Bỏ qua điều hướng

Google ADK là gì? Bộ công cụ phát triển AI Agent từ Google

Google ADK là framework mã nguồn mở hỗ trợ phát triển, đánh giá và triển khai các hệ thống AI agent đa tác nhân cấp doanh nghiệp.

Tuan Tran Van
12 phút đọc
Mục lục (7 phần)
  1. Google ADK là gì và giải quyết bài toán nào?
  2. Kiến trúc hướng sự kiện và quản lý trạng thái (Event Sourcing)
  3. Các mô hình điều phối: Tuần tự, song song và đa tác nhân phân tầng
  4. Mở rộng năng lực qua Function Calling và Model Context Protocol (MCP)
  5. Trải nghiệm phát triển cục bộ với CLI và ADK Web UI
  6. So sánh Google ADK với LangGraph, CrewAI và Genkit
  7. Tài liệu tham khảo

Google ADK (Agent Development Kit) là framework mã nguồn mở giúp bạn xây dựng, đánh giá và triển khai các hệ thống đa tác nhân () ở quy mô doanh nghiệp.

Được Google ra mắt tại sự kiện Google Cloud NEXT 2025, nền tảng này cho phép phát triển ứng dụng AI theo phương thức code-first trên nhiều ngôn ngữ lập trình phổ biến bao gồm Python, TypeScript, Go, Java và Kotlin.

Bộ công cụ này giúp chuyển đổi các ứng dụng GenAI từ những lời gọi đơn lẻ thành hệ thống nhiều bước vận hành tự động, có cấu trúc chặt chẽ và duy trì trạng thái hội thoại phức tạp.

Kiến trúc tổng quan Google ADK cho hệ thống AI Agent đa tác nhân

Google ADK là gì và giải quyết bài toán nào?

Google ADK (Agent Development Kit) là framework mã nguồn mở được Google chính thức giới thiệu tại sự kiện Google Cloud NEXT 2025. Đây chính là hạ tầng cốt lõi được Google sử dụng nội bộ để vận hành các sản phẩm thương mại như Agentspace và Google Customer Engagement Suite (CES). Framework hỗ trợ phương thức phát triển code-first trên nhiều ngôn ngữ lập trình phổ biến bao gồm Python (yêu cầu từ Python 3.11 trở lên), TypeScript, Go (phiên bản v1.x và v2.x), Java (từ Java 17 trở lên) và Kotlin.

Về mặt kiến trúc phần mềm, Google ADK giải quyết bài toán dịch chuyển từ các lệnh gọi LLM đơn lẻ (single-turn) hoặc các bản prototype sơ khai sang một hệ thống đa tác nhân (multi-agent) hoàn chỉnh đạt chuẩn production-grade. Trong thực tế triển khai, các ứng dụng AI thường gặp khó khăn khi xử lý chuỗi tác vụ nhiều bước phức tạp cần vận hành tự động (hands-off). ADK cung cấp cấu trúc giúp điều phối luồng công việc, quản lý bối cảnh (context management) và tích hợp công cụ ngoại vi nhất quán, dễ mở rộng.

Framework này cho phép bạn định nghĩa các tác nhân độc lập với mô hình (model-agnostic), mặc dù được tối ưu hóa cho Gemini và Vertex AI Model Garden. Bạn có thể kết nối linh hoạt với nhiều mô hình khác thông qua tích hợp LiteLLM, Ollama, vLLM hoặc các hạ tầng hosted trên Google Cloud.

python
from google.adk.agents import LlmAgent
from google.adk.tools import google_search
 
root_agent = LlmAgent(
 name="research_agent",
 model="gemini-2.0-flash-exp",
 instruction="Nghiên cứu thông tin kỹ lưỡng bằng Google Search.",
 tools=[google_search],
)

Kiến trúc hướng sự kiện và quản lý trạng thái (Event Sourcing)

Google ADK xây dựng hệ thống quản lý trạng thái dựa trên kiến trúc Event Sourcing. Mọi hành vi trong hệ thống (gồm tin nhắn từ người dùng, phản hồi của mô hình LLM, cấu trúc tham số gọi công cụ, payload kết quả thực thi và các thay đổi trạng thái nội bộ) đều được ghi lại dưới dạng các đối tượng Event bất biến (immutable) và lưu trữ trong lịch sử phiên thông qua SessionService. Nền tảng hỗ trợ nhiều cơ chế lưu trữ backend tùy theo môi trường triển khai, từ InMemorySessionService phục vụ thử nghiệm cục bộ, DatabaseSessionService (hỗ trợ SQLite, PostgreSQL, MySQL) cho ứng dụng tự vận hành, đến VertexAiSessionService dành cho môi trường đám mây quản lý hoàn toàn.

