Google ADK

Tracez un agent développé avec l’Agent Development Kit (ADK) de Google à l’aide de Weave.

Le Google’s Agent Development Kit (ADK) est un framework flexible et agnostique quant au modèle pour créer et orchestrer des agents. Bien qu’optimisé pour Gemini, ADK prend en charge n’importe quel modèle ainsi que les tâches simples comme les flux de travail multi-agents complexes. Weave capture automatiquement les traces des agents créés avec ADK, y compris chaque invocation d’agent, transfert vers un sous-agent, appel de modèle et appel d’outil. Weave affiche les données capturées dans la vue Agents de votre projet.

​

Tracer les agents Google ADK avec Weave

Python

Le SDK Weave applique automatiquement un patch à Google ADK pour Python, ce qui vous permet de capturer les traces de vos agents ADK avec un minimum de configuration. Ce guide explique comment initialiser Weave, puis exécuter un agent de recherche multi-tour de conversation créé avec Google ADK, afin que Weave capture chaque invocation d’agent, appel de modèle et appel d’outil tout au long de la session.

​

Prérequis

• Un compte W&B et une clé API définie comme variable d’environnement WANDB_API_KEY.
• Une clé API Google pour Gemini.
• Python 3.10+.

TypeScript

Weave s’intègre à Google ADK pour Node.js (@google/adk) pour tracer automatiquement les exécutions de vos agents.

​

Prérequis

• Un compte W&B et une clé API définie comme variable d’environnement WANDB_API_KEY.
• Une clé API Google définie comme variable d’environnement GEMINI_API_KEY ou GOOGLE_GENAI_API_KEY.
• Node.js 18+.
• @google/adk version 1.0.0 ou ultérieure.

​

Installer les packages

Installez les packages suivants dans votre environnement de développement. Ils fournissent le SDK Weave, le framework Google ADK et le client HTTP utilisé par l’outil d’exemple.

Python

pip install weave google-adk requests

npm install weave @google/adk zod

​

Initialisez Weave dans votre code

Python

Ajoutez weave.init à votre projet, ainsi que les noms