Агенты Google ADK на Gemini: интеграция и деплой

Проблема: мульти-агентные системы как пазл из 15 библиотек

Вы собрали команду из трёх ML-инженеров, потратили месяц на интеграцию LangChain, AutoGen и собственного оркестратора. В итоге — простыня callback-функций, latency p99 за 3 секунды и ни одного агента в продакшене. Мы сталкиваемся с этим постоянно.

Google ADK — фреймворк, который решает эту боль на уровне архитектуры. Он не требует склеивать пять библиотек: иерархия агентов (LlmAgent, SequentialAgent, ParallelAgent) идёт из коробки, а деплой на Vertex AI — одной командой. В этой статье расскажем, как мы используем ADK в реальных проектах и как это даёт экономию до 70% времени на разработку и существенное снижение затрат на API.

Какие проблемы решает Google ADK?

Хаотичная координация агентов

Отметим: когда агентов больше двух, управление их взаимодействием превращается в ад. Без стандартизированного паттерна каждый агент вызывает другого через API, что ломает цепочку при падении одного звена. ADK предлагает три чётких паттерна: последовательный пайплайн (SequentialAgent), параллельное выполнение (ParallelAgent) и иерархический оркестратор агентов. Это покрывает 90% бизнес-сценариев без кастомной инфраструктуры.

Размазанный контекст и потеря памяти

Многие фреймворки не умеют чистить контекст (context window) — агенты захламляют историю диалога, увеличивая потребление токенов на 40-50%. ADK автоматически управляет сессиями через кэш и чистит ненужные данные. В проекте для FMCG это снизило затраты на Gemini API на 35%, что сэкономило клиенту около $8,000 в месяц.

Долгий путь от прототипа до прода

Перенос агента из Jupyter Notebook в production обычно занимает недели — нужно писать API-обёртки, настраивать мониторинг, решать CORS/аутентификацию. ADK нативно деплоится на Vertex AI Agent Builder: одна команда adk deploy — и агент доступен как REST-эндпоинт. Официальная документация ADK описывает это за 3 шага.

Как мы это делаем: стек и кейс

Стек

• Gemini 2.0 Flash (low-latency), Gemini 2.0 Pro (сложные рассуждения)
• Google ADK v0.9 (последняя стабильная версия)
• Google Search Grounding, Vertex AI Search, кастомные FunctionTool
• Vertex AI Agent Builder, GKE для особо нагруженных сценариев

Пример из нашей практики: система мониторинга конкурентов для FMCG

Клиент — крупный производитель продуктов питания. Отдел маркетинговой аналитики тратил 3 человеко-дня в неделю на отслеживание 15 конкурентов: цены, новости, новые продукты. Мы построили мульти-агентную систему на ADK за 10 рабочих дней.

Архитектура:

• ParallelAgent запускает 15 субагентов параллельно — каждый мониторит одного конкурента.
• SequentialAgent передаёт данные агрегатору трендов, затем генератору отчёта.
• Отчёт — еженедельный дайджест для CMO в формате executive summary.

Результаты:

Аналитики переключились на стратегические задачи. Экономия составила $10,000 в месяц только на API. В другом проекте для ретейлера мы снизили затраты на токены с $12,000 до $3,000 в месяц.

Как создать базового агента на Google ADK: пошаговая инструкция

1. Установите Google ADK и настройте окружение: pip install google-adk.
2. Создайте функцию-инструмент, например, для получения курса акций.
3. Определите LlmAgent с указанием модели Gemini и списком инструментов.
4. Запустите агента через Runner и протестируйте в сессии.

from google.adk.agents import LlmAgent
from google.adk.tools import google_search, FunctionTool
from google.adk.runners import Runner
from google.adk.sessions import InMemorySessionService

def get_stock_price(ticker: str) -> dict:
    """Получить текущую цену акции.

    Args:
        ticker: Тикер акции (например, GOOGL, AAPL)

    Returns:
        dict с ценой, изменением и объёмом торгов
    """
    data = finance_api.get_quote(ticker)
    return {
        "ticker": ticker,
        "price": data["price"],
        "change_percent": data["change_percent"],
        "volume": data["volume"],
    }

stock_tool = FunctionTool(func=get_stock_price)

research_agent = LlmAgent(
    name="market_researcher",
    model="gemini-2.0-flash",
    instruction="""Ты — аналитик финансового рынка.
Исследуй рыночные данные и предоставляй структурированный анализ.
Всегда используй инструменты для получения актуальных данных.""",
    tools=[google_search, stock_tool],
    output_key="research_result",
)

session_service = InMemorySessionService()
runner = Runner(
    agent=research_agent,
    app_name="financial_analysis",
    session_service=session_service,
)

Как Google ADK сравнивается с альтернативами?

ADK выигрывает в сценариях, где важна скорость деплоя и коробочные решения. Для кастомных низкоуровневых задач лучше подходит LangChain — но мы редко видим такие задачи в коммерческих проектах.

# Пример: оркестратор с двумя субагентами
from google.adk.agents import LlmAgent, SequentialAgent

analyst = LlmAgent(name="analyst", model="gemini-2.0-flash", instruction="Анализируй данные")
writer = LlmAgent(name="writer", model="gemini-2.0-pro", instruction="Пиши отчёт")

orchestrator = SequentialAgent(
    name="orchestrator",
    agents=[analyst, writer],
    output_key="final_report"
)

Процесс работы

Аналитика (2-5 дней): разбираем бизнес-процессы, выделяем точки применения агентов. Собираем требования по latency, трафику, интеграциям. Проектирование (1-3 дня): проектируем иерархию агентов: оркестратор, набор субагентов, схема данных. Реализация (3-10 дней): пишем код, подключаем инструменты, настраиваем grounding. Тестирование (2-3 дня): нагрузочные тесты (p99 latency, throughput), проверка устойчивости к ошибкам. Деплой (2-3 дня): развёртываем на Vertex AI, настраиваем CI/CD, мониторинг (Cloud Monitoring, логи). Передача (1-2 дня): документация, обучение команды, SLA.

Что входит в работу

Мы проводим аудит текущих процессов для выявления узких мест, проектируем архитектуру агентной системы, реализуем код с использованием Google ADK, Gemini API и FunctionTool, затем деплоим на Vertex AI или GKE с CI/CD. В результате вы получаете документацию, обучение вашего ML-инженера и две недели пост-продакшна для исправления багов и оптимизации.

Сроки ориентировочно

Стоимость рассчитывается индивидуально под ваш сценарий — свяжитесь с нами, оценим проект за 1-2 дня.

Почему стоит выбрать нас?

• 5+ лет опыта в AI/ML, 30+ выполненных проектов по интеграции агентов.
• Сертифицированные специалисты Google Cloud (сертификаты по Vertex AI, Gemini).
• Гарантия результата: фиксируем KPI в договоре (latency, accuracy, стоимость токенов).
• Открытая коммуникация: вы получаете доступ к репозиторию и видите прогресс в real-time.

Готовы обсудить вашу задачу? Получите консультацию по внедрению ADK — подберём оптимальную конфигурацию и покажем прототип за 2-3 дня. А если хотите глубже разобраться сами, почитайте официальный репозиторий Google ADK на GitHub — там много примеров.

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.