使用 ADK 构建 AI 智能体：编排图工作流

1. 概览

为了满足多约束条件的旅行请求（例如，规划一个 100 美元的京都一日游，包含历史寺庙、当地拉面，且不包含现代艺术博物馆），需要提取结构化偏好、同时研究地点、合成详细草稿，并在回复前审核总费用。在 ADK 1.x 中，编排这些阶段需要嵌套 SequentialAgent、ParallelAgent 和 LoopAgent 封装容器，将每个中间输出保存到会话状态中，并调用额外的 LLM 工具调用，以便退出优化循环。

在此 Codelab 中，您将使用智能体开发套件 (ADK) 2 图工作流 (Workflow) 在智能体平台上构建一个多智能体旅行规划工具。在三个渐进阶段中，您将按顺序边缘链 (node_input) 连接专业 Agent 节点（由 gemini-3.8-flash 提供支持），扇出与 JoinNode 同步的并发 google_search 研究员，并使用确定性 Python 路由器 (Event(route=...)) 强制执行预算和排除规则，只要初始草稿通过审核，该路由器就会跳过优化。

使用 ADK 构建 AI 智能体系列：此独立 Codelab 延续了基础知识、配备工具和Agentic Workflows中的旅行规划师故事线，并使用 ADK 2 的统一图运行时。

前提条件

• 基本掌握 Python 编程
• 熟悉生成式 AI 概念和 AI 智能体基础知识

学习内容

• 如何在 ADK 2 中使用 Workflow 边缘元组声明多智能体流水线
• ADK 2 如何将输出作为 node_input 直接沿边传递，并将会话状态键绑定为函数参数
• 如何使用 JoinNode 扇出并发研究分支并合并其输出
• 如何使用 Event(route=...) 在 Python 中确定性地路由有界限的 maker-checker 循环
• 如何在 ADK Web 界面中检查已编译的工作流图、并行执行时间轴和状态增量

所需条件

• Google 账号（如果需要领取研讨会赠金，请使用个人 @gmail.com 账号）
• 讲师提供的研讨会赠金链接（以及用于扫描二维码的手机摄像头）或有效的 Cloud Billing 账号
• Google Chrome（建议使用无痕式窗口，以免混淆个人账号和工作账号）

无痕模式提示：在无痕式窗口中打开此 Codelab，以便每个 Cloud 控制台和 Cloud Shell 链接都在同一会话中打开。

2. 领取 Google Cloud 赠金（可选）

如果您参加的研讨会提供活动赠金链接，请领取 Google 开发者计划赠金，以便在没有信用卡的情况下预配结算账号。

使用您自己的结算账号？跳至创建 Google Cloud 项目（可选）（如果您已有项目，则跳至设置环境）。如果您需要不含活动赠金的新结算账号，请参阅创建 Cloud Billing 账号或 Google Cloud 免费试用。

领取活动赠金

⚠️ 使用个人 Gmail 账号：公司或学校 Google Workspace 账号无法领取研讨会活动赠金。

1. 在无痕窗口中打开研讨会赠金链接，然后使用您的 @gmail.com 账号登录。
2. 在领取福利页面上，点击领取赠金：

3. 如果系统提示您创建 Google 开发者计划个人资料，请填写表单。
4. 当系统显示扫描以验证您是真人时，请使用手机扫描二维码并完成验证（如果未显示二维码，请刷新并再次点击领取赠金）：

5. 确认显示已成功领取活动赠金！，然后点击打开结算账号：

🔍 检查您的工作

结算账号开设最多需要 3 分钟：

1. 打开 Google Cloud Billing（或将网址复制到无痕式窗口中），然后选择您的结算账号：

https://console.cloud.google.com/billing

2. 刷新，直到您的 GDP Credit 账号显示状态为有效：

3. 创建 Google Cloud 项目（可选）

创建一个专用的 Google Cloud 项目，以便将此 Codelab 中的所有资源隔离开来，并便于清理。

已有项目？如果您已有启用了结算功能的项目或预配的研讨会项目，请跳至设置环境。

1. 打开创建项目（或将网址复制到无痕式窗口中）：

https://console.cloud.google.com/projectcreate

2. 输入项目详细信息：
   • 项目名称：例如 google-cloud-workshop
   • 结算账号（如果显示）：选择 GDP Credit（或您的有效结算账号）
   • 父级资源：无组织（或根据需要选择您的组织）
3. 记下项目名称下方生成的项目 ID，然后点击创建：