Trong việc tối ưu hóa cửa sổ bối cảnh (), ADK không áp dụng phương pháp nối chuỗi thô (string concatenation) vốn dễ gây tràn . Thay vào đó, framework quản lý bối cảnh tương tự như mã nguồn: tự động lọc bỏ các sự kiện không liên quan, tóm tắt các lượt hội thoại cũ, lazy-load các artifact và giám sát chính xác lượng token tiêu thụ. Điều này giữ cho agent vận hành ổn định, duy trì tốc độ xử lý và phản hồi chính xác khi lịch sử tương tác kéo dài.

Mô hình Event Sourcing và cơ chế khôi phục phiên làm việc trong Google ADK

Đối với khả năng phục hồi và sửa lỗi, ADK giới thiệu ResumabilityConfig(is_resumable=True) kết hợp cùng invocation_id. Cơ chế này cho phép hệ thống đọc lại danh sách Event trong phiên, tái phát (replay) chính xác các payload kết quả công cụ đã hoàn thành trước đó và chỉ thi hành tiếp các bước chưa xong. Ngoài ra, plugin ReflectAndRetryToolPlugin hỗ trợ chặn các ngoại lệ từ công cụ, chuyển thông báo lỗi ngược lại cho LLM để suy ngẫm (reflect) và thử lại với bộ tham số đã điều chỉnh. Tuy nhiên, xét về ranh giới kiến trúc thực tế, ADK chỉ cung cấp điểm kiểm tra lưu trữ (checkpointing/event log) chứ không sở hữu cơ chế supervisor hay heartbeat tự động để phát hiện tiến trình bị crash. Việc phát hiện sự cố và kích hoạt lại phiên làm việc thông qua run_async phụ thuộc hoàn toàn vào hạ tầng giám sát bên ngoài mà bạn tự triển khai.

Các mô hình điều phối: Tuần tự, song song và đa tác nhân phân tầng

Google ADK cung cấp hai phương pháp điều phối công việc chính: các luồng mẫu cố định (Template Workflows) và luồng dạng đồ thị linh hoạt (Graph Workflows). Các Template Workflows kế thừa từ lớp BaseAgent, bao gồm SequentialAgent để thực thi tác vụ theo chuỗi tuần tự, ParallelAgent để chia nhánh xử lý song song (fan-out/fan-in), và LoopAgent phục vụ các vòng lặp lặp đi lặp lại. Từ phiên bản ADK 2.0, framework bổ sung runtime thực thi dạng đồ thị (graph execution runtime), cho phép kết nối mã lệnh định tính (deterministic code) với khả năng lý luận thích ứng của AI trên các đường dẫn thực thi rõ ràng.

Bên cạnh cấu trúc cố định, ADK hỗ trợ mô hình ủy quyền động (Dynamic Transfer) dựa trên hệ thống phân tầng tác nhân. Bạn chỉ định các tác nhân con (sub_agents) cho một root_agent và định nghĩa rõ ràng hai trường thuộc tính: instruction (chỉ dẫn nhiệm vụ) và description (mô tả năng lực). Khi nhận được yêu cầu từ người dùng, LLM của tác nhân gốc sẽ phân tích yêu cầu, so sánh với trường description của các tác nhân thành viên để quyết định giữ lại xử lý hay chuyển giao quyền điều khiển (transfer) cho phù hợp nhất.

