如果您刚刚完成“使用 ADK 构建 AI 智能体：基础知识”Codelab，那么您已准备就绪。您可以继续在现有的 ai-agents-adk 项目目录中工作。

路径 B：从头开始

如果您直接开始此 Codelab，请完成以下 4 个步骤，以设置环境并创建必要的起始代理。

完成上述步骤后，您就可以开始学习之旅了。

4. 构建用于货币兑换的自定义工具

在此阶段，您应该已经知道如何使用 ADK 构建简单的 AI 代理，并使其在开发界面上运行。

假设您正在为下个月的日本之旅做准备，需要查看当前的货币兑换汇率。向代理提出问题：“新加坡元兑换日元的汇率是多少？”

您会看到，该代理无法检索实时汇率。这是因为该代理目前无法访问互联网，也无法连接到外部系统。即使代理回复了一个值，也很难信任该值，因为它很可能是幻觉。

为解决此问题，我们将实现一个 Python 函数，通过 REST API 检索汇率，并将其作为智能体的函数工具集成。

在终端窗口中使用键盘快捷键 Ctrl + C（适用于 Windows/Linux）或 Cmd + C（适用于 macOS）终止正在运行的代理进程。

创建 `custom_functions.py` 文件：

在 personal_assistant 文件夹中创建一个名为 custom_functions.py 的 Python 文件，方法是在终端中输入以下命令.

touch personal_assistant/custom_functions.py

您的文件夹结构应如下所示：

ai-agents-adk/
└── personal_assistant/
    ├── .env
    ├── __init__.py
    ├── agent.py
    └── custom_functions.py

在代码编辑器中打开 custom_functions.py。此文件将包含负责从外部 API 检索汇率数据的 Python 函数。

将以下代码复制并粘贴到其中：

import requests

# define a function to get exchange rate
def get_fx_rate(base: str, target: str):
        """
        Fetches the current exchange rate between two currencies.

        Args:
                base: The base currency (e.g., "SGD").
                target: The target currency (e.g., "JPY").

        Returns:
                The exchange rate information as a json response,
                or None if the rate could not be fetched.
        """
        base_url = "https://hexarate.paikama.co/api/rates/latest"
        api_url = f"{base_url}/{base}?target={target}"

        response = requests.get(api_url)
        if response.status_code == 200:
                return response.json()

现在，修改 agent.py 文件：导入 get_fx_rate 函数并将其分配为 FunctionTool。

更新 `agent.py` 文件：

复制此代码块并替换 agent.py 文件的现有内容：

from google.adk.agents import Agent
from google.adk.tools import FunctionTool

from .custom_functions import get_fx_rate

root_agent = Agent(
    model='gemini-2.5-flash',
    name='root_agent',
    description='A helpful assistant for user questions.',
    instruction='Answer user questions to the best of your knowledge',
    tools=[FunctionTool(get_fx_rate)]
)

更改完成后，输入以下命令，重新启动代理：

uv run adk web

当代理启动后，再次问同样的问题：“新加坡元兑日元的汇率是多少？”

这次，您应该会看到 get_fx_rate 工具提供的实际汇率。

您可以随时提出与货币兑换相关的任何问题。

5. 与内置 Google 搜索工具集成

现在，代理能够提供汇率，下一个任务是获取下个月的天气预报。向代理提出以下问题：“下个月日本东京的天气预报是什么？”

您可能已经猜到，天气预报需要实时信息，而我们的代理没有这些信息。虽然我们可以为每项所需的实时数据编写新的 Python 函数，但添加越来越多的自定义工具很快就会使代理过于复杂且难以管理。

幸运的是，智能体开发套件 (ADK) 提供了一套内置工具，包括可随时使用的 Google 搜索，从而简化了智能体与外部世界的互动方式。我们来为代理添加 Google 搜索工具。

为此，您需要按如下方式修改 agent.py 文件：

from google.adk.agents import Agent
from google.adk.tools import FunctionTool
from google.adk.tools import google_search

from .custom_functions import get_fx_rate

root_agent = Agent(
    model='gemini-2.5-flash',
    name='root_agent',
    description='A helpful assistant for user questions.',
    instruction='Answer user questions to the best of your knowledge',
    tools=[
        FunctionTool(get_fx_rate), 
        google_search,
    ]
)