🔍 检查您的工作

点击右上角工具栏中的通知，然后在项目创建完成后点击选择项目：

4. 设置您的环境

配置 Google Cloud Shell，启用 Agent Platform API，并使用 uv 创建一个隔离的 Python 3.12 虚拟环境。

接着之前的 ADK 实验继续操作？如果在此 Cloud Shell 会话中已配置项目 ID 和 Agent Platform API，请跳至创建 Python 虚拟环境并安装 ADK，以便干净地创建 ~/adk-graph-agents/.venv。

本地终端提示：更喜欢使用本地终端而不是 Cloud Shell？将 cloudshell edit filename 命令替换为您首选的编辑器（例如 code filename 或 nano filename），即可开始使用。

配置 Cloud Shell

1. 点击 Google Cloud 控制台工具栏中的激活 Cloud Shell (>_)，或直接打开 Google Cloud Shell（或将网址复制到无痕式窗口中）：

https://shell.cloud.google.com/?show=ide,terminal

2. 如果出现提示，请点击授权：

3. 从终端的编号菜单中选择有效的 Google Cloud 项目 ID：

unset CLOUDSDK_CORE_PROJECT
PS3="Select your project (e.g. 1): "
select PROJECT_ID in $(gcloud projects list --format="value(projectId)"); do
  [ -n "$PROJECT_ID" ] && gcloud config set project "$PROJECT_ID" && break
done

您应该会看到如下所示的输出（未标记的项目也会输出信息性 [environment: untagged] 行）：

1) google-cloud-workshop-4210
2) my-cloud-project-8812
Select your project (e.g. 1): 1
Updated property [core/project].

验证您选择的项目 ID 是否在 Cloud Shell 提示中以黄色突出显示：

启用必需的 API

启用 Agent Platform API，以便 ADK 智能体可以调用 Gemini 模型：

gcloud services enable aiplatform.googleapis.com

您看到的输出结果应该类似于以下内容：

Operation "operations/acat.p2-..." finished successfully.

创建 Python 虚拟环境并安装 ADK

为什么选择 uv？uv 采用 Rust 编写，可在几秒内创建 Python 环境并安装软件包。如需了解详情，请参阅 uv 文档。

创建 ~/adk-graph-agents 工作区并激活 Python 3.12 虚拟环境：

cd ~
mkdir -p adk-graph-agents && cd ~/adk-graph-agents

which uv >/dev/null 2>&1 || curl -LsSf https://astral.sh/uv/install.sh | sh
export PATH="$HOME/.local/bin:$PATH"

uv venv .venv --python 3.12
source .venv/bin/activate

确认 (.venv) 前缀显示在终端提示符的开头：

在活跃的虚拟环境中安装 ADK 2：

uv pip install --no-cache "google-adk==2.14.0"

🔍 检查您的工作

验证已安装的 adk CLI 版本：

adk --version

您看到的输出结果应该类似于以下内容：

adk, version 2.14.0

会话恢复提示：如果您的 Cloud Shell 标签页稍后断开连接，请返回工作区并使用 cd ~/adk-graph-agents && source .venv/bin/activate 重新激活环境。

5. 搭建旅行规划工具的框架

使用 adk create 生成入门级 travel_planner 软件包，并在 adk web 中测试默认的单智能体基准。

生成入门软件包

从 ~/adk-graph-agents 运行 adk create：

cd ~/adk-graph-agents
adk create travel_planner

在系统提示时选择以下选项（如果系统在首次运行时提示 Enable telemetry? [Y/n]:，请按 Enter 键或输入 n 并按 Enter 键）：

1. Choose a model for the root agent（为根智能体选择模型）：输入 2 以选择 gemini-3.8-flash（选项 1 会选择 gemini-3.5-flash），然后按 Enter 键。
2. 选择后端：输入 2 以选择 Google Cloud Agent Platform 后端（下方 CLI 菜单中的选项 2），然后按 Enter。
3. Enter Google Cloud project ID：按 Enter 键，接受括号中检测到的项目 ID。
4. Enter Google Cloud region（输入 Google Cloud 区域）：输入 global（以使用全球 Gemini 端点），然后按 Enter 键。

adk create 会将 GOOGLE_GENAI_USE_ENTERPRISE=1、您的项目 ID 和 GOOGLE_CLOUD_LOCATION=global 写入 travel_planner/.env，这样，当您稍后替换 agent.py 时，您的凭证会保持不变。

