使用 ADK 构建 AI 智能体：编排智能体工作流

1. 概览

为了满足多约束条件的旅行请求（例如，设计一个预算在 100 美元以内、专注于历史寺庙和当地美食、不包含现代艺术画廊的京都全天行程），需要提取约束条件、同时研究景点和餐饮、制定详细的日程安排，并审核最终计划。如果仅依赖一个包含众多工具的单体式智能体，可能会跳过验证步骤或违反排除规则，因此需要通过编排，利用确定性工作流控制器来协调专门的子智能体。

在使用 ADK 构建 AI 智能体系列的第三部分中，您将使用智能体开发套件 (ADK) 2 工作流控制器（SequentialAgent、ParallelAgent 和 LoopAgent），在 Agent Platform 上构建一个自包含的多智能体旅行规划工具。在三个渐进阶段（无需第 1 部分或第 2 部分的工作区设置）中，您将协调六个由 gemini-3.8-flash 提供支持的专业智能体，这些智能体具有共享会话状态 (output_key)、并发 google_search 执行和迭代式 Maker-Checker 优化循环。

初次使用 ADK？如果您对生成式 AI 智能体概念和 Google 智能体开发套件 (ADK) 完全陌生，我们建议您先完成使用 ADK 构建 AI 智能体：基础知识和使用 ADK 构建 AI 智能体：配备工具。

正在探索 ADK 2 图表工作流？完成此 Codelab 后，请继续学习第 4 部分使用 ADK 构建 AI 智能体：编排图工作流，了解如何在一个声明式 Workflow 图中统一顺序、并行 (JoinNode) 和循环 (Event(route=...)) 编排。

前提条件

• 了解生成式 AI 概念
• 基本掌握 Python 编程
• 熟悉 AI 智能体基础知识和 Google ADK

学习内容

• 如何从头开始搭建多智能体 ADK 2 项目
• 如何设计一个由专业智能体组成的团队，并使用 output_key 共享会话状态
• 如何使用 SequentialAgent 在确定性的分步流水线中执行子智能体
• 如何使用 ParallelAgent 并发运行独立的研究智能体，以缩短延迟时间
• 如何使用 LoopAgent 和 ToolContext 升级来实现迭代式 maker-checker 优化循环
• 如何将依序、并行和循环模式组合到分层多智能体工作流中

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（或您的组织，如果需要）
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。

接着实验 1 和实验 2 继续操作？（快速通道）：如果您已在此 Cloud Shell 会话中配置 Google Cloud 项目 ID 和 Agent Platform API，请跳至创建 Python 虚拟环境并安装 ADK，以便顺利创建 ~/adk-agents/.venv。

本地终端提示：在本地机器（而非 Cloud Shell）上运行？运行 gcloud auth application-default login 一次，将 cloudshell edit filename 命令替换为您首选的编辑器（例如 code filename 或 nano filename），然后直接在浏览器中打开 http://localhost:8000。

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-agents 工作区并激活 Python 3.12 虚拟环境：

cd ~
mkdir -p adk-agents && cd ~/adk-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 Cloud Shell 标签页断开连接，或者您稍后打开了新终端，请返回工作区并运行 cd ~/adk-agents && source .venv/bin/activate 重新激活虚拟环境。

5. 搭建旅行规划工具智能体

环境准备就绪后，使用 ADK 的内置 adk create 命令为 travel_planner 智能体软件包生成起始文件。

生成入门软件包

从 ~/adk-agents 目录中运行 adk create：

cd ~/adk-agents
adk create travel_planner

当终端中出现提示时，请选择以下配置选项（如果首次运行时出现 Enable telemetry? [Y/n]: 提示，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. 输入 Google Cloud 项目 ID：按 Enter 键，确认括号中显示的项目 ID。
4. Enter Google Cloud region（输入 Google Cloud 区域）：输入 global，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，当您稍后更新 agent.py 时，您的凭证仍会保持配置状态。

🔍 检查您的工作

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-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 代码编辑器中打开当前文件夹，以便您在终端旁边检查和修改文件：

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

终端重启说明：运行 cloudshell workspace 会重新加载 Cloud Shell 编辑器视图。终端窗格重新加载后，请先重新激活虚拟环境，然后再继续：

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

测试默认的单一智能体

在构建多智能体工作流之前，请启动 ADK 开发界面，观察默认的单个智能体如何响应宽泛的旅行规划查询：

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

使用 Cloud Shell 网页预览在浏览器中打开开发界面：

1. 点击 Cloud Shell 右上角工具栏中的网页预览图标。
2. 选择更改端口，输入 8000，然后点击更改并预览。

ADK Web 界面加载后，发送问候语，例如 "hello, what can you do?" 或 "Help me plan a trip to Japan"：

