本文介绍如何使用 ADK + DeepSeek 创建一个简单的 Agent。

ADK 官方文档地址：google.github.io/adk-docs/

ADK GitHub 仓库地址：github.com/google/adk-…

本文示例代码 GitHub 仓库地址：github.com/jianghushin…

ADK 简介

Agent Development Kit (ADK) 是一个灵活、模块化的框架，用于开发和部署 AI agents。虽然它针对 Gemini 和 Google 生态系统进行了优化，但 ADK 是模型无关的、部署无关的，并且为与其他框架的兼容性而构建。ADK 的设计目标是让代理开发更像是软件开发，使开发者能够更容易地创建、部署和编排从简单任务到复杂工作流程的各种代理架构。

简单来讲，ADK 是 Google 开源的 Agent 开发框架。

前置依赖

编程语言：

Python

安装依赖：

$ pip install google-adk litellm

安装完以后，就有了一个叫 adk 命令行工具。

help exit help exit for in eval eval for for

快速开始

示例代码如下：

github.com/jianghushin…

import from import from import from import def get_weather city: str dict """获取指定城市的当前天气报告

    Args:
        city (str): 需要查询天气的城市名称

    Returns:
        dict: 包含状态和结果/错误消息的字典
    """ if "杭州" return "status" "success" "report" "杭州天气晴朗，气温 25 摄氏度（77 华氏度）" else return "status" "error" "error_message" f"未找到'{city}'的天气信息" def get_current_time city: str dict """获取指定城市的当前时间

    Args:
        city (str): 需要查询时间的城市名称

    Returns:
        dict: 包含状态和结果/错误消息的字典
    """ if "杭州" "Asia/Shanghai" else return "status" "error" "error_message" f"未找到{city}的时区信息" f'{city}当前时间: {now.strftime("%Y-%m-%d %H:%M:%S %Z%z")}' return "status" "success" "report" "weather_time_agent" # 适配 DeepSeek LLM "deepseek/deepseek-chat" # 注意：模型名称应该是：provider + / + model_name # base_url="...", "替换成你的 API Key" "用于回答城市时间和天气问题的助手代理" "你是一个能帮助用户查询城市时间和天气的智能助手"

示例中 LiteLlm 用于适配 DeepSeek 模型，ADK 是 Google 开发的，所以默认支持 Gemini 模型，为了支持 DeepSeek，需要使用 LiteLlm 进行适配，LiteLlm 支持上百种模型，非常强大。

注意事项：

LiteLlm 参数 model 的模型名称不能直接传 deepseek-chat，需要加上 provider 前缀。

执行命令 adk web 运行 Agent 程序：

for local

浏览器打开 http://127.0.0.1:8000 ，执行 Agent 效果如下：

可以发现，调用了 get_weather 工具，并且由模型返回最终结果。

左侧 Event 可以看到工具调用结果：

图形化展示，效果不错。

此外，Request 可以看到模型配置和调用工具的请求：

Response 自不必说，读者可以自行体验。

另外，adk 还提供了命令行执行方式：

type exit exit exit

希望此文能对你有所启发。

与我交流

欢迎通过以下方式联系我：

• 公众号：AI编程世界
• 微信：jianghushinian
• 邮箱：jianghushinian007@outlook.com
• 博客：jianghushinian.cn
• GitHub：github.com/jianghushin…

大模型算是目前当之无愧最火的一个方向了，算是新时代的风口！有小伙伴觉得，作为新领域、新方向人才需求必然相当大，与之相应的人才缺乏、人才竞争自然也会更少，那转行去做大模型是不是一个更好的选择呢？是不是更好就业呢？是不是就暂时能抵抗35岁中年危机呢？

答案当然是这样，大模型必然是新风口！

那如何学习大模型 ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。但是具体到个人，只能说是：

最先掌握AI的人，将会比较晚掌握AI的人有竞争优势。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

但现在很多想入行大模型的人苦于现在网上的大模型老课程老教材，学也不是不学也不是，基于此我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近100余次后，终于把整个AI大模型的学习路线完善出来！

在这个版本当中：

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型路线+学习教程已经给大家整理并打包分享出来, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型学习资源包》免费分享（安全咨料，放心领取）👈

​

一、大模型经典书籍（免费分享）

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套大模型报告（免费分享）

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、大模型系列视频教程（免费分享）

四、2025最新大模型学习路线（免费分享）

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方二维码，免费领取

👉CSDN大礼包🎁：全网最全《LLM大模型学习资源包》免费分享（安全资料，放心领取）👈

​