您看到的输出结果应该类似于以下内容：

Choose a model for the root agent:
1. gemini-3.5-flash
2. gemini-3.8-flash
3. Other models (fill later)
Choose model (1, 2, 3): 2
1. Google AI
2. Vertex AI
3. Login with Google
Choose a backend (1, 2, 3): 2

You need an existing Google Cloud account and project, check out this link for details:
https://google.github.io/adk-docs/get-started/quickstart/#gemini---google-cloud-vertex-ai

Enter Google Cloud project ID [google-cloud-workshop-4210]:
Enter Google Cloud region [us-central1]: global

Agent created in /home/your_username/adk-graph-agents/travel_planner:
- .env
- .gitignore
- __init__.py
- agent.py

⚠️  WARNING: Secrets (like GOOGLE_API_KEY) are stored in .env.

Next steps:
- Chat with your agent in the terminal: adk run travel_planner
- Or in the browser: adk web .
- Have your coding agent evaluate and deploy it: uvx google-agents-cli setup
  (other install options: https://adk.dev/get-started/agents-cli/)

在 Cloud Shell 代码编辑器中打开 ~/adk-graph-agents：

which cloudshell >/dev/null 2>&1 && cloudshell workspace ~/adk-graph-agents || true

终端重启说明：运行 cloudshell workspace 会重新加载 Cloud Shell 窗口并重启 shell。终端窗格重新加载后，重新激活 .venv。

在重新加载的终端中重新激活虚拟环境：

cd ~/adk-graph-agents
source .venv/bin/activate

测试起始单智能体

启动 ADK Web 界面，观察单个未经编排的入门级智能体如何回答旅行提示：

cd ~/adk-graph-agents
adk web --allow_origins "*"

点击 Cloud Shell 工具栏右上角的网页预览图标，选择更改端口，输入 8000，然后点击更改并预览：

🔍 检查您的工作

在 adk web 左上角的下拉菜单中选择 travel_planner，然后发送 "Help me plan a trip to Japan"：

您应该会在对话窗格中看到单轮对话回复（在事件中会看到单次 root_agent 调用）：

root_agent -> responds in one pass without structured preference extraction, live search, or budget verification

在 Cloud Shell 终端中按 Ctrl + C 停止 adk web，然后再在下一步中修改文件。

6. 构建线性图工作流

构建您的首个 ADK 2 Workflow：一个将预留的 "START" 入口点连接到 user_profiler_agent 和 itinerary_synthesizer_agent 的依序链（任何没有传出边的节点都充当终端节点）。每个边缘 (a, b) 都会在隔离的 single_turn 模式下自动运行 Agent（LlmAgent 的别名）节点，并将节点 a 的输出作为 node_input（传入的用户消息）传递给节点 b，而指令字符串中的 {user_preferences} 会插入通过 output_key 保存的匹配会话状态键。

创建初始专家

确保 adk web 已停止 (Ctrl + C)，然后打开一个名为 travel_planner/specialists.py 的新文件：

cloudshell edit ~/adk-graph-agents/travel_planner/specialists.py

将以下代码粘贴到 travel_planner/specialists.py 中，以定义 user_profiler_agent 和 itinerary_synthesizer_agent（提前导入 google_search，以便在下一步中使用）：

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

MODEL = "gemini-3.8-flash"

# --- Specialist 1: The User Profiler ---
user_profiler_agent = Agent(
    model=MODEL,
    name="user_profiler_agent",
    description="Extracts travel preferences and constraints from user input.",
    instruction="""
        Extract destination, duration (default 1 day), budget, interests, and exclusions.
        Return a single JSON object with keys: "destination", "duration", "budget", "interests", "exclusions".
    """,
    output_key="user_preferences",  # Saved for multi-hop constraints downstream
)