Các mô hình điều phối đa tác nhân: Tuần tự, song song và phân tầng trong Google ADK

Mô hình đa tác nhân phân tầng này phân tách ranh giới ngữ cảnh giữa các đại lý chuyên biệt. Nhờ đó, bạn dễ dàng xây dựng các hệ thống gồm nhiều agent đảm nhận các vai trò khác nhau như chào hỏi, xử lý nghiệp vụ chính, hoặc giải đáp thắc mắc mà không làm quá tải bối cảnh của một tác nhân duy nhất.

python
from google.adk.agents import LlmAgent
 
greeting_agent = LlmAgent(
 name="greeting_agent",
 model="gemini-2.0-flash-exp",
 instruction="Chỉ chào hỏi người dùng lịch sự.",
 description="Xử lý các câu chào hỏi đơn giản.",
)
 
root_agent = LlmAgent(
 name="main_agent",
 model="gemini-2.0-flash-exp",
 instruction="Điều phối yêu cầu. Chuyển câu chào sang greeting_agent.",
 sub_agents=[greeting_agent],
)

Mở rộng năng lực qua Function Calling và Model Context Protocol (MCP)

Google ADK cho phép mở rộng năng lực xử lý của agent thông qua việc tích hợp các hàm Python tùy chỉnh làm công cụ (Function Tools). Framework tự động phân tích cú pháp docstring của hàm để trích xuất thông tin tham số và mục đích sử dụng, giúp LLM hiểu chính xác điều kiện và thời điểm cần kích hoạt công cụ. Bạn cũng có thể thiết lập quy trình xác nhận hành vi (Tool Confirmation / Human-in-the-loop) để phê duyệt các tác vụ quan trọng trước khi thi hành.

Đối với các kết nối chuẩn hóa, ADK tích hợp sâu giao thức mã nguồn mở (MCP) thông qua lớp McpToolset. Framework hỗ trợ ba mô hình triển khai chính: Tích hợp trực tiếp công cụ MCP (McpToolset đóng vai trò MCP Client), Xuất bản Agent thành MCP Server (to_mcp_server cho phép các ứng dụng bên ngoài truy cập), và Ủy quyền tác nhân con (AgentTool). Cơ chế truyền tải (Transport) bao gồm Stdio Transport (chạy tiến trình server cục bộ thông qua npx) và Streamable HTTP/SSE Transport (kết nối với các server đám mây từ xa có xác thực qua HTTP Headers).

Về mặt kiến trúc, ADK phân định rõ ràng giữa Công cụ (Tools - các hàm có thể thi hành) và Tài nguyên (Resources - dữ liệu ngữ cảnh thô như tập tin, bản ghi cơ sở dữ liệu). Bạn có thể truy xuất dữ liệu tĩnh qua các phương thức list_resources() và read_resource(). Khi cấu hình cờ use_mcp_resources=True, ADK sẽ tự động gắn công cụ LoadMcpResourceTool cho agent, giúp LLM tự phát hiện và đọc tài nguyên theo nhu cầu mà bạn không cần phải lập trình trích xuất dữ liệu thủ công.

python
from google.adk.agents import LlmAgent
from google.adk.tools.mcp_tool import McpToolset
from google.adk.tools.mcp_tool.mcp_session_manager import StdioConnectionParams
from mcp import StdioServerParameters
 
root_agent = LlmAgent(
 name="fs_agent",
 model="gemini-flash-latest",
 instruction="Quản lý tệp cục bộ.",
 tools=[
 McpToolset(
 connection_params=StdioConnectionParams(
 server_params=StdioServerParameters(
 command="npx",
 args=["-y", "@modelcontextprotocol/server-filesystem", "./files"],
 )
 ),
 tool_filter=["list_directory", "read_file"],
 )
 ],
)

Trải nghiệm phát triển cục bộ với CLI và ADK Web UI

Trải nghiệm phát triển với Google ADK được tối ưu hóa thông qua bộ công cụ dòng lệnh Agents CLI. Bạn có thể khởi tạo một cấu trúc dự án chuẩn nhanh chóng bằng lệnh adk create <agent_name>. Dự án được tạo ra sẽ bao gồm các tệp tin cơ bản như agent.py (chứa mã nguồn định nghĩa agent), .env (chứa biến môi trường và API key như GOOGLE_API_KEY), và __init__.py. Bạn có thể cài đặt thư viện gốc thông qua pip install google-adk trên môi trường Python 3.11+.

Để kiểm thử và tinh chỉnh agent trong quá trình phát triển, ADK cung cấp hai giao diện tương tác: giao diện dòng lệnh tương tác trực tiếp với adk run <agent_folder> và giao diện đồ họa trực quan adk web --port 8000. ADK Web UI hỗ trợ xem chi tiết quỹ đạo thực thi (trajectory), kiểm tra các sự kiện theo thời gian thực và theo dõi sự thay đổi trạng thái (state) từng bước của agent. Lưu ý rằng ADK Web UI chỉ thiết kế phục vụ công đoạn lập trình và debug cục bộ, không sử dụng cho môi trường sản xuất.

