在 ADK 中使用不同的模型¶

Agent Development Kit (ADK) 设计具有灵活性，允许你将各种大语言模型 (LLMs) 集成到你的智能体中。虽然 Google Gemini 模型的设置已在设置基础模型指南中介绍，但本页详细说明了如何有效利用 Gemini 并集成其他流行模型，包括那些外部托管或本地运行的模型。

ADK 主要使用两种机制进行模型集成：

直接字符串 / 注册表： 适用于与 Google Cloud 紧密集成的模型（如通过 Google AI Studio 或 Vertex AI 访问的 Gemini 模型）或托管在 Vertex AI 端点上的模型。你通常直接向 LlmAgent 提供模型名称或端点资源字符串。ADK 的内部注册表将此字符串解析为适当的后端客户端，通常利用 google-genai 库。
包装类： 为了更广泛的兼容性，特别是对于 Google 生态系统之外的模型或需要特定客户端配置的模型（如通过 LiteLLM 访问的模型）。你实例化一个特定的包装类（例如 LiteLlm）并将此对象作为 model 参数传递给你的 LlmAgent。

以下部分将根据你的需求指导你使用这些方法。

使用 Google Gemini 模型¶

这是在 ADK 中使用 Google 旗舰模型的最直接方式。

集成方法： 直接将模型的标识符字符串传递给 LlmAgent（或其别名 Agent）的 model 参数。

后端选项与设置：

ADK 内部用于 Gemini 的 google-genai 库可以通过 Google AI Studio 或 Vertex AI 连接。

语音/视频流的模型支持

为了在 ADK 中使用语音/视频流式处理，你需要使用支持 Live API 的 Gemini 模型。你可以在文档中找到支持 Gemini Live API 的模型 ID：

Google AI Studio¶

使用场景： Google AI Studio 是开始使用 Gemini 的最简单方式。你只需要 API 密钥。最适合快速原型设计和开发。
设置： 通常需要将 API 密钥设置为环境变量：

export GOOGLE_API_KEY="YOUR_GOOGLE_API_KEY"
export GOOGLE_GENAI_USE_VERTEXAI=FALSE

模型： 在 Google AI 开发者网站上查找所有可用模型。

Vertex AI¶

使用场景： 推荐用于生产应用，利用 Google Cloud 基础设施。Vertex AI 上的 Gemini 支持企业级功能、安全性和合规控制。

设置：

使用应用默认凭证 (ADC) 进行身份验证：
```
gcloud auth application-default login
```

设置你的 Google Cloud 项目和位置：

export GOOGLE_CLOUD_PROJECT="YOUR_PROJECT_ID"
export GOOGLE_CLOUD_LOCATION="YOUR_VERTEX_AI_LOCATION" # e.g., us-central1

明确告诉库使用 Vertex AI：
```
export GOOGLE_GENAI_USE_VERTEXAI=TRUE
```

模型： 在 Vertex AI 文档中查找可用的模型 ID。

示例：

from google.adk.agents import LlmAgent

# --- 使用稳定的 Gemini Flash 模型示例 ---
agent_gemini_flash = LlmAgent(
    # 使用最新的稳定 Flash 模型标识符
    model="gemini-2.0-flash",
    name="gemini_flash_agent",
    instruction="你是一个快速且乐于助人的 Gemini 助手。",
    # ... 其他智能体参数
)

# --- 使用强大的 Gemini Pro 模型示例 ---
# 注意：始终检查官方 Gemini 文档以获取最新的模型名称，
# 包括特定的预览版本（如果需要）。预览模型可能有
# 不同的可用性或配额限制。
agent_gemini_pro = LlmAgent(
    # 使用最新的通用可用 Pro 模型标识符
    model="gemini-2.5-pro-preview-03-25",
    name="gemini_pro_agent",
    instruction="你是一个强大且知识渊博的 Gemini 助手。",
    # ... 其他智能体参数
)

通过 LiteLLM 使用云和专有模型¶

要访问来自如 OpenAI、Anthropic（非 Vertex AI）、Cohere 等提供商的大量 LLM，ADK 通过 LiteLLM 库提供集成。

集成方法： 实例化 LiteLlm 包装类并将其传递给 LlmAgent 的 model 参数。

LiteLLM 概述： LiteLLM 充当翻译层，为 100 多个 LLM 提供标准化的、与 OpenAI 兼容的接口。

设置：

安装 LiteLLM：
```
pip install litellm
```

设置提供商 API 密钥： 为你打算使用的特定提供商配置 API 密钥作为环境变量。

OpenAI 示例：

export OPENAI_API_KEY="YOUR_OPENAI_API_KEY"

