基于图的智能体工作流¶
ADK 中的基于图的工作流允许你以更高的精度构建智能体，创建将 AI 推理能力与确定性代码逻辑完美融合的可靠流程。通过这种模式，你可以将智能体逻辑定义为由执行节点 (Nodes) 和边 (Edges) 构成的图结构，从而实现 AI 智能体与工具、自定义代码的无缝协作。
图 1. 结合了多种工作流节点（函数、人机协同、工具及 LLM 推理）的航班升舱智能体设计方案。
虽然 ADK 预置的工作流智能体（如顺序执行智能体）已经提供了跨智能体的流程控制，但它们通常仅限于简单的线性逻辑。如果你需要更精细、更灵活的任务调度与执行控制，图工作流将是你的不二之选。
基于图的工作流的核心优势：¶
- 精确定义逻辑语义：通过明确勾勒路由逻辑，你可以微操不同节点间的状态转换。
- 实现超复杂拓扑结构：支持多分支并行、条件循环以及复杂的全局状态管理。
- 低成本函数链运行：在无需动用昂贵 LLM 推理的情况下，直接调用智能体工具或你的原生 Python 代码。
- 极高的系统可靠性：通过依赖硬编码的节点路由而非变数极大的提示词 (Prompt)，显著提升智能体的可预测性。
Alpha 发布版说明
ADK 2.0 是一个 Alpha 发布版，与之前的 ADK 版本一起使用时可能会导致破坏性变更。如果你需要向后兼容性（例如在生产环境中），请不要使用 ADK 2.0。我们鼓励你测试此版本，并欢迎提供你的反馈！
请先查阅 ADK 2.0 安装指南，然后按照下文步骤开启你的图工作流之旅。
快速入门¶
本节将演示如何构建一个基础的顺序图工作流：该流程首先由 AI 智能体生成一个城市名称，接着通过函数节点查询该城市的时间，最后由另一个智能体播报结果。
from google.adk import Agent
from google.adk import Workflow
from google.adk import Event
from pydantic import BaseModel
# 1. 定义名称生成智能体
city_generator_agent = Agent(
name="city_generator_agent",
model="gemini-2.5-flash",
instruction="""随机返回一个世界知名城市的名称。
仅输出城市名，不要包含标点符号或前缀。""",
output_schema=str,
)
# 2. 定义结构化数据模型
class CityTime(BaseModel):
time_info: str # 时间信息
city: str # 城市名称
# 3. 定义查询时间的函数节点
def lookup_time_function(node_input: str):
"""模拟获取指定城市的实时时间。"""
# 此处你可以调用真实的外部 API
return CityTime(time_info="上午 10:10", city=node_input)
# 4. 定义结果播报智能体
city_report_agent = Agent(
name="city_report_agent",
model="gemini-2.5-flash",
input_schema=CityTime,
instruction="""请直接输出：
此时 {CityTime.city} 的时间是 {CityTime.time_info}。""",
output_schema=str,
)
# 5. 使用 Workflow 类编排工作流
def completed_message_function(node_input: str):
return Event(
message=f"{node_input}\n 工作流执行完成。",
)
# 创建并组合工作流
root_agent = Workflow(
name="root_agent",
edges=[
("START", city_generator_agent, lookup_time_function,
city_report_agent, completed_message_function)
],
# 节点执行顺序：START -> 生成 -> 查询 -> 播报
)
为什么不直接用提示词？
这段示例代码展示了如何使用 Workflow 类来组装一个简单的顺序工作流，并在 AI 智能体处理和代码执行之间交替进行。
虽然你也可以通过长提示词配合工具调用来实现上述功能，但图方法让你能够对每一步的执行顺序、数据契约（Schema）以及中间状态拥有绝对的控制权。
如果你想了解更多关于图工作流数据流转的细节，请参阅智能体工作流的数据处理。
使用图构建复杂的业务流程¶
传统的提示词驱动智能体（Prompt-based Agents）通过文本指令来描述任务。然而，随着流程复杂度的增加，确保 LLM 严格遵守每一个微小的分支规则会变得极度困难且不可靠。
基于图的工作流智能体相比于基于提示词的智能体具有显著优势，它允许你在代码中明确定义整体流程工作流。通过基于图的智能体工作流，流程的每一步都可以定义为图中的一个执行节点 (Node)，每个节点可以是 AI 智能体、工具或你编写的代码。
通过图工作流，你可以在代码中将每一个原子步骤明确定义为节点 (Node)。节点间的拓扑关系决定了任务的走向。下图清晰地展示了如何将一段复杂的文字指令重构为清晰的执行图：
图 2. 将复杂的基于提示词的指令结构重构为高可靠的基于图的工作流。
从基于提示词的智能体转向基于图的工作流智能体，允许你显式地拆分流程中的任务，以定义特定的执行流。一旦定义完成，智能体应用程序就会按照图中的步骤流动，根据需要在非确定性的 AI 驱动智能体和确定性代码之间切换。
这种转变允许你显式地拆分任务链路，并根据需要在“非确定性的 AI 决策”与“确定性的硬业务逻辑”之间自如切换。
以下是实现 图 2 逻辑的代码示例：
# 获取分类智能体
classifier_agent = Agent(
name="classifier",
model="gemini-2.5-flash",
instruction="""将消息分类为：BUG、CUSTOMER_SUPPORT 或 LOGISTICS。
如果跨类别，请使用逗号分隔输出。""",
output_schema=str,
)
# 逻辑分发路由器
def router(node_input: str):
# 解析分类结果并作为路由键发放
routes = node_input.split(",")
routes = [route.strip() for route in routes]
# 返回路由事件
return Event(route=routes)
# 定义各分支的处理逻辑
def response_1_bug():
return Event(message="正在处理 Bug...")
def response_2_support():
return Event(message="正在处理客户支持...")
def response_3_logistics():
return Event(message="正在处理物流...")
# 组合工作流
root_agent = Workflow(
name="routing_workflow",
edges=[
("START", process_message, router),
( router,
{
"BUG": response_1_bug,
"CUSTOMER_SUPPORT": response_2_support,
"LOGISTICS": response_3_logistics,
}
)
],
)
如你所见，通过 edges 数组，你可以轻松定义包含智能体、工具、代码片段甚至是嵌套工作流的庞大复杂系统。欲深入了解高级路由技巧，请参阅为智能体工作流构建图路由。
已知限制¶
基于图的工作流存在一些已知限制。它们与以下 ADK 特性不兼容：
- 实时流 (Live Streaming)：图路由节点暂未直接支持实时的音频/视频流交互。
- 特定第三方集成：部分早期的第三方集成可能无法在图节点上下文中正常运行。