# --- Specialist 2: The Synthesizer ---
itinerary_synthesizer_agent = Agent(
    model=MODEL,
    name="itinerary_synthesizer_agent",
    description="Compiles preferences and research into a final Markdown itinerary.",
    instruction="""
        You are an elite Travel Concierge. Using the incoming input and
        User Preferences ({user_preferences}), write a Markdown itinerary
        with an itemized USD and local currency cost breakdown.
    """,
    output_key="final_itinerary",
)

node_input、output_key和MODEL：与 ADK 1 SequentialAgent 和 ParallelAgent（其中每个专家都需要 output_key）不同，ADK 2 Workflow 通过 node_input 将每个节点的输出直接传递给其下一个邻居。仅为使用 {key} 指令占位符（例如 {user_preferences} 和 {final_itinerary}）在下游多跃点引用的值保留 output_key。由于 Workflow 不会将父级模型传播到其图节点，因此在 specialists.py 顶部定义一次 MODEL 即可在一行中升级所有节点。

定义顺序边缘链

打开一个名为 travel_planner/workflows.py 的新文件：

cloudshell edit ~/adk-graph-agents/travel_planner/workflows.py

粘贴以下 Workflow 定义（其中包含 3 个或更多节点的元组会编译为 "START" 中的顺序链）：

from google.adk import Workflow
from .specialists import (
    itinerary_synthesizer_agent,
    user_profiler_agent,
)

# 1. SEQUENTIAL GRAPH: START -> user_profiler_agent -> itinerary_synthesizer_agent
travel_workflow = Workflow(
    name="travel_workflow",
    description="Orchestrates the end-to-end travel planning process as a graph workflow.",
    edges=[
        ("START", user_profiler_agent, itinerary_synthesizer_agent),
    ],
)

将工作流公开为 root_agent

打开 travel_planner/agent.py：

cloudshell edit ~/adk-graph-agents/travel_planner/agent.py

将 travel_planner/agent.py 的全部内容替换为以下两行：

from .workflows import travel_workflow

root_agent = travel_workflow

一次性设置入口点：由于 agent.py 会将 travel_workflow 重新导出为 root_agent，因此您在 workflows.py 中进行的每次图表升级都会自动生效，而无需再次修改 agent.py。

🔍 检查您的工作

从 ~/adk-graph-agents 启动 adk web：

cd ~/adk-graph-agents
adk web --allow_origins "*"

在端口 8000 上打开 Web 预览，点击 + 新会话，然后发送：

Help me plan a trip to Kyoto

在事件视图中，您应该会看到如下所示的事件序列：

1. user_profiler_agent -> outputs JSON {"destination": "Kyoto", "duration": "1 day", ...} and writes state["user_preferences"]
2. itinerary_synthesizer_agent -> receives preferences via node_input and outputs the Markdown itinerary

点击事件中的任意事件，然后点击图表图标（事件详情工具栏中的 account_tree）以检查已编译的 START -> user_profiler_agent -> itinerary_synthesizer_agent 拓扑，然后查看状态标签页，验证 user_preferences 和 final_itinerary 是否已填充。

在终端中按 Ctrl + C 停止 adk web，然后再继续。

7. 使用 JoinNode 进行扇出和联接

通过添加两个并发 google_search 专家（activity_finder_agent 和 restaurant_finder_agent）并将其与 JoinNode 同步，将行程建立在实时网络数据的基础上：

• 扇出元组：将 (activity_finder_agent, restaurant_finder_agent) 放入边缘元组中，可同时将 user_profiler_agent 的输出作为 node_input 传递给两位研究人员。
• 扇入屏障 (JoinNode)：将 JoinNode(name="research_join") 放在元组之后，会等待每个传入分支完成，并将一个合并的 dict ({"activity_finder_agent": ..., "restaurant_finder_agent": ...}) 作为 node_input 传递给 itinerary_synthesizer_agent，而不是触发两次合成。

附加研究专家

确认 adk web 已停止 (Ctrl + C)，然后打开 travel_planner/specialists.py：

cloudshell edit ~/adk-graph-agents/travel_planner/specialists.py

将 activity_finder_agent 和 restaurant_finder_agent 附加到 travel_planner/specialists.py 的底部（两者都不需要 output_key，因为 research_join 会通过 node_input 直接转发这两个输出）：

# --- Specialist 3: The Activity Finder ---
activity_finder_agent = Agent(
    model=MODEL,
    name="activity_finder_agent",
    description="Finds 3 attractions matching the user's destination and interests.",
    instruction="""
        Using the travel preferences in the input, call google_search to find 3 specific attractions
        (including budget-friendly options).
        Return a JSON list with keys: "attraction_name", "estimated_cost_local", "estimated_cost_usd", "notes".
    """,
    tools=[google_search],
)