请注意，单个 root_agent 会直接一次性回答，而不会进行结构化偏好提取、实时网络研究或预算验证。

测试完成后，在 Cloud Shell 终端中按 Ctrl + C 停止 adk web 服务器并返回命令提示符。

6. 构建 SequentialAgent 工作流

现在，您将构建第一个编排模式：由 SequentialAgent 提供支持的线性工作流。在依序流水线中，子智能体按严格的顺序执行。第一个专家提取结构化参数，并使用 output_key="user_preferences" 将其保存到共享会话状态，第二个专家从共享状态读取 {user_preferences} 以起草行程。

创建初始专家 (specialists.py)

在 travel_planner/ 中打开一个名为 specialists.py 的新文件：

cloudshell edit ~/adk-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（预先导入 ToolContext 和 google_search，以便在后续步骤中使用）：

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

# --- Specialist 1: The User Profiler ---
user_profiler_agent = Agent(
    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",  # Saves output to state['user_preferences']
)

# --- Specialist 2: The Synthesizer ---
itinerary_synthesizer_agent = Agent(
    name="itinerary_synthesizer_agent",
    description="Compiles preferences and research into a final Markdown itinerary.",
    instruction="""
        You are an elite Travel Concierge. Write a Markdown itinerary with an itemized USD and local currency cost breakdown using:
        - User Preferences: {user_preferences}
        - Activities (if available): {activity_recommendations?}
        - Restaurants (if available): {restaurant_recommendations?}
    """,
    output_key="final_itinerary",
)

ADK 中的模型继承和状态传递：SequentialAgent、ParallelAgent 和 LoopAgent 中的子智能体会自动继承 agent.py (gemini-3.8-flash) 中 root_agent 上配置的 model，因此您只需在一个位置定义 MODEL，而无需在每个专家智能体上重复 model=。在 user_profiler_agent 上设置 output_key="user_preferences" 会将其回答存储在 session.state["user_preferences"] 下，后续智能体通过 {user_preferences} 注入该回答（尾随的 ?，例如 {activity_recommendations?}，表示状态占位符在填充之前是可选的）。

连接顺序流水线 (workflows.py)

在 travel_planner/ 中创建一个名为 workflows.py 的新文件，用于协调专家：

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

将以下 SequentialAgent 定义添加到 travel_planner/workflows.py：

from google.adk.agents import SequentialAgent
from .specialists import (
    user_profiler_agent,
    itinerary_synthesizer_agent,
)

# 1. SEQUENTIAL PHASE: A linear two-step workflow
master_travel_agent = SequentialAgent(
    name="master_travel_agent",
    description="Orchestrates the end-to-end travel planning process for trip and itinerary requests.",
    sub_agents=[
        user_profiler_agent,         # Step 1: Extract constraints into user_preferences
        itinerary_synthesizer_agent,  # Step 2: Draft itinerary from user_preferences
    ],
)

将工作流关联到 root_agent (agent.py)

现在，将 master_travel_agent 注册为 root_agent 的子智能体。打开 travel_planner/agent.py：

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

将 travel_planner/agent.py 的内容替换为以下代码：

from google.adk import Agent
from .workflows import master_travel_agent

MODEL = "gemini-3.8-flash"

root_agent = Agent(
    model=MODEL,
    name="root_agent",
    description="A helpful assistant for user questions.",
    instruction=(
        "Greet the user and delegate any travel or trip planning requests "
        "to master_travel_agent."
    ),
    sub_agents=[master_travel_agent],
)

🔍 检查您的工作

从终端启动 ADK 网页界面：

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

在端口 8000 上打开网页预览，然后输入以下提示：

Help me plan a trip to Kyoto

您应该会在事件视图中看到类似于以下执行流程的输出：

1. root_agent -> calls transfer_to_agent(agent_name="master_travel_agent")
2. user_profiler_agent -> outputs JSON {"destination": "Kyoto", "duration": "1 day", ...} to state['user_preferences']
3. itinerary_synthesizer_agent -> reads {user_preferences} and outputs the formatted Markdown itinerary

点击任意事件标记（或 State: final_itinerary 标记），然后切换到左侧检查器面板中的状态标签页，确认 user_preferences 和 final_itinerary 均已填充到会话状态中。