修改完文件后，重启 adk web 实例。以防您忘记，

点击终端，然后按 Ctrl + C 或 Cmd + C 停止实例
uv run adk web 以启动实例
尝试问同样的问题：“下个月日本东京的天气预报是什么？”

建议的方法是采用多代理模式：创建一个专门用于执行 Google 搜索的代理。然后，我们将这个新的 Google Search Agent 分配给我们的主要 personal_assistant 作为工具。

创建 `custom_agents.py` 文件

现在，在 personal_assistant 文件夹中创建一个名为 custom_agents.py 的 Python 文件。

touch personal_assistant/custom_agents.py

现在，您的文件夹结构应如下所示：

ai-agents-adk/
└── personal_assistant/
    ├── .env
    ├── __init__.py
    ├── agent.py
    ├── custom_functions.py
    └── custom_agents.py

此文件将包含专用 google_search_agent 的代码。使用代码编辑器将以下代码复制到 custom_agents.py 文件中。

from google.adk.agents import Agent
from google.adk.tools import google_search


# Create an agent with google search tool as a search specialist
google_search_agent = Agent(
    model='gemini-2.5-flash',
    name='google_search_agent',
    description='A search agent that uses google search to get latest information about current events, weather, or business hours.',
    instruction='Use google search to answer user questions about real-time, logistical information.',
    tools=[google_search],
)

创建文件后，更新 agent.py 文件，如下所示。

更新 `agent.py` 文件

复制此代码块并替换 agent.py 文件的现有内容：

from google.adk.agents import Agent
from google.adk.tools import FunctionTool
from google.adk.tools import agent_tool

from .custom_functions import get_fx_rate
from .custom_agents import google_search_agent


root_agent = Agent(
    model='gemini-2.5-flash',
    name='root_agent',
    description='A helpful assistant for user questions.',
    tools=[
        FunctionTool(get_fx_rate), 
        agent_tool.AgentTool(agent=google_search_agent),
    ]
)

我们来分析一下代码中强大的新模式：

新的专家代理：我们定义了一个全新的代理 google_search_agent。请注意其具体说明以及其唯一工具是 google_search。他是搜索专家。
agent_tool.AgentTool：这是 ADK 中的一个特殊封装容器。它会获取整个代理 (google_search_agent)，并将其打包，使其看起来像一个标准工具，并像一个标准工具一样运行。
更智能的**root_agent**：我们的 root_agent 现在有了一个新工具：agent_tool.AgentTool(agent=google_search_agent)。它不知道如何搜索网络，但知道自己有一个可以委托搜索任务的工具。

请注意，root_agent 中已不再显示指令字段。其指令现在由其可用的工具隐式定义。

root_agent 已成为编排程序或路由器，其主要工作是了解用户的请求并将其传递给正确的工具，即 get_fx_rate 函数或 google_search_agent。这种去中心化设计是构建复杂且可维护的代理系统的关键。

现在，重新启动

adk web

实例，然后再次向代理提出这个问题：“下个月日本东京的天气预报是什么？”

Google 助理现在使用 google_search_agent 获取最新信息

您也可以尝试提出当前汇率方面的问题。智能体现在应该能够针对相应问题使用合适的工具。

您可以随意向代理提出需要实时信息的问题，并观察代理如何使用其可用的工具处理查询。

6. 利用 LangChain 的 Wikipedia 工具

我们的代理正在成为出色的旅行助理。它可以使用 get_fx_rate 工具处理货币兑换，并使用 google_search_agent 工具管理物流。但一次精彩的旅行不仅仅是后勤保障，还要了解目的地的文化和历史。

虽然 google_search_agent 可以查找文化和历史事实，但来自维基百科等专用来源的信息通常更结构化、更可靠。

幸运的是，ADK 的设计具有高度可扩展性，可让您无缝集成 CrewAI 和 LangChain 等其他 AI 代理框架中的工具。这种互操作性至关重要，因为它可以缩短开发时间，并让您能够重复使用现有工具。对于此用例，我们将利用 LangChain 中的维基百科工具。