# --- Specialist 4: The Restaurant Finder ---
restaurant_finder_agent = Agent(
    model=MODEL,
    name="restaurant_finder_agent",
    description="Finds 3 restaurants matching the destination and budget.",
    instruction="""
        Using the travel preferences in the input, call google_search to find 3 highly-rated restaurants
        across price points.
        Return a JSON list with keys: "restaurant_name", "cuisine", "estimated_cost_local", "estimated_cost_usd".
    """,
    tools=[google_search],
)

实验 2 中的可选货币工具：由于 google_search 在两个研究节点上保持隔离，您还可以将利用工具赋能中的自定义 get_fx_rate 函数附加到 itinerary_synthesizer_agent (tools=[get_fx_rate])，以进行实时汇率换算。

向 workflows.py 添加扇出和 JoinNode

打开 travel_planner/workflows.py：

cloudshell edit ~/adk-graph-agents/travel_planner/workflows.py

将 travel_planner/workflows.py 的全部内容替换为扇出和 JoinNode 图：

from google.adk import Workflow
from google.adk.workflow import JoinNode
from .specialists import (
    activity_finder_agent,
    itinerary_synthesizer_agent,
    restaurant_finder_agent,
    user_profiler_agent,
)

research_join = JoinNode(name="research_join")

# 2. FAN-OUT / FAN-IN GRAPH: Profile -> (Activities || Restaurants) -> Join -> Synthesize
travel_workflow = Workflow(
    name="travel_workflow",
    description="Orchestrates the end-to-end travel planning process as a graph workflow.",
    edges=[
        (
            "START",
            user_profiler_agent,
            (activity_finder_agent, restaurant_finder_agent),
            research_join,
            itinerary_synthesizer_agent,
        ),
    ],
)

🔍 检查您的工作

启动 adk web 以测试并发搜索和 JoinNode 同步：

cd ~/adk-graph-agents
adk web --allow_origins "*"

在端口 8000 上打开 Web 预览，点击 + 新会话，然后发送：

Help me plan a trip to Kyoto focused on historic temples and ramen

在事件视图中，您应该会看到如下所示的事件序列：

1. user_profiler_agent -> emits JSON preferences via node_input
2. activity_finder_agent & restaurant_finder_agent -> invoke google_search concurrently
3. research_join -> merges both researcher outputs into one dict node_input
4. itinerary_synthesizer_agent -> drafts final_itinerary from the merged dict + {user_preferences}

在 adk web 中检查并行执行：点击对话窗格顶部的跟踪记录（位于事件旁边），查看 activity_finder_agent 和 restaurant_finder_agent 的重叠 span，或点击事件中的 research_join 并打开智能体结构（顶部工具栏中的 account_tree），检查菱形扇出/扇入图。

在终端中按 Ctrl + C 停止 adk web，然后再继续。

8. 路线修订周期

通过添加一个 itinerary_critic_agent、一个 itinerary_refiner_agent 和两个返回 ADK Event 对象的确定性 Python 函数节点（route_critique 和 finalize_itinerary），强制执行预算和负面限制：

• route：选择字典边缘 ({"revise": ..., "approved": ...}) 中的哪个命名分支键接下来运行。
• output：沿边缘将类型化 Python 值或字符串作为 node_input 传递给下一个节点，而不呈现聊天消息。
• message 和 state：message 会在对话记录中输出用户可见的文本，而 state 会将键值对更新 (stateDelta) 提交到会话状态。

附加批评者和优化者专家

确认 adk web 已停止 (Ctrl + C)，然后打开 travel_planner/specialists.py：

cloudshell edit ~/adk-graph-agents/travel_planner/specialists.py

将 itinerary_critic_agent 和 itinerary_refiner_agent 附加到 travel_planner/specialists.py 的底部（优化器不需要 google_search 或 exit_loop 工具，因为它会交换已在 {final_itinerary} 中收集的内容，并且仅在 route_critique 选择 "revise" 时运行）：

# --- Specialist 5: The Budget & Constraint Critic ---
itinerary_critic_agent = Agent(
    model=MODEL,
    name="itinerary_critic_agent",
    description="Audits the itinerary draft against budget and negative constraints.",
    instruction="""
        Audit the itinerary in the input against User Preferences ({user_preferences}).
        Verify that the USD total stays within the user's budget and no excluded venue types appear.
        If all checks pass, respond EXACTLY with the single word "APPROVED".
        Otherwise, output 1-2 concise revision instructions explaining what to swap or adjust.
    """,
)