检查完跟踪记录后，在终端中按 Ctrl + C 即可停止 adk web。

7. 使用 ParallelAgent 进行研究

虽然顺序工作流将偏好提取与行程草拟清晰地分离开来，但其建议仍然完全依赖于模型的静态训练知识。您可以添加两个由内置 google_search 工具提供支持的专用研究员，让行程安排基于实时网络数据：

• activity_finder_agent：查找与用户目的地和兴趣相符的 3 个特定景点，以及预估票价。
• restaurant_finder_agent：查找 3 家评价较高的本地餐厅及其人均预估消费。

由于研究景点和研究餐厅并不相互依赖，因此一个接一个地运行它们会浪费时间。相反，您需要将两个研究员封装在 ParallelAgent (parallel_research_agent) 中，以便 ADK 同时执行两个 Google 搜索工作流，并在将控制权移交给 itinerary_synthesizer_agent 之前填充 {activity_recommendations?} 和 {restaurant_recommendations?}。

将并行研究专家附加到 specialists.py

打开 travel_planner/specialists.py：

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

将以下两位 Google 搜索专家附加到 travel_planner/specialists.py 的底部（紧挨着 itinerary_synthesizer_agent 的下方）：

# --- Specialist 3: The Activity Finder ---
activity_finder_agent = Agent(
    name="activity_finder_agent",
    description="Finds 3 attractions matching the user's destination and interests.",
    instruction="""
        Based on {user_preferences}, use 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],
    output_key="activity_recommendations",
)

# --- Specialist 4: The Restaurant Finder ---
restaurant_finder_agent = Agent(
    name="restaurant_finder_agent",
    description="Finds 3 restaurants matching the destination and budget.",
    instruction="""
        Based on {user_preferences}, use 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],
    output_key="restaurant_recommendations",
)

加分项 - 重新引入实验 2 中的 get_fx_rate（可选）：在使用 ADK 构建 AI 智能体：配备工具中，您编写了一个简单的 Python get_fx_rate(base: str, target: str) 函数，用于从 https://hexarate.paikama.co/api/rates/latest 获取实时货币汇率。通过将 google_search 隔离在两个研究员专家（activity_finder_agent 和 restaurant_finder_agent）上，并将 tools=[get_fx_rate] 直接附加到 itinerary_synthesizer_agent，每个智能体都专注于一项工作（即使在旧版 Gemini 模型上，这种拆分也仍然可移植，而 Gemini 3+ 模型还支持在单个智能体上将 google_search 等内置工具与自定义函数混合使用）。

将 ParallelAgent 插入 workflows.py

打开 travel_planner/workflows.py：

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

更新 travel_planner/workflows.py，以使用 ParallelAgent 定义 parallel_research_agent，并将其放置在 user_profiler_agent 和 itinerary_synthesizer_agent 之间：

from google.adk.agents import ParallelAgent, SequentialAgent
from .specialists import (
    activity_finder_agent,
    itinerary_synthesizer_agent,
    restaurant_finder_agent,
    user_profiler_agent,
)

# Parallel branch: Run activity and restaurant research simultaneously
parallel_research_agent = ParallelAgent(
    name="parallel_research_agent",
    description="Runs activity and restaurant research concurrently.",
    sub_agents=[
        activity_finder_agent,
        restaurant_finder_agent,
    ],
)

# Master pipeline: Profile -> Parallel Research -> Synthesize
master_travel_agent = SequentialAgent(
    name="master_travel_agent",
    description="Orchestrates the end-to-end travel planning process for trip and itinerary requests.",
    sub_agents=[
        user_profiler_agent,          # Step 1: Extract constraints
        parallel_research_agent,      # Step 2: Research activities & restaurants in parallel
        itinerary_synthesizer_agent,  # Step 3: Synthesize into an itinerary
    ],
)

🔍 检查您的工作

再次启动 adk web 以测试并行研究流水线：

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

在 Web 预览界面中，发送以下提示：

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

您应该会在事件视图中看到类似于以下序列的输出：

1. user_profiler_agent -> writes state['user_preferences']
2. parallel_research_agent -> fans out concurrently:
   - activity_finder_agent invokes google_search -> writes state['activity_recommendations']
   - restaurant_finder_agent invokes google_search -> writes state['restaurant_recommendations']
3. itinerary_synthesizer_agent -> merges all three state keys into state['final_itinerary']

在 ADK 网页界面中检查并发：在 ADK 网页界面中切换这些视图，以验证并行执行：

1. “跟踪记录”视图：点击对话窗格顶部的跟踪记录（位于事件旁边），然后检查您的轮次。您会在parallel_research_agent下看到activity_finder_agent和restaurant_finder_agent的时间轴跨度重叠，与按顺序运行相比，总网络研究延迟时间几乎缩短了一半。
2. “State”（状态）标签页：点击左侧检查器面板中的 State 标签页，以检查实时会话字典（user_preferences、activity_recommendations、restaurant_recommendations 和 final_itinerary）。