Anthropic 示例（非 Vertex AI）：

export ANTHROPIC_API_KEY="YOUR_ANTHROPIC_API_KEY"

查阅 LiteLLM 提供商文档了解其他提供商的正确环境变量名称。

示例：

from google.adk.agents import LlmAgent
from google.adk.models.lite_llm import LiteLlm

# --- 使用 OpenAI 的 GPT-4o 的智能体示例 ---
# （需要 OPENAI_API_KEY）
agent_openai = LlmAgent(
    model=LiteLlm(model="openai/gpt-4o"), # LiteLLM 模型字符串格式
    name="openai_agent",
    instruction="你是一个由 GPT-4o 提供支持的乐于助人的助手。",
    # ... 其他智能体参数
)

# --- 使用 Anthropic 的 Claude Haiku（非 Vertex）的智能体示例 ---
# （需要 ANTHROPIC_API_KEY）
agent_claude_direct = LlmAgent(
    model=LiteLlm(model="anthropic/claude-3-haiku-20240307"),
    name="claude_direct_agent",
    instruction="你是一个由 Claude Haiku 提供支持的助手。",
    # ... 其他智能体参数
)

通过 LiteLLM 使用开源和本地模型¶

为了最大限度的控制、节省成本、隐私或离线使用场景，你可以在本地运行开源模型或自托管它们，并使用 LiteLLM 集成它们。

集成方法： 实例化 LiteLlm 包装类，配置为指向你的本地模型服务器。

Ollama 集成¶

Ollama 允许你轻松在本地运行开源模型。

模型选择¶

如果你的智能体依赖工具，请确保从 Ollama 网站选择支持工具的模型。

为了获得可靠的结果，我们建议使用具有工具支持的适当大小的模型。

可以使用以下命令检查模型的工具支持：

ollama show mistral-small3.1
  Model
    architecture        mistral3
    parameters          24.0B
    context length      131072
    embedding length    5120
    quantization        Q4_K_M

  Capabilities
    completion
    vision
    tools

你应该在能力下看到列出的 tools。

你还可以查看模型使用的模板，并根据你的需求对其进行调整。

ollama show --modelfile llama3.2 > model_file_to_modify

例如，上述模型的默认模板本质上建议模型应该始终调用函数。这可能导致函数调用的无限循环。

Given the following functions, please respond with a JSON for a function call
with its proper arguments that best answers the given prompt.

Respond in the format {"name": function name, "parameters": dictionary of
argument name and its value}. Do not use variables.

你可以将这样的提示替换为更具描述性的提示，以防止无限工具调用循环。

例如：

Review the user's prompt and the available functions listed below.
First, determine if calling one of these functions is the most appropriate way to respond. A function call is likely needed if the prompt asks for a specific action, requires external data lookup, or involves calculations handled by the functions. If the prompt is a general question or can be answered directly, a function call is likely NOT needed.

If you determine a function call IS required: Respond ONLY with a JSON object in the format {"name": "function_name", "parameters": {"argument_name": "value"}}. Ensure parameter values are concrete, not variables.

If you determine a function call IS NOT required: Respond directly to the user's prompt in plain text, providing the answer or information requested. Do not output any JSON.

然后你可以使用以下命令创建一个新模型：

ollama create llama3.2-modified -f model_file_to_modify

使用 ollama_chat 提供商¶

我们的 LiteLLM 包装器可用于创建使用 Ollama 模型的智能体。

root_agent = Agent(
    model=LiteLlm(model="ollama_chat/mistral-small3.1"),
    name="dice_agent",
    description=(
        "hello world agent that can roll a dice of 8 sides and check prime"
        " numbers."
    ),
    instruction="""
      You roll dice and answer questions about the outcome of the dice rolls.
    """,
    tools=[
        roll_die,
        check_prime,
    ],
)

