Google ADK
PulseAugur coverage of Google ADK — every cluster mentioning Google ADK across labs, papers, and developer communities, ranked by signal.
- 2026-08-30 product_launch Google ADK has introduced a new feature for native live evaluation of voice agents. 来源
7 天有情绪数据
-
LLM工具集成挑战因不完整合同而凸显
一位开发者使用Google的Python ADK，探讨了将工具与大型语言模型（LLM）集成的挑战。该项目强调，困难不在于工具的功能，而在于其与模型的合同。当工具的文档（docstring）不完整时，LLM会产生幻觉信息，导致评估失败。开发者发现，改进工具的合同，特别是使用带有`Field`的`Annotated`来描述参数，并确保模型能够访问响应模式的细节，对于LLM的准确响应至关重要。
-
Pexafy 发布 AI 代理查找真实图库照片的工具
Pexafy 推出了一个新工具，允许 AI 代理从各种图库中搜索和检索真实照片。该工具与 LangChain 和 Vercel AI SDK 等流行的 AI 框架集成，使代理能够根据描述性提示查找图像。检索到的每张照片都包含许可信息和正确的署名所需的信用额度。
-
AI 代理框架的工具调用容错性测试
Agentic-arena 已针对与工具调用相关的脚本化故障测试了多个 AI 代理框架。Pydantic AI 和 MS Agent Framework 在所有 8 个测试用例中均失败，而 LangGraph 和 OpenAI Agents 失败了 7 个。Google ADK 在 6 个案例中出现未捕获的异常，smolagents 处理了所有故障，但在某些情况下使用了更多的 LLM 调用。
-
开发者发现Google ADK代理评估流程存在缺陷
一位开发者在评估一个旨在回答关于Twenty One Pilots乐队传说的Google ADK代理时遇到了问题。起初，该代理在评估中获得了满分，但开发者发现由于评估标准存在缺陷，这个分数具有误导性。在改进评估流程后，该代理开始出现案例失败的情况，暴露了代理响应和评估设计中的错误。这个迭代过程凸显了为LLM代理创建稳健评估方法的挑战，特别是当评估模型本身可能偏好与代理相似的响应时。
-
开发者使用 Google ADK 和 Python 测试多智能体系统
一位开发者使用 Google 的 Agent Development Kit (ADK) 创建了一个 Python 存储库来测试多智能体系统，解决了代理无法沟通状态或遵守约束等常见问题。该项目组织了八个具有不同职责的代理，包括规划、编写、验证和检索增强生成 (RAG)，以使代理行为更可预测和可测试。这种设置强调控制边界而非简单的代理对话，其中一个博主代理作为管道状态管理和验证循环的详细示例。
-
LLM代理框架在父子交接中显示审计日志存在漏洞
对五个LLM代理框架的技术分析显示，在父子代理交接过程中审计日志的维护方式存在不一致。虽然哈希链式审计日志通常能保留子代理的工具调用，但在LangGraph和CrewAI等一些框架中，父代理对这些调用的视图会中断。作者使用Python和模拟模型测试了这些框架，并指出审计日志的完整性在框架的不同版本中都得到了保持。
-
DeepSeek Harness中的关键漏洞允许AI代理绕过沙箱
在DeepSeek Harness中发现了一个关键漏洞CVE-2026-82533。DeepSeek Harness是DeepSeek用于运行本地编码代理的开源工具。该漏洞允许AI代理通过利用一个未经身份验证的本地Web接口来绕过自身的沙箱限制并获得对系统的完全访问权限。此绕过可以通过单个shell命令触发，从而禁用文件系统沙箱和敏感操作的批准提示。0.1.1-rc.2之前的版本受到影响，修复措施引入了本地接口的基于令牌的身份验证。
-
FreshCtx 0.11.0 为 AI 代理添加了可验证的操作记录
FreshCtx 0.11.0 已发布，它引入了一种方法，使 AI 代理能够创建其有影响力的操作的可验证记录。新版本侧重于建立证据到操作的跟踪链，允许开发人员跟踪代理操作背后的推理、验证和策略决策。此次发布还包括有界证据证明，使应用程序能够为这些记录生成有时限的完整性收据，以检测篡改。
-
使用 Google ADK 和 Python SDK 创建 AI Agent
该条目详细介绍了如何使用 Google 的 ADK 和 Python SDK 创建 AI Agent。本教程为有兴趣使用这些工具构建 AI 应用程序的开发者提供了分步指南。
-
Google ADK 为语音代理添加实时评估功能
Google 的 ADK 现在为语音代理提供原生实时评估功能，利用 LLM 模拟用户来识别生产环境中的多轮对话错误。此功能旨在提高基于语音的 AI 交互的性能和可靠性。
-
AWS Bedrock AgentCore Evaluations 使用 OpenTelemetry 进行框架无关的 AI 代理评估