测试完成后，在终端中按 Ctrl + C 即可停止 adk web。

8. 使用 LoopAgent 优化草稿

即使有实时搜索结果，itinerary_synthesizer_agent 生成的初始草稿也可能会超出用户的总预算，或者意外包含排除的类别（例如，用户要求不包含现代艺术画廊，但草稿中却包含了）。

为确保符合约束条件，您将使用 LoopAgent 在流水线末尾添加创建者-检查者优化循环：

1. itinerary_critic_agent（检查器）：根据 {user_preferences} 审核 {final_itinerary}。它会汇总估算费用，检查每个负面限制条件，然后将具体的修订说明写入 critique_feedback，或使用确切短语 "APPROVED" 进行回复。
2. itinerary_refiner_agent（制造者/退出者）：读取 {critique_feedback}。如果批评等于 "APPROVED"，它会调用 exit_loop 工具 (tool_context.actions.escalate = True) 以立即退出 LoopAgent。否则，它会修改 {final_itinerary} 以解决标记的问题，并覆盖 final_itinerary 以便在下一次传递中使用。

将 exit_loop、Critic 和 Refiner 附加到 specialists.py

打开 travel_planner/specialists.py：

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

将 exit_loop 工具 (ToolContext)、itinerary_critic_agent 和 itinerary_refiner_agent 附加到 travel_planner/specialists.py 的底部：

def exit_loop(tool_context: ToolContext) -> dict:
    """Call ONLY when the critique is APPROVED to exit the refinement loop."""
    print(f"[Tool Call] exit_loop triggered by {tool_context.agent_name}")
    tool_context.actions.escalate = True
    return {"status": "approved", "message": "Itinerary approved. Exiting refinement loop."}


# --- Specialist 5: The Budget & Constraint Critic (Inside LoopAgent) ---
itinerary_critic_agent = Agent(
    name="itinerary_critic_agent",
    include_contents="none",
    description="Audits the itinerary draft against budget and negative constraints.",
    instruction="""
        Audit Current Itinerary ({final_itinerary}) 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.
    """,
    output_key="critique_feedback",
)

# --- Specialist 6: The Itinerary Refiner / Exiter (Inside LoopAgent) ---
itinerary_refiner_agent = Agent(
    name="itinerary_refiner_agent",
    include_contents="none",
    description="Refines the itinerary from critique feedback, or calls exit_loop when APPROVED.",
    instruction="""
        Review Auditor Critique ({critique_feedback}) for Current Itinerary ({final_itinerary}).
        If the critique is EXACTLY "APPROVED", call `exit_loop` immediately and return the itinerary unchanged.
        Otherwise, revise the draft using {activity_recommendations} and {restaurant_recommendations}
        so all USD budget and exclusion rules pass, and output ONLY the updated Markdown itinerary.
    """,
    tools=[exit_loop],
    output_key="final_itinerary",
)

ADK 中的内置 exit_loop 快捷方式：自行编写 exit_loop(tool_context: ToolContext) 可让您记录工具调用，并了解 tool_context.actions.escalate = True 如何向 LoopAgent 发出停止信号。在生产项目中，您还可以通过 from google.adk.tools import exit_loop 直接导入 ADK 的内置辅助程序，该辅助程序会为您设置 tool_context.actions.escalate = True 和 tool_context.actions.skip_summarization = True。

为 workflows.py 添加 LoopAgent

打开 travel_planner/workflows.py：

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

更新 travel_planner/workflows.py，将 itinerary_critic_agent 和 itinerary_refiner_agent 封装在 LoopAgent (max_iterations=3) 中，并将其附加为 master_travel_agent 的第四个阶段：

from google.adk.agents import LoopAgent, ParallelAgent, SequentialAgent
from .specialists import (
    activity_finder_agent,
    itinerary_critic_agent,
    itinerary_refiner_agent,
    itinerary_synthesizer_agent,
    restaurant_finder_agent,
    user_profiler_agent,
)

# Stage 2: Parallel research branch
parallel_research_agent = ParallelAgent(
    name="parallel_research_agent",
    description="Runs activity and restaurant research concurrently.",
    sub_agents=[
        activity_finder_agent,
        restaurant_finder_agent,
    ],
)