重要的是设置提供商为 ollama_chat 而不是 ollama。使用 ollama 将导致意外行为，如无限工具调用循环和忽略先前上下文。

虽然可以在 LiteLLM 内部提供 api_base 用于生成，但截至 v1.65.5，LiteLLM 库在完成后调用其他 API 时依赖于环境变量。因此，此时我们建议设置环境变量 OLLAMA_API_BASE 来指向 ollama 服务器。

export OLLAMA_API_BASE="http://localhost:11434"
adk web

使用 openai 提供商¶

或者，可以使用 openai 作为提供商名称。但这也需要设置 OPENAI_API_BASE=http://localhost:11434/v1 和 OPENAI_API_KEY=anything 环境变量，而不是 OLLAMA_API_BASE。请注意，api base 现在末尾有 /v1。

root_agent = Agent(
    model=LiteLlm(model="openai/mistral-small3.1"),
    name="dice_agent",
    description=(
        "hello world agent that can roll a dice of 8 sides and check prime"
        " numbers."
    ),
    instruction="""
      You roll dice and answer questions about the outcome of the dice rolls.
    """,
    tools=[
        roll_die,
        check_prime,
    ],
)

export OPENAI_API_BASE=http://localhost:11434/v1
export OPENAI_API_KEY=anything
adk web

调试¶

你可以通过在智能体代码中的导入后添加以下内容来查看发送到 Ollama 服务器的请求。

import litellm
litellm._turn_on_debug()

查找类似于以下的行：

Request Sent from LiteLLM:
curl -X POST \
http://localhost:11434/api/chat \
-d '{'model': 'mistral-small3.1', 'messages': [{'role': 'system', 'content': ...

自托管端点（例如 vLLM）¶

诸如 vLLM 之类的工具允许你高效地托管模型，并通常暴露与 OpenAI 兼容的 API 端点。

设置：

部署模型： 使用 vLLM（或类似工具）部署你选择的模型。记下 API 基础 URL（例如 https://your-vllm-endpoint.run.app/v1）。
- 对于 ADK 工具很重要： 部署时，确保服务工具支持并启用与 OpenAI 兼容的工具/函数调用。对于 vLLM，这可能涉及标志，如 --enable-auto-tool-choice 和可能特定的 --tool-call-parser，取决于模型。参考 vLLM 关于工具使用的文档。

认证： 确定你的端点如何处理认证（例如，API 密钥、承载令牌）。

集成示例：

import subprocess
from google.adk.agents import LlmAgent
from google.adk.models.lite_llm import LiteLlm

# --- 使用托管在 vLLM 端点上的模型的智能体示例 ---

# 由你的 vLLM 部署提供的端点 URL
api_base_url = "https://your-vllm-endpoint.run.app/v1"

# 你的 vLLM 端点配置识别的模型名称
model_name_at_endpoint = "hosted_vllm/google/gemma-3-4b-it" # vllm_test.py 的示例

# 认证（示例：为 Cloud Run 部署使用 gcloud 身份令牌）
# 根据你的端点的安全性调整这一点
try:
    gcloud_token = subprocess.check_output(
        ["gcloud", "auth", "print-identity-token", "-q"]
    ).decode().strip()
    auth_headers = {"Authorization": f"Bearer {gcloud_token}"}
except Exception as e:
    print(f"警告：无法获取 gcloud 令牌 - {e}。端点可能未受保护或需要不同的认证。")
    auth_headers = None # 或适当处理错误

agent_vllm = LlmAgent(
    model=LiteLlm(
        model=model_name_at_endpoint,
        api_base=api_base_url,
        # 如果需要，传递认证头
        extra_headers=auth_headers
        # 或者，如果端点使用 API 密钥：
        # api_key="YOUR_ENDPOINT_API_KEY"
    ),
    name="vllm_agent",
    instruction="你是一个在自托管 vLLM 端点上运行的乐于助人的助手。",
    # ... 其他智能体参数
)

使用 Vertex AI 上的托管和微调模型¶

为了企业级可扩展性、可靠性和与 Google Cloud 的 MLOps 生态系统集成，你可以使用部署到 Vertex AI 端点的模型。这包括来自模型库的模型或你自己的微调模型。

集成方法： 将完整的 Vertex AI 端点资源字符串（projects/PROJECT_ID/locations/LOCATION/endpoints/ENDPOINT_ID）直接传递给 LlmAgent 的 model 参数。

Vertex AI 设置（综合）：

确保你的环境已配置为 Vertex AI：

认证： 使用应用默认凭证 (ADC)：
```
gcloud auth application-default login
```

环境变量： 设置你的项目和位置：

export GOOGLE_CLOUD_PROJECT="YOUR_PROJECT_ID"
export GOOGLE_CLOUD_LOCATION="YOUR_VERTEX_AI_LOCATION" # e.g., us-central1

启用 Vertex 后端： 关键是，确保 google-genai 库针对 Vertex AI：
```
export GOOGLE_GENAI_USE_VERTEXAI=TRUE
```