Ở giai đoạn hoàn thiện, ADK tích hợp sẵn khung đánh giá tự động. Bạn chạy lệnh adk eval để đo lường chất lượng câu trả lời cũng như quỹ đạo xử lý dựa trên các tập dữ liệu thử nghiệm (.evalset.json). Khi sẵn sàng đưa vào vận hành, bạn có thể đóng gói agent thành container Docker cục bộ qua adk deploy docker --with_ui hoặc triển khai lên đám mây với adk deploy cloud_run. Triển khai trên Cloud Run giúp ứng dụng tự động thừa hưởng hạ tầng quản lý, cơ chế xác thực và hệ thống giám sát Cloud Trace của Google Cloud mà không cần thay đổi mã nguồn logic.

bash
# Cài đặt ADK
pip install google-adk
 
# Khởi tạo dự án
adk create my_agent
 
# Chạy giao diện Web UI cục bộ
adk web --port 8000
 
# Triển khai lên Cloud Run
adk deploy cloud_run --with_ui my_agent

So sánh Google ADK với LangGraph, CrewAI và Genkit

Việc lựa chọn framework phù hợp phụ thuộc vào bài toán kiến trúc cụ thể của bạn. LangGraph tập trung vào việc mô hình hóa agent dưới dạng máy trạng thái (state machine) trên đồ thị, cung cấp điểm kiểm tra (checkpointing) ghi vào Postgres/Redis, phù hợp cho luồng xử lý phi tuyến tính đòi hỏi can thiệp phê duyệt người dùng (human-in-the-loop) phức tạp nhưng có chi phí thiết lập ban đầu cao. CrewAI theo đuổi hướng tiếp cận trực quan theo vai trò (role-based), hỗ trợ tạo bản thử nghiệm rất nhanh nhưng dễ chạm trần khả năng điều phối khi hệ thống yêu cầu rẽ nhánh điều kiện phức tạp hoặc rollback trạng thái. Đối với Firebase Genkit, framework này cung cấp các khối xây dựng cơ bản cho ứng dụng GenAI tổng quát trên hạ tầng Firebase/Google AI. Trong khi đó, Google ADK tập trung chuyên sâu vào kiến trúc hệ thống đa tác nhân cấp doanh nghiệp, có khả năng mở rộng quy mô lớn và sở hữu điểm mạnh khác biệt là hỗ trợ đa ngôn ngữ native (Python, TypeScript, Go v1.x/v2.x, Java 17+, Kotlin) — yếu tố then chốt giúp tích hợp AI agent trực tiếp vào hạ tầng microservices sẵn có của doanh nghiệp thay vì bị giới hạn trong môi trường Python/JS.

Bạn nên chọn Google ADK khi phát triển các hệ thống multi-agent quy mô lớn nằm trong hệ sinh thái Google Cloud hoặc Vertex AI, cần tính năng truyền dữ liệu âm thanh/video hai chiều (bidirectional streaming), đòi hỏi kết nối chuẩn MCP nâng cao, hoặc muốn tận dụng các thư viện kết nối doanh nghiệp có sẵn (AlloyDB, BigQuery, Apigee). Trái lại, bạn không nên sử dụng ADK cho các tác vụ đơn giản chỉ cần một lời gọi LLM cấu trúc (single-turn), hoặc những hệ thống yêu cầu khả năng khôi phục lỗi hạ tầng tuyệt đối (durable execution) mà đội ngũ của bạn không muốn tự triển khai lớp giám sát watchdog hay worker pool riêng.

Tài liệu tham khảo

Tự kiểm tra

Ba câu hỏi ngắn để bạn xem mình đã nắm được ý chính của bài chưa.

  1. Cơ chế quản lý trạng thái phiên (Session Management) trong Google ADK hoạt động theo mô hình nào?
  2. Điểm khác biệt cốt lõi giữa cơ chế checkpointing của Google ADK và hệ thống 'Durable Execution' tự hành là gì?
  3. Khi nào đội ngũ kỹ sư nên ưu tiên lựa chọn Google ADK thay vì LangGraph hay Genkit?

Chia sẻ bài viết

ZaloX / TwitterFacebookLinkedIn

Thuật ngữ AI