首先，停止正在运行的代理进程（按 Ctrl + C 或 Cmd + C），然后在终端中输入以下命令，以将其他库安装到当前的 Python 虚拟环境中。

uv add langchain-community
uv add wikipedia

创建 `third_party_tools.py` 文件

现在，在 personal_assistant 文件夹中创建一个名为 third_party_tools.py 的 Python 文件。

touch personal_assistant/third_party_tools.py

现在，您的文件夹结构应如下所示：

ai-agents-adk/
└── personal_assistant/
    ├── .env
    ├── __init__.py
    ├── agent.py
    ├── custom_functions.py
    ├── custom_agents.py
    └── third_party_tools.py

此文件将包含 LangChain Wikipedia 工具的实现。使用 Cloud 编辑器将以下代码复制到 third_party_tools.py 中：

from langchain_community.tools import WikipediaQueryRun
from langchain_community.utilities import WikipediaAPIWrapper

# Configure the Wikipedia LangChain tool to act as our cultural guide
langchain_wikipedia_tool = WikipediaQueryRun(
    api_wrapper=WikipediaAPIWrapper(top_k_results=1, doc_content_chars_max=3000)
)

# Give the tool a more specific description for our agent
langchain_wikipedia_tool.description = (
    "Provides deep historical and cultural information on landmarks, concepts, and places."
    "Use this for 'tell me about' or 'what is the history of' type questions."
)

更新 `agent.py` 文件

现在，使用以下内容更新 agent.py 文件：

from google.adk.agents import Agent
from google.adk.tools import FunctionTool
from google.adk.tools import agent_tool
from google.adk.tools import langchain_tool

from .custom_functions import get_fx_rate
from .custom_agents import google_search_agent
from .third_party_tools import langchain_wikipedia_tool


root_agent = Agent(
    model='gemini-2.5-flash',
    name='root_agent',
    description='A helpful assistant for user questions.',
    tools=[
        FunctionTool(get_fx_rate), 
        agent_tool.AgentTool(agent=google_search_agent),
        langchain_tool.LangchainTool(langchain_wikipedia_tool),
    ]
)

现在，重启 adk web 实例，并向代理提出以下问题：“请告诉我一些关于京都历史的信息”。

代理正确地将此查询识别为历史查询，并使用其新的 Wikipedia 工具。通过集成第三方工具并为其分配特定角色，您已让代理变得更加智能，并且在旅行规划方面更加实用。

如需确切了解代理如何做出此选择，您可以使用 adk web 界面中的事件检查器。点击“活动”标签页，然后点击最新的 functionCall 活动。

检查器会显示所有可用工具的列表，并突出显示代理执行的工具的 tool_code。

7. 清理（可选）

由于本 Codelab 不涉及任何长时间运行的产品，因此只需在终端中按 Ctrl + C 停止活跃的代理会话（例如终端中的 adk web 实例）即可。

删除代理项目文件夹和文件

如果您只想从 Cloud Shell 环境中移除代码，请使用以下命令：

cd ~
rm -rf ai-agents-adk

停用 Vertex AI API

如需停用之前启用的 Vertex AI API，请运行以下命令：

gcloud services disable aiplatform.googleapis.com

关闭整个 Google Cloud 项目

如果您希望完全关停 Google Cloud 项目，请参阅官方指南，了解详细说明。

8. 总结

恭喜！您已成功为个人助理代理赋予自定义功能和实时 Google 搜索访问权限。请参阅有关将工具与 Google ADK 搭配使用的官方文档。

更重要的是，您已经学习了构建功能强大的智能体的基本架构模式：将专业智能体用作工具。通过创建专用 google_search_agent 并将其提供给 root_agent，您已迈出从构建单个代理到编排简单而强大的多代理系统的第一步。

使用 ADK 构建 AI 智能体：通过工具赋能

1. 准备工作

前提条件

学习内容

所需条件

2. 简介

3. 入门：基础代理

4. 构建用于货币兑换的自定义工具

创建 custom_functions.py 文件**：**

更新 agent.py 文件**：**

5. 与内置 Google 搜索工具集成

创建 custom_agents.py 文件

更新 agent.py 文件

6. 利用 LangChain 的 Wikipedia 工具

创建 third_party_tools.py 文件

更新 agent.py 文件

7. 清理（可选）

删除代理项目文件夹和文件

停用 Vertex AI API

关闭整个 Google Cloud 项目

8. 总结

创建 `custom_functions.py` 文件：

更新 `agent.py` 文件：

创建 `custom_agents.py` 文件

更新 `agent.py` 文件

创建 `third_party_tools.py` 文件

更新 `agent.py` 文件