# --- Specialist 6: The Itinerary Refiner ---
itinerary_refiner_agent = Agent(
    model=MODEL,
    name="itinerary_refiner_agent",
    description="Revises the itinerary draft using the critic's feedback.",
    instruction="""
        Revise Current Itinerary ({final_itinerary}) using the auditor critique in the input
        so all USD budget and exclusion rules in {user_preferences} pass.
        Output ONLY the updated Markdown itinerary.
    """,
    output_key="final_itinerary",
)

添加 route_critique 和周期

打开 travel_planner/workflows.py：

cloudshell edit ~/adk-graph-agents/travel_planner/workflows.py

将 travel_planner/workflows.py 的全部内容替换为完整的图表工作流：

from google.adk import Event, Workflow
from google.adk.workflow import JoinNode
from .specialists import (
    activity_finder_agent, itinerary_critic_agent, itinerary_refiner_agent,
    itinerary_synthesizer_agent, restaurant_finder_agent, user_profiler_agent,
)

MAX_REVISIONS = 2
research_join = JoinNode(name="research_join")


def route_critique(node_input: str, revision_count: int = 0):
    """Routes to 'approved' when constraints pass, or 'revise' up to MAX_REVISIONS."""
    approved = node_input.strip().rstrip(".").upper() == "APPROVED"
    if approved or revision_count >= MAX_REVISIONS:
        return Event(route="approved", output=approved)
    return Event(
        route="revise", output=node_input, state={"revision_count": revision_count + 1}
    )


def finalize_itinerary(node_input: bool, final_itinerary: str, revision_count: int = 0):
    """Emits the verified itinerary and resets revision_count for the next turn."""
    status = (
        f"Itinerary approved after {revision_count} revision(s)."
        if node_input
        else f"Max revisions ({revision_count}) reached; returning best-effort draft."
    )
    return Event(
        message=f"{status}\n\n{final_itinerary}",
        output=final_itinerary,
        state={"revision_count": 0},
    )


travel_workflow = Workflow(
    name="travel_workflow",
    description="Orchestrates the end-to-end travel planning process as a graph workflow.",
    edges=[
        (
            "START",
            user_profiler_agent,
            (activity_finder_agent, restaurant_finder_agent),
            research_join,
            itinerary_synthesizer_agent,
            itinerary_critic_agent,
            route_critique,
        ),
        (route_critique, {"revise": itinerary_refiner_agent, "approved": finalize_itinerary}),
        (itinerary_refiner_agent, itinerary_critic_agent),
    ],
)

状态绑定函数参数：ADK 2 会自动将 node_input 绑定到前置节点的输出，并直接从会话状态解析其他参数名称（final_itinerary、revision_count: int = 0），无需使用 ctx.state 样板代码。在 finalize_itinerary 内重置 state={"revision_count": 0} 可确保同一对话会话中的后续轮次以新的修订预算开始。

🔍 检查您的工作

验证 travel_planner/workflows.py 是否能顺利编译并输出有向图的边：

cd ~/adk-graph-agents && source .venv/bin/activate
python3 -c "from travel_planner.agent import root_agent; print('\n'.join(f'{e.from_node.name} -> {e.to_node.name} (route={e.route})' for e in root_agent.graph.edges))"

您看到的输出结果应该类似于以下内容：

__START__ -> user_profiler_agent (route=None)
user_profiler_agent -> activity_finder_agent (route=None)
user_profiler_agent -> restaurant_finder_agent (route=None)
activity_finder_agent -> research_join (route=None)
restaurant_finder_agent -> research_join (route=None)
research_join -> itinerary_synthesizer_agent (route=None)
itinerary_synthesizer_agent -> itinerary_critic_agent (route=None)
itinerary_critic_agent -> route_critique (route=None)
route_critique -> itinerary_refiner_agent (route=revise)
route_critique -> finalize_itinerary (route=approved)
itinerary_refiner_agent -> itinerary_critic_agent (route=None)

接下来，启动 adk web 以测试即时审批和预算触发的修订：

adk web --allow_origins "*"

在端口 8000 上打开 Web 预览，点击 + 新会话，然后发送包含多个限制条件的京都提示：

Design a full-day itinerary for Kyoto with a total budget of $100. My main interests are historical landmarks, temples, and authentic local cuisine. Please do not include any modern art museums or galleries.

