大家好！歡迎來到這 30 天的技術旅程。在過去在 GDG Taipei 實體社群聚會以及舉辦 Build with AI 系列工作坊的交流中，我最常被開發者問到一個痛點：「我們已經會串接 LLM API 做聊天機器人了，但然後呢？AI 該如何真正融入複雜的企業級系統？」

身為深耕 AI 與機器學習領域的開發者，我深知單點的 API 呼叫已經無法滿足真實業務場景的需求。今年的 iThome 鐵人賽「Build on Google AI」組別，我們不談簡單的 Chatbot，而是要直接將視野拉升到「多工代理協作（Multi-Agent）」的架構層次。我們將透過 Google 最新的開發利器——Google ADK (Agent Development Kit)，一步步打造具備思考、規劃、工具調用與跨智能體溝通能力的自動化戰情室！

什麼是 Google ADK？Agent Development Kit (ADK) 是 Google 推出的強大框架，專為建構代理工作流 (Agentic Workflow) 所設計。不管你的開發團隊熟悉哪種語言，ADK 都提供了極大的彈性： 多語言支援：官方支援 Python、JS (TypeScript)、Go、Java 以及 Kotlin。 最新 GA 版本：目前 ADK Go 2.0 已經正式 GA (General Availability) 上線，並帶來了強大的圖形工作流 (graph workflows) 與協作型代理團隊 (collaborative agents) 功能。 廣泛的模型兼容性：ADK 不僅完美整合 Google 自家的 Gemini 與 Gemma，還支援了 Claude、Agent Platform 託管模型、Ollama、vLLM、LiteLLM 以及 LiteRT-LM 等多種選擇。

為什麼我們需要 Agentic Workflow？過去的 AI 開發往往是「單線程」的：使用者輸入問題 -> 模型生成回答。但在 ADK 的架構下，你可以設計出複雜的動態路由與多功能代理。

• 1 彈性的工作流架構 (Graph Workflows)：ADK 支援多種模板工作流 (Template workflows)，包含循序 (Sequential)、平行 (Parallel) 以及迴圈 (Loop) 模式。這意味著你可以讓一個 Agent 負責資料檢索，另一個平行處理資料分析，最後再由另一個 Agent 進行彙整。
• 2 Managed Agents (託管代理)：這是我認為極具威力的一點。透過連線至 Managed Agents（例如：Antigravity），你的代理可以在伺服器端專屬的沙盒環境中安全地執行程式碼或進行網路搜尋，你完全不需要在本地端維護這些沙盒環境，也不必處理客戶端的函式宣告 (client-side function declarations)。
• 3 安全性與人機協作：在真實專案中，我們絕不能讓 AI 隨意執行具破壞性的操作。ADK 內建了「人類輸入 (Human input)」與「工具執行確認 (Action confirmations)」的防呆機制。

初試啼聲：用 Python 打造你的第一個 Agent
說了這麼多，讓我們直接動手感受 ADK 的開發體驗。今天我們先以 Python 環境建立一個最基礎的地基。

第一步：安裝套件
強烈建議建立並啟用 Python 的虛擬環境後，透過 pip 安裝 ADK 核心套件：

pip install google-adk

第二步：初始化專案
透過 ADK 內建的指令，我們可以一鍵生成專案結構：

adk create my_agent

這個指令會自動幫你建立 agent.py (主程式) 與 .env (存放你的 API Key) 等基礎檔案。

第三步：多種除錯與運行模式
開發 Agent 最麻煩的就是不斷來回測試。ADK 直接內建了強大的運行時 (Agent Runtime) 工具。你可以選擇兩種方式來與你的 Agent 互動：

• Command Line (命令列模式)：輸入 adk run my_agent，就能在終端機中開啟互動式的對話介面。
• Web Interface (網頁介面模式)：輸入 adk web，ADK 會啟動一個本機網頁伺服器（預設在 localhost:8000），提供一個視覺化的聊天介面讓你方便除錯。

小結
第一天，我們成功突破了對 AI 開發的傳統認知，認識了 ADK 如何將單純的模型呼叫轉變為結構化的 Agentic Workflow。