# Stage 4: Iterative Maker-Checker refinement loop
refinement_loop_agent = LoopAgent(
    name="refinement_loop_agent",
    description="Iteratively audits and refines the itinerary until constraints and budget are approved.",
    sub_agents=[
        itinerary_critic_agent,
        itinerary_refiner_agent,
    ],
    max_iterations=3,
)

# Master pipeline: Profile -> Parallel Research -> Synthesize -> Refinement Loop
master_travel_agent = SequentialAgent(
    name="master_travel_agent",
    description="Orchestrates the end-to-end travel planning process for trip and itinerary requests.",
    sub_agents=[
        user_profiler_agent,          # Stage 1: Extract constraints
        parallel_research_agent,      # Stage 2: Research activities & restaurants in parallel
        itinerary_synthesizer_agent,  # Stage 3: Draft initial itinerary
        refinement_loop_agent,        # Stage 4: Audit and refine until approved
    ],
)

🔍 检查您的工作

启动 adk web 以测试完整的多智能体工作流：

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

在端口 8000 上打开网页预览界面，启动新会话，然后使用以下京都多约束提示测试整个系统：

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.

您应该会在事件视图和终端日志中看到类似于以下执行序列的输出：

1. user_profiler_agent -> writes JSON with destination="Kyoto", budget="$100", exclusions=["modern art museums", "galleries"]
2. parallel_research_agent -> runs activity_finder_agent and restaurant_finder_agent in parallel
3. itinerary_synthesizer_agent -> produces initial draft in state['final_itinerary']
4. refinement_loop_agent:
   - itinerary_critic_agent -> audits USD budget and exclusions -> outputs "APPROVED" (or revision notes)
   - itinerary_refiner_agent -> triggers [Tool Call] exit_loop triggered by itinerary_refiner_agent and outputs the approved itinerary

在 ADK 网页界面中检查循环迭代和上报：

1. “事件”视图：点击 itinerary_critic_agent 或 itinerary_refiner_agent 中的任意事件条状标签，即可在左侧的信息标签页中检查其载荷。当 itinerary_refiner_agent 调用 exit_loop 时，检查事件以查看 actions.escalate: true，该信号会告知 LoopAgent 在达到 max_iterations=3 之前停止迭代。
2. “State”（状态）标签页：点击状态标签页，观察 state['critique_feedback'] 和 state['final_itinerary'] 在各次传递中的更新情况。如果初始草稿超过 $100 USD，critique_feedback 会在第 1 轮中保留审核者的修订说明，然后 final_itinerary 会在第 2 轮中更新为成本较低的替代方案，critique_feedback 会在第 2 轮中更改为 "APPROVED"。

测试完成后，在终端中按 Ctrl + C 即可停止 adk web。

9. 清理

接着上一系列继续操作？如果您计划在后续实验中继续使用该项目，则只需使用 Ctrl + C 停止正在运行的 adk web 进程，并跳过以下删除步骤。

删除本地项目文件

如需从 Cloud Shell 主文件夹中移除 adk-agents 项目目录和虚拟环境，请运行以下命令：

cd ~
rm -rf ~/adk-agents

停用 Agent Platform API

如果您不再需要在项目中启用 Agent Platform API，请使用 gcloud 将其停用：

gcloud services disable aiplatform.googleapis.com --quiet

删除整个 Google Cloud 项目（可选）

⚠️ 破坏性操作：仅当您专门为此 Codelab 创建了专用项目时，才删除 Google Cloud 项目。删除项目会永久移除其中的所有资源，且无法撤消。

PROJECT_ID=$(gcloud config get-value project)
gcloud projects delete "$PROJECT_ID" --quiet

🔍 检查您的工作

确认 ~/adk-agents 已被移除：

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

您看到的输出结果应该类似于以下内容：

Workspace ~/adk-agents removed

10. 恭喜

恭喜！您已使用 Google 智能体开发套件 (ADK) 构建了一个分层多智能体系统，该系统可协调由六个专业智能体组成的团队，执行依序、并行和迭代循环工作流。

您完成的任务

• 通过共享会话状态（output_key 和 {state_variable} 模板注入）实现结构化智能体间通信
• 使用 SequentialAgent 构建了确定性的分步流水线
• 使用 ParallelAgent 并发执行了独立的 Google 搜索研究智能体
• 使用 LoopAgent 和 tool_context.actions.escalate = True 实现了自动化制单人-复核人验证循环

后续步骤

• 继续阅读本系列的第 4 部分使用 ADK 构建 AI 智能体：编排图工作流，了解如何使用 ADK 2 的统一 Workflow、JoinNode 和确定性 Event(route=...) 周期来重新构建此旅行规划工具
• 阅读官方 ADK 工作流智能体文档
• 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