前幾天在聊相互不認識的 Agent 間怎麼連接，今天來聊聊 Google ADK 內部間 Agent 的協作模式。

本篇文章參考 Google ADK 的文件
https://github.com/google/adk-docs/blob/main/docs/agents/multi-agents.md

你可能會問：「前幾天不是講了 A2A 協議？那跟 ADK Multi-Agent 有什麼不同？」

• 前幾天的 A2A：跨組織協作、標準通訊、安全驗證、服務發現
• 今天的 ADK Multi-Agent：團隊內部分工、流程管理、資源共享

ADK Multi-Agent 架構：分工合作的智慧

三種角色，各司其職

ADK 定義了三種核心 Agent 類型：

LLM Agents

• 負責理解語言、推理、規劃
• 處理需要「思考」的任務

Workflow Agents

• 控制流程、安排任務順序
• 管理其他 Agent 的執行
• 包含：SequentialAgent（依序）、ParallelAgent（平行）、LoopAgent（迴圈）

Custom Agents

• 處理 LLM 不擅長的任務（如數學、資料庫）

階層式架構

在多 Agent 系統中，採用階層式架構就像組建一個有明確分工的團隊。每個 Agent 各司其職，由上層協調者統籌分配任務，讓整個系統既靈活又容易擴充。這種設計能讓我們像搭積木一樣，根據需求隨時調整團隊成員，並確保每個部分都能獨立運作、互不干擾。

# 建立專業分工的 Agent 團隊
billing_specialist = LlmAgent(
    name="帳務專家",
    description="處理付款、退款、發票等財務問題"
)

tech_specialist = LlmAgent(
    name="技術專家",
    description="解決登入、功能操作、系統錯誤等技術問題"
)

# 總指揮負責分配任務
conductor = LlmAgent(
    name="總指揮",
    model="gemini-2.0-flash",
    instruction="根據使用者問題，將任務分配給最適合的專家處理",
    sub_agents=[billing_specialist, tech_specialist]
)

這種設計有幾個好處：

• 專業化：每個 Agent 專注自己的領域
• 模組化：要加新功能，只需新增 Agent
• 故障隔離：某個 Agent 出錯，不影響全局
• 獨立最佳化：不同 Agent 可用不同模型或參數

Coordinator/Dispatcher 模式：協作的起點

在 ADK 的多種協作模式中，Coordinator/Dispatcher 是最容易上手的也是 Agent 互動中最常見的一種方式。

概念說明

想像餐廳運作：

• 客人點餐後，總監不會親自下廚
• 會根據菜色分配給最適合的主廚
• 每位主廚專精自己的料理，品質更好

ADK 實作方式

方式一：LLM-Driven Delegation（智慧分派）

coordinator = LlmAgent(
    name="智慧總監",
    model="gemini-2.0-flash",
    instruction="""
    你是一位智慧總監，負責將使用者的請求分配給最適合的專家：
    - 付款相關問題：轉給帳務專家
    - 技術操作問題：轉給技術專家
    """,
    sub_agents=[billing_specialist, tech_specialist]
)

ADK 的 AutoFlow 會自動處理 transfer_to_agent()，像有個助理自動把任務交給對的專家。

方式二：Explicit Invocation（明確調用）

from google.adk.tools import agent_tool

coordinator = LlmAgent(
    name="精確總監",
    instruction="使用適當的專家工具來處理使用者問題",
    tools=[
        agent_tool.AgentTool(agent=billing_specialist),
        agent_tool.AgentTool(agent=tech_specialist)
    ]
)

這種方式讓專家 Agent 變成「工具」，總監可以精確控制何時呼叫哪位專家。

LLM-Driven Delegation vs. Explicit Invocation（AgentTool）：誰掌控協作？

在 Coordinator/Dispatcher 模式下，LLM-Driven Delegation（智慧分派）與 Explicit Invocation（明確調用）最大的本質差異，在於「誰決定要呼叫哪個 Agent」以及「控制權」的歸屬：

Explicit Invocation 下，協調者（總監）始終保持主控權，所有流程都必須經過協調者決定與調度；而 LLM-Driven Delegation 則是協調者把流程完全交出去，後續怎麼發展就不再干涉。

• LLM-Driven Delegation：像總監請助理直接把客戶帶去找專家，助理帶過去後，總監就不再干涉，專家和客戶怎麼互動都由他們決定。
• Explicit Invocation：像總監每次都親自打電話給專家，問完再回來，然後再決定下一步。整個過程總監都在場，流程始終由總監掌控。

掌握 Coordinator/Dispatcher，你已具備 Multi-Agent 系統基礎。ADK 還有更多協作模式：

• Sequential Pipeline：像生產線一樣依序處理
• Parallel Fan-Out/Gather：平行處理再匯總
• Hierarchical Task Decomposition：層次化分解複雜任務
• Iterative Refinement：透過迴圈精進結果

明天將深入這些進階模式，設計更強大的 Agent 協作系統。