模型库部署¶

你可以从 Vertex AI 模型库部署各种开放和专有模型到端点。

示例：

from google.adk.agents import LlmAgent
from google.genai import types # 用于配置对象

# --- 使用从模型库部署的 Llama 3 模型的智能体示例 ---

# 替换为你实际的 Vertex AI 端点资源名称
llama3_endpoint = "projects/YOUR_PROJECT_ID/locations/us-central1/endpoints/YOUR_LLAMA3_ENDPOINT_ID"

agent_llama3_vertex = LlmAgent(
    model=llama3_endpoint,
    name="llama3_vertex_agent",
    instruction="你是一个基于 Llama 3 的有帮助的助手，托管在 Vertex AI 上。",
    generate_content_config=types.GenerateContentConfig(max_output_tokens=2048),
    # ... 其他智能体参数
)

微调模型端点¶

部署你的微调模型（无论是基于 Gemini 还是 Vertex AI 支持的其他架构）会产生一个可以直接使用的端点。

示例：

from google.adk.agents import LlmAgent

# --- 使用 Vertex AI 上部署的 Claude 模型示例 ---
agent_claude_vertex = LlmAgent(
    # 完整的 Vertex AI 端点资源字符串
    model="projects/my-project/locations/us-central1/endpoints/1234567890",
    name="claude_vertex_agent",
    instruction="你是一个有帮助的助手，在 Vertex AI 上运行。",
    # ... 其他智能体参数
)

通过 LiteLLM 在 Vertex AI 上使用 Claude 模型¶

一些提供商，如 Anthropic，直接通过 Vertex AI 提供他们的模型。

集成方法： 使用直接模型字符串（例如 "claude-3-sonnet@20240229"），但需要在 ADK 内手动注册。

为什么需要注册？ ADK 的注册表自动识别 gemini-* 字符串和标准 Vertex AI 端点字符串（projects/.../endpoints/...），并通过 google-genai 库路由它们。对于通过 Vertex AI 直接使用的其他模型类型（如 Claude），你必须明确告诉 ADK 注册表哪个特定的包装类（在这种情况下为 Claude）知道如何使用 Vertex AI 后端处理该模型标识符字符串。

示例：

Vertex AI 环境： 确保完成综合 Vertex AI 设置（ADC、环境变量、GOOGLE_GENAI_USE_VERTEXAI=TRUE）。
安装提供商库： 安装为 Vertex AI 配置的必要客户端库。

# --- 通过 LiteLLM 在 Vertex AI 上使用 Claude 的智能体示例 ---
agent_claude_vertex_litellm = LlmAgent(
    model=LiteLlm(
        model="anthropic/claude-3-haiku@google-vertex",
        # 配置参数传递给 Vertex AI 的 LiteLLM 实现
    ),
    name="claude_vertex_litellm_agent",
    instruction="你是一个由 Vertex AI 上的 Claude 提供支持的乐于助人的助手。",
    # ... 其他智能体参数
)

注册模型类： 在应用程序开始时添加此代码，在使用 Claude 模型字符串创建智能体之前：

选择正确的模型¶

选择正确的模型取决于多个因素，包括：

性能： 更强大的模型（Gemini Pro、Claude 3 Opus 等）通常在复杂推理、理解口头说明和提供深入回应方面表现更好，但可能在响应延迟和成本方面支付"税"。
速度： "快速"变种（如 Gemini Flash）以更高效的性能提供响应，同时提供较好但经过优化的结果。
能力： 特定模型对高级能力（如代码生成、函数调用、规划）的支持各不相同。检查每个模型的文档以确认它支持你所需的特性。
费用： 更强大的模型或特定提供商可能会收取更高的费用。考虑你的预算限制和预期使用量。
部署： 本地模型更适合隐私敏感的应用或不可靠连接，但需要技术基础设施。
兼容性： 验证你选择的模型与 ADK 工具和特性的兼容性，尤其是功能调用/工具使用。

故障排除提示¶

如果你在使用特定模型时遇到问题：

检查环境变量： 确保设置了正确的环境变量（API 密钥、项目、位置等）。
查看认证： 确认认证凭证已准备就绪且有效。
依赖项： 确保安装了所有必要的依赖项（litellm、google-auth 等）。
工具/函数兼容性： 如果工具不起作用，请验证所选模型支持函数调用的格式，以及是否启用了此功能。
检查配额： 某些服务可能有 API 调用配额限制。
日志： 启用详细日志记录可能有助于识别问题：

import logging
logging.basicConfig(level=logging.DEBUG)

下一步¶

现在你已经了解了如何使用各种模型，请探索：

LLM 智能体 - 深入了解配置和指令设置。
工具 - 学习如何使智能体与外部系统交互。