Amazon Bedrock AgentCore Evaluations 提供了一种评估 AI 代理框架的新方法，通过将评估与特定框架选择分离。它利用 OpenTelemetry（一种供应商中立的检测标准）来收集遥测数据，如模型调用、工具使用和检索操作。这使得跨不同框架（如 LangGraph、LlamaIndex 和 OpenAI Agents SDK）进行一致的评估成为可能，前提是它们发出正确的 OpenTelemetry 跨度和…
-
ADR 代理利用共享 MCP 实现外部研究能力
一个 ADR 代理使用 Google ADK 开发，最初包含一个小的嵌入式 DuckDuckGo Lite 搜索功能，用于调查架构选项。此搜索功能现已移至共享的 MCP（多能力平台）集成，特别是使用 Firecrawl Cloud MCP，以实现跨不同工作流的可重用性。此架构决策使 ADR 代理能够专注于查找过往 ADR 和起草记录的核心任务，而外部研究则由更通用的 MCP 能力处理。
-
Agentic AI 框架易受“agentic SQL 注入”攻击
一种新发现的安全漏洞，被称为“agentic SQL 注入”，影响了包括 AWS Bedrock AgentCore、Google ADK 和 Vercel AI SDK 在内的 agentic AI 框架。此漏洞允许经过身份验证的用户通过伪造工具使用内容块来绕过 LLM 的授权，从而导致未经授权的操作执行。该漏洞与 20 世纪 90 年代的 SQL 注入攻击类似，突显了这些框架在处理模型决策与 harness 执行之间的信任边界方面…
-
研究人员在 Black Hat 上警告：AI 代理框架存在漏洞
来自 Check Point 的研究员 Shahar Tal 和 Yarden Porat 在 Black Hat 上展示了他们对流行 AI 代理框架中漏洞的发现。他们的工作强调了 LangChain、LangGraph、CrewAI、AutoGen、Microsoft Agent Framework 和 Google ADK 等工具的安全问题，并建议由于对 AI 代理的信任，这些框架需要更多的安全审查。
-
教程：使用 Google ADK 创建 AI 代理
这是一个关于如何使用 Google ADK 构建 AI 代理的教程。该教程可通过 YouTube 视频观看。
-
东非构建新的协议 AI 代理协调栈
三项新协议——MCP、A2A 和 Google ADK——有望在生产环境中彻底改变 AI 代理的能力。虽然这些协议在技术上很先进，但它们在东非的影响取决于为卫生、农业和水资源管理等关键领域开发特定领域的实现。目前，现有的 MCP 实现主要服务于发达国家已经协调好的市场，在真正存在协调问题的领域留下了空白。东非协调栈现在正通过为各个领域开发 31 个 MCP 服务器来解决这一问题，使代理能够通过 A2A 模式进行协调，并使用 ADK 规…
-
TealTiger 寻求开源贡献者以实现 AI 代理治理
TealTiger 是一个专注于 AI 代理治理的开源项目，目前正积极寻求贡献者。该项目旨在为 AI 代理提供确定性的策略执行，确保安全性和正确性，而无需在治理循环中依赖 LLM。TealTiger 已与众多 AI 框架集成，并为从 UI 开发到形式化验证和对抗性测试等高级研究的各种技能水平的贡献者提供了机会。
-
Amazon Quick 和 NVIDIA NeMo Agent Toolkit 合作，实现业务代理工作流
Amazon Quick 和 NVIDIA NeMo Agent Toolkit 已达成合作，为企业（尤其是在供应链管理领域）创建专门的代理工作流。此次集成使用户能够将原始数据信号转化为可操作的、有证据支持的决策。Amazon Quick 作为用户友好的界面，连接到各种数据源和企业知识库，而 NVIDIA NeMo Agent Toolkit 则构建和优化后端代理工作流。
-
无需自定义代码即可将GitHub工具集成到Google ADK代理中
本文详细介绍了如何在不编写自定义代码的情况下将MCP工具与Google ADK代理集成。它介绍了Mcp Toolset和StreamableHTTPConnectionParams，可将代理直接连接到远程GitHub MCP服务器，提供仓库管理、问题跟踪和拉取请求的工具。这种方法绕过了为每个GitHub API操作编写单独的函数包装器的需求，而当集成GitHub、Jira和Slack等多个服务时，这种方法会变得繁琐。
-
Google Cloud 的 Always-On Memory Agent 使用 LLM 进行持续内存合并
Google Cloud 推出了 Always-On Memory Agent，这是一种新颖的 AI 内存方法，绕过了传统的检索增强生成 (RAG) 和嵌入。该代理持续运行，使用 Gemini 3.1 Flash-Lite 将结构化内存直接存储到 SQLite 数据库中。它具有专门的子代理，用于摄取内容、通过识别连接来随着时间的推移合并内存，以及查询带有引文来源的存储信息。