Google ADK
PulseAugur coverage of Google ADK — every cluster mentioning Google ADK across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
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。
-
Google ADK 通过 Ollama 集成本地 Gemma 4 模型
本文详细介绍了如何通过 Ollama 在本地运行 Google 的 Agent Development Kit (ADK) 和 Gemma 4 语言模型。作者旨在探索 ADK 与本地模型的工具调用能力，特别是测试 Gemma 4 是否能在没有自定义代码的情况下协调 Google Maps 和 Open-Meteo 等多个外部服务。文章构建了一个天气代理来演示这一点，并强调模型必须依赖外部工具来获取实时信息。
-
AWS Bedrock AgentCore 为基于 Web 的 AI 代理添加了网络搜索功能 · 跟踪 1 个来源
AWS 已将 Amazon Bedrock AgentCore 上的网络搜索功能普遍可用，允许 AI 代理访问最新的、有引用的网络结果，而数据不会离开 AWS 环境。此托管工具的定价为每 1000 次查询 7 美元，解决了代理依赖过时训练数据且无法提供可验证引用的常见生产问题。AgentCore 自 2025 年 10 月起可用，现已提供 12 项模块化服务，Cox Automotive 和 Druva 等早期采用者报告称代理部署和问…
-
LLM路由模式详解：Anthropic和Google的方法
大型语言模型中的路由概念涉及对输入进行分类，并将其定向到最适合该任务的专用代理或模型。Anthropic称之为路由，而Google则使用协调器或调度器模式等术语。这种方法允许更集中的提示，并且可以通过将简单查询定向到更小、更便宜的模型，将复杂查询定向到更大、功能更强的模型来节省成本。然而，路由会引入额外的模型调用，可能增加成本和延迟，并且如果分类器不可靠或描述模糊，则存在误分类的风险。
-
Prompt chaining and sequential pipelines offer accuracy gains for LLM tasks
Prompt chaining，也被 Google 称为顺序流水线，是一种将复杂任务分解为一系列较小、固定步骤的方法。链中的每个步骤都会处理前一个步骤的输出，这可以以牺牲速度为代价来提高准确性。这种方法对于结构化、可重复的过程（如数据提取或内容生成）特别有用，并且在步骤之间包含程序化“门”有助于及早捕获错误并减少计算资源的浪费。
-
五大框架引领自主系统开发
几个关键框架正在成为自主AI系统开发领域的领导者，重点在于实现自主、多步骤流程。LangGraph、CrewAI、OpenAI Agents SDK、Google ADK和Mastra被重点介绍为这一快速发展格局中的重要工具。这些成熟生态系统的可用性使开发人员能够构建和部署生产就绪的AI代理。
-
FinSavant 平台使用 Google ADK、A2UI 和 Gemini Enterprise 进行 FinOps
FinSavant 是一个新推出的对话式平台，旨在充当 Google Cloud 的财务运营 (FinOps) 分析师。它集成了账单数据、资产清单以及 Google 的开发者知识库和 A2UI 界面。该平台旨在为云支出提供见解和管理功能。
-
开发者将 Google ADK 与 LangGraph 进行 AI 代理构建比较
一位开发者分享了他们构建 AI 代理的经验，将 Google 的 ADK 与 LangGraph 和 LangChain 进行了比较。作者发现 Google ADK 效果出奇地好，尤其是在代理开发方面，并指出它与 Python 和各种加密方法的集成。
-
Anthropic、OpenAI、Google Agent SDK 开发对比
作者对比了使用 Anthropic、OpenAI 和 Google 的 SDK 构建 Agent 的开发体验。比较侧重于实现的实际方面以及使用每个平台创建 Agent 时遇到的差异。
-
Anthropic 收购 SDK 编译器公司；开发者鏖战 AI 代理成本
Anthropic 的一项新收购涉及开发了 OpenAI、Google 和 Meta 等主要 AI 厂商使用的 SDK 编译器的公司。此举表明 AI 基础设施的战略整合。与此同时，由于提示管理效率低下，开发者正面临 AI 代理的重大成本问题，这导致了所谓的“token 膨胀”或“token 螺旋”，可能迅速耗尽预算。
-
MCP 和 A2A 协议集成，实现代理工具使用和协调
MCP 和 A2A 协议旨在协同工作，解决代理功能的各个方面。MCP 专注于使代理能够访问文件、API 和数据库等外部资源，充当工具带。而 A2A 则负责代理间协调和任务委派，充当互操作性协议。尽管 A2A 已获得 AWS 和 Microsoft 等主要公司加入 Linux Foundation 的广泛行业采纳，但 OpenAI 尚未将其 Python SDK 集成 A2A 支持，这使得跨框架互操作性需要变通方法。
-
Anvil开源代理将编码任务路由到最便宜、最适合的LLM
一款名为Anvil的开源AI编码代理已发布，旨在根据不同LLM的特定优势，将编码管道的不同阶段路由到各种LLM。这种方法通过对简单任务使用更便宜的本地模型，对复杂推理和审查阶段使用更强大、更高级的模型来实现成本优化。该代理支持多个LLM提供商，并通过YAML文件进行配置，旨在提供灵活性并避免供应商锁定。