[Gemini][LINEBot] 透過 Google ADK 打造一個 Agent LINE Bot
前言
雖然前幾天我才剛將 OpenAI Agents SDK 整合成一個簡單的 LINE Bot 範例程式，就在 20250410 的凌晨， Google 就宣佈了 ADK (Google Agent SDK) 的發佈。
本篇文章將介紹如何透過 Google Agent SDK (ADK) 來打造一個最簡單的 LINE Bot 功能，作為之後 MCP 與其他功能的起始專案。 (想不到才沒隔多久，就可以換成 Google ADK XD)
範例程式碼： https://github.com/kkdai/linebot-adk
05/25更新: SDK 有更改成 asynchronous 形式。
session = await session_service.create_session(app_name=app_name,
user_id=user_id,
session_id=session_id)
快速簡介 Google ADK
Repo: https://github.com/google/adk-python
Google 推出的Agent Development Kit (ADK)，這是一個開源框架，旨在簡化智能多代理系統的開發。以下是內容的重點：
- ADK是一個開源框架，專為開發多代理系統而設計，提供從構建到部署的全方位支持。
- 它支持模組化和可擴展的應用程序開發，允許多個專業代理的協作。
功能特點：
- 內建串流：支持雙向音頻和視頻串流，提供自然的人機互動。
- 靈活的編排：支持工作流代理和LLM驅動的動態路由。
- 集成開發者體驗：提供強大的CLI和可視化Web UI，便於開發、測試和調試。
- 內建評估：系統性地評估代理性能。
- 簡易部署：支持容器化部署。
支援視覺化測試 WebUI
(Refer: https://google.github.io/adk-docs/get-started/quickstart/#run-your-agent))
可以在本地端透過 WebUI 來做一些快速的測試，快速部署到 Google Cloud 。 相關的功能也會在後續的文章中陸續提到。
整合 LINE Bot SDK 需要注意的事項：
接下來跟大家講一下，要加上 LINE Bot SDK 有哪一些需要注意的地方。
範例程式碼： https://github.com/kkdai/linebot-adk
Agent 起始的流程
目前是放在 Services 啟動的時候，就將 Agent 初始化。
# Initialize ADK client
root_agent = Agent(
name="weather_time_agent",
model="gemini-2.0-flash-exp",
description=(
"Agent to answer questions about the time and weather in a city."
),
instruction=(
"I can answer your questions about the time and weather in a city."
),
tools=[get_weather, get_current_time],
)
print(f"Agent '{root_agent.name}' created.")
建立 Agent 之後，接下來要準備好 Runner 來執行 Agent 溝通的工作。
# Key Concept: Runner orchestrates the agent execution loop.
runner = Runner(
agent=root_agent, # The agent we want to run
app_name=APP_NAME, # Associates runs with our app
session_service=session_service # Uses our session manager
)
這樣之後就可以透過 async 來呼叫這個 runner 來取的 agent 的結果。（後續會提到）
針對不同使用者，使用記憶體來記憶對話
在 ADK 中，有蠻多相關的 Memory Services 可以使用 :
InMemoryMemoryService- 使用 Serives 的記憶體來儲存，可以作為基本的儲存方式。但是如果使用 CloudRun ，當服務重啟就會消失掉。
VertexAiRagMemoryService- 使用 VertexAI 的 RAG 服務，這邊可能會有額外的儲存空間的費用會產生。
接下來分享一下，如何使用 InMemoryMemoryService 來儲存不同用戶的對話記憶。
async def get_or_create_session(user_id):
if user_id not in active_sessions:
# Create a new session for this user
session_id = f"session_{user_id}"
session = await session_service.create_session(
app_name=APP_NAME,
user_id=user_id,
session_id=session_id
)
active_sessions[user_id] = session_id
print(
f"New session created: App='{APP_NAME}', User='{user_id}', Session='{session.id}'")
else:
# Use existing session
session_id = active_sessions[user_id]
print(
f"Using existing session: App='{APP_NAME}', User='{user_id}', Session='{session_id}'")
return session_id
首先以上 get_or_create_session() 可以透過 user_id 來建立或是取得使用者的 Session ID。這樣可以讓 ADK 透過正確的 Session ID 來繼續相關的對話。
async def call_agent_async(query: str, user_id: str) -> str:
"""Sends a query to the agent and prints the final response."""
print(f"\n>>> User Query: {query}")
# Get or create a session for this user
session_id = await get_or_create_session(user_id)
# Prepare the user's message in ADK format
content = types.Content(role='user', parts=[types.Part(text=query)])
final_response_text = "Agent did not produce a final response." # Default
try:
# Key Concept: run_async executes the agent logic and yields Events.
# We iterate through events to find the final answer.
async for event in runner.run_async(user_id=user_id, session_id=session_id, new_message=content):
# Key Concept: is_final_response() marks the concluding message for the turn.
if event.is_final_response():
if event.content and event.content.parts:
# Assuming text response in the first part
final_response_text = event.content.parts[0].text
elif event.actions and event.actions.escalate: # Handle potential errors/escalations
final_response_text = f"Agent escalated: {event.error_message or 'No specific message.'}"
# Add more checks here if needed (e.g., specific error codes)
break # Stop processing events once the final response is found
except ValueError as e:
# Handle errors, especially session not found
print(f"Error processing request: {str(e)}")
# Recreate session if it was lost
if "Session not found" in str(e):
active_sessions.pop(user_id, None) # Remove the invalid session
session_id = await get_or_create_session(user_id) # Create a new one
# Try again with the new session
try:
async for event in runner.run_async(user_id=user_id, session_id=session_id, new_message=content):
# Same event handling code as above
if event.is_final_response():
if event.content and event.content.parts:
final_response_text = event.content.parts[0].text
elif event.actions and event.actions.escalate:
final_response_text = f"Agent escalated: {event.error_message or 'No specific message.'}"
break
except Exception as e2:
final_response_text = f"Sorry, I encountered an error: {str(e2)}"
else:
final_response_text = f"Sorry, I encountered an error: {str(e)}"
print(f"<<< Agent Response: {final_response_text}")
return final_response_text
透過以上的程式碼，每一次使用者的資訊 (Query, User_ID). 傳入後，透過不同用戶的 user_id 來建立（或取得）不同溝通的紀錄(Session) 。
再來透過不同的 Session 來跑 ADK 的功能查詢。 （主要是透過 async for event in runner.run_async(user_id=user_id, session_id=session_id, new_message=content): )
這樣就可以達成不同使用者，有不同的記憶內容。也不用另外來呼叫相關記憶體相關的 Function 。
快速總結與未來發展
學習到現在，或許大家會跟我一樣有疑問是： 「究竟 OpenAI Agents SDK 跟 Google ADK 有什麼差異？」
(表格整理 by Grok3)
就像這個表格整理的一樣，我覺得 ADK 使用起來沒有比 OpenAI Agent SDK 更簡單。但是由於內建許多有用的 WebUI 還有已經打包好許多的工具。 讓未來的開發上不會有後顧之憂，接下來也會將 MCP Server，語音或是多模態相關的應用整理近 ADK 來跟大家分享，敬請期待。
