Google ADK 2026: Produktionsreife KI-Agenten mit dem Agent Development Kit bauen

2026 liefert jeder „KI-Agenten“ aus. Die meisten davon sind ein einzelner Prompt in einer while-Schleife mit einem fragilen JSON-Parser, der seitlich drangeklebt ist.

Ein echter Agent ist etwas anderes. Er plant, ruft Tools auf, erholt sich von fehlerhaften Tool-Ergebnissen und bleibt beobachtbar, wenn nachts um 3 Uhr in Produktion etwas schiefgeht. Genau diese Lücke — zwischen einer Demo und einem System, das man tatsächlich betreiben kann — soll Googles Agent Development Kit (ADK) schließen.

Ich habe kürzlich den Gemini Enterprise Certified Partner Specialist-Track abgeschlossen, und das Nützlichste daran war kein Badge. Es war ein deutlich klareres mentales Modell davon, wie Google Agenten gebaut sehen will — und wo ADK das Framework, das Sie heute wahrscheinlich nutzen, wirklich schlägt.

Das hier ist die Praxis-Version. Keine Marketing-Folien. Nur: was ADK ist, wie man damit einen echten Agenten baut und wie es gegen LangGraph und CrewAI abschneidet.

Was das Agent Development Kit wirklich ist

ADK ist ein Open-Source-Framework, um KI-Agenten zu bauen, zu evaluieren und auszuliefern — dasselbe Toolkit, das Google intern für Produkte wie Agentspace verwendet. Es ist modell-agnostisch (Gemini zuerst, aber andere Modelle lassen sich anbinden) und läuft überall: auf Ihrem Laptop, auf Cloud Run oder in Gemini Enterprise.

Das mentale Modell ist klein und lohnt sich einzuprägen:

• Agent — ein LLM plus Anweisungen plus eine Menge Tools. Die Einheit, aus der Sie alles zusammensetzen.
• Tool — eine ganz normale Funktion, die der Agent aufrufen kann. ADK liest Ihre Funktionssignatur und den Docstring und baut das Schema automatisch.
• Runner — die Ausführungsschleife, die den Agenten antreibt: Modell promten, Tools aufrufen, Ergebnisse zurückführen, wiederholen, bis fertig.
• Session — der Speicher und Zustand, der über mehrere Turns hinweg bestehen bleibt.

Das ist der gesamte Kern. Alles andere — Multi-Agent-Orchestrierung, Evaluierung, Deployment — baut auf diesen vier Bausteinen auf.

Einen echten Agenten in rund 30 Zeilen bauen

Hier ist ein funktionierender Agent, der etwas Sinnvolles tut: Er beantwortet Fragen zu einer Bestellung, indem er ein echtes Tool aufruft. Beachten Sie, dass das Tool einfach eine normale Python-Funktion mit klarem Docstring ist — ADK macht daraus für Sie ein aufrufbares Schema.

from google.adk.agents import Agent

def get_order_status(order_id: str) -> dict:
    """Liefert den Lieferstatus einer Kundenbestellung.

    Args:
        order_id: Die kundenseitige Bestellnummer, z. B. "A-10423".
    """
    # In Produktion würde das Ihre Bestell-API aufrufen.
    orders = {"A-10423": {"status": "versendet", "eta": "2026-06-29"}}
    return orders.get(order_id, {"status": "unbekannt"})

root_agent = Agent(
    name="support_agent",
    model="gemini-2.5-flash",
    instruction=(
        "Du bist ein knapper Kundensupport-Agent. "
        "Wenn ein Nutzer nach einer Bestellung fragt, rufe get_order_status auf "
        "und antworte in einem Satz. Erfinde niemals einen Bestellstatus."
    ),
    tools=[get_order_status],
)

Starten Sie ihn lokal mit der ADK-Dev-UI und Sie bekommen ein Chat-Fenster, einen Live-Trace jedes Tool-Aufrufs und die rohe Modell-Argumentation — ganz ohne eine einzige Zeile Frontend-Code:

pip install google-adk
adk web

In dem Moment, in dem das Trace-Panel zum ersten Mal Nutzer → Modell → Tool-Aufruf → Tool-Ergebnis → Modell → Antwort zeigt, fällt der Groschen. Sie raten nicht, was der Agent getan hat. Sie sehen es.

Wo ADK vorbeizieht: Tools, Eval und Deployment

Drei Dinge unterscheiden ADK von einer selbstgebauten Agenten-Schleife.

Tools sind First-Class und typisiert. Ihre Funktionssignatur ist der Vertrag. Keine handgeschriebenen JSON-Schemas, die sich vom Code wegbewegen. ADK bringt außerdem fertige Tools mit (Suche, Code-Ausführung) und kann andere Agenten als Tools kapseln — so komponieren Sie Spezialisten.

Evaluierung ist eingebaut, nicht nachträglich drangeschraubt. Mit ADK definieren Sie Testfälle — eine Eingabe plus die erwartete Tool-Abfolge und die erwartete finale Antwort — und führen sie als Suite aus. Genau diesen Teil überspringen die meisten Teams und bereuen es später. Ein Agent, der letzte Woche funktionierte, bricht still, wenn Sie einen Prompt ändern; eine Eval-Suite fängt das ab, bevor Ihre Nutzer es tun.

# tests/order.evalset.json treibt `adk eval` an — prüfen Sie, dass der Agent
# get_order_status wirklich aufruft, nicht nur, dass der Text "richtig aussieht".

Deployment ist ein kurzer Sprung, kein Neuschreiben. Derselbe Agent läuft lokal, auf Cloud Run oder auf der vollständig verwalteten Vertex AI Agent Engine. Wenn Sie zu Gemini Enterprise wechseln, erben Sie Identität, Datenquellen-Konnektoren und Skalierung, ohne den Agenten selbst neu zu bauen.

ADK vs. LangGraph vs. CrewAI

Der ehrliche Vergleich, den die meisten „Agent-Framework“-Beiträge vermeiden. Keines davon ist pauschal das Beste — sie optimieren für Unterschiedliches.

Kurzfassung: Greifen Sie zu LangGraph, wenn Ihr Problem in Wahrheit eine Zustandsmaschine mit kniffligen Verzweigungen ist. Greifen Sie zu CrewAI, wenn Sie bis zum Mittagessen eine Multi-Agent-Demo wollen. Greifen Sie zu ADK, wenn der Agent in Produktion leben muss — auf Google Cloud, mit Evaluierung, Tracing und einer verwalteten Laufzeit, die Sie nicht selbst pflegen.

Von einem Agenten zum Team

Einzelne Agenten sind der Anfang. Die interessanten Systeme sind Multi-Agent: ein Koordinator, der an Spezialisten delegiert. ADK modelliert das direkt — ein Agent kann Sub-Agenten haben und leitet Arbeit anhand ihrer Beschreibungen weiter.

from google.adk.agents import Agent

billing = Agent(name="billing", model="gemini-2.5-flash",
                instruction="Beantworte Fragen zu Abrechnung und Erstattungen.")
shipping = Agent(name="shipping", model="gemini-2.5-flash",
                 instruction="Beantworte Fragen zu Lieferung und Tracking.")

coordinator = Agent(
    name="coordinator",
    model="gemini-2.5-pro",
    instruction="Leite jede Anfrage an den richtigen Spezialisten und fasse die Antwort zusammen.",
    sub_agents=[billing, shipping],
)

Der Koordinator nutzt ein stärkeres Modell, um über das Routing nachzudenken; die Spezialisten nutzen ein günstigeres, schnelleres Modell für die enge Aufgabe. Diese Aufteilung — schlauer Router, günstige Arbeiter — ist eines der wirksamsten Kostenmuster in produktiven Agenten-Systemen, und ADK macht daraus ein paar Zeilen statt eines Frameworks.

Der Gemini-Enterprise-Aspekt

Den Agenten zu bauen ist die halbe Geschichte. Die andere Hälfte ist alles drumherum: ihn an echte Unternehmensdaten anbinden (Workspace, Datenbanken, Drittanbieter-Apps), ihm eine Identität geben und ihn auf echte Nutzer skalieren. Genau das fügt die Gemini-Enterprise-Plattform über ADK hinzu — der Agent, den Sie lokal gebaut haben, ist derselbe Agent, der dort läuft, nur mit Enterprise-Konnektoren und Governance drumherum.

Diese Kontinuität ist das eigentliche Verkaufsargument. Sie prototypisieren nicht in einem Tool und bauen in einem anderen neu. Der 30-Zeilen-Agent oben ist strukturell dasselbe, das Sie an Tausende Nutzer ausliefern.

FAQ

Ist Google ADK kostenlos und Open Source? Ja. ADK ist Open Source und modell-agnostisch. Sie können es vollständig lokal betreiben und zahlen nur für die zugrundeliegenden Modell-Aufrufe und die Google-Cloud-Dienste, auf denen Sie ausliefern.

Brauche ich Gemini Enterprise, um ADK zu nutzen? Nein. ADK läuft auf Ihrem Laptop oder jeder Cloud. Gemini Enterprise ist die verwaltete Plattform, zu der Sie wechseln, wenn Sie Enterprise-Datenkonnektoren, Identität und Skalierung brauchen.

Welche Sprache nutzt ADK? Python ist am ausgereiftesten, Java-Support ist verfügbar. Die Konzepte — Agent, Tool, Runner, Session — sind über die Sprachen hinweg gleich.

ADK oder LangGraph in 2026? Nehmen Sie ADK, wenn Sie produktive Agenten auf Google Cloud mit eingebauter Evaluierung und verwalteter Laufzeit wollen. Nehmen Sie LangGraph, wenn Ihr Problem ein komplexer State-Graph mit explizitem, individuellem Kontrollfluss ist.

Kann ich ADK mit Nicht-Gemini-Modellen nutzen? Ja. ADK ist modell-agnostisch — Gemini ist die Voreinstellung, aber Sie können andere Anbieter anbinden.

Fazit

Das Agent Development Kit ist Googles Antwort auf ein echtes Problem: Die meisten „Agenten“ sind Demos, und Demos überleben die Produktion nicht. ADK gibt Ihnen vier saubere Primitive — Agent, Tool, Runner, Session — typisierte Tools, eine eingebaute Eval-Suite, Live-Tracing lokal und einen kurzen Weg vom Laptop zu einer verwalteten Laufzeit auf Gemini Enterprise.

Wenn Sie 2026 ein Framework wählen: CrewAI bringt Sie am schnellsten zur Demo, LangGraph gibt Ihnen die meiste Kontrolle über komplexe Abläufe, und ADK ist das, was für den Produktionsbetrieb auf Google Cloud gebaut ist. Wählen Sie danach, wo der Agent leben muss, nicht nur, wo er geboren wird.

Wenn Sie Agenten bauen — oder den Gemini-Enterprise-Track selbst durcharbeiten — melden Sie sich. Ich teile, was ich baue, unter #GoogleCloud, #GoogleCloudPartners und #GoogleCloudAmbassador.