如需观察 route="revise" 循环的实际运行情况，请发送一个预算紧张（$15）的后续提示：

Now design a full-day Kyoto itinerary with paid temple admissions, lunch, and dinner on a strict total budget of $15 USD.

在事件视图中，您应该会看到如下所示的执行序列：

1. user_profiler_agent -> writes JSON constraints to state["user_preferences"]
2. (activity_finder_agent, restaurant_finder_agent) -> run google_search concurrently -> research_join
3. itinerary_synthesizer_agent -> writes initial draft to state["final_itinerary"]
4. itinerary_critic_agent -> outputs "APPROVED" (or revision instructions when over budget)
5. route_critique -> emits route="approved" (skipping refiner) or route="revise" -> itinerary_refiner_agent -> itinerary_critic_agent
6. finalize_itinerary -> emits "Itinerary approved after N revision(s)." (or max-revisions notice) and resets revision_count=0

检查周期验证和路由：点击事件中的 route_critique 事件，以在信息标签页中检查 actions.route（"approved" 或 "revise"）和 actions.stateDelta，或点击顶部工具栏中的 account_tree 图标以查看编译后的图。ADK 会在图构建时验证每个循环是否至少包含一条路由边，因此无条件的无限循环无法编译。

在终端中按 Ctrl + C 即可停止 adk web。

9. 问题排查

adk web 中的代理下拉菜单为空

• 原因：adk web 是在 travel_planner/（而非父级 ~/adk-graph-agents 目录）中启动的，或者 Cloud Shell 会话已重启。
• 解决方法：按 Ctrl + C，返回父级目录，然后使用 cd ~/adk-graph-agents && source .venv/bin/activate && adk web --allow_origins "*" 重新启动。

404 NOT_FOUND 个模型错误

• 原因：您在 adk create 期间按了 Enter 键以接受默认的 us-central1 区域，而不是输入 global。
• 解决方法：打开 ~/adk-graph-agents/travel_planner/.env，并确保已设置 GOOGLE_CLOUD_LOCATION=global。

ERROR: [Errno 98] address already in use（端口：8000）

• 原因：之前的 adk web 服务器仍在 Cloud Shell 中运行。
• 解决方法：在活跃终端中按 Ctrl + C，或使用 pkill -f "adk web" 停止现有进程，然后再启动 adk web。

10. 清理

移除本地工作区，并视需要停用 API 或删除专用研讨会项目。

继续实验？如果您想继续探索此项目，只需停止 adk web (Ctrl + C) 并跳过以下删除步骤即可。

删除本地项目文件

移除 ~/adk-graph-agents 目录和虚拟环境：

cd ~
rm -rf ~/adk-graph-agents

停用 Agent Platform API（可选）

如果您在此项目中不再需要 Agent Platform API，请将其停用：

gcloud services disable aiplatform.googleapis.com --quiet

⚠️ 可选项目删除：仅当您专门为此 Codelab 创建了专用项目时，才删除该 Google Cloud 项目。请在管理资源中将其删除，或运行 gcloud projects delete "$(gcloud config get-value project)" 并在系统提示时进行确认。

🔍 检查您的工作

确认 ~/adk-graph-agents 已被移除：

test ! -d ~/adk-graph-agents && echo "Workspace ~/adk-graph-agents removed"

您看到的输出结果应该类似于以下内容：

Workspace ~/adk-graph-agents removed

11. 恭喜

您使用 ADK 2 Workflow 构建了一个多智能体旅行规划工具，在单个声明式边缘图中整合了顺序链、使用 JoinNode 的并发 google_search 扇出以及条件式创建者-检查者循环。

您完成的任务

• 使用 ADK 2 声明了多智能体流水线 Workflow(edges=[...])
• 通过 node_input 和状态绑定参数在 Agent、JoinNode 和 Python 函数节点之间直接传递数据，同时尽可能减少会话状态
• 扇出并发 google_search 分支，并将其与 JoinNode 同步
• 将 LoopAgent 和基于工具的循环上报替换为确定性 Event(route=...) 路由器，该路由器会跳过对已批准草稿的不必要 LLM 调用

后续步骤

• 探索 ADK 中的多智能体系统
• 加入 GEAR（Gemini Enterprise Agent Ready）计划和“获得认证”计划，参加实操研讨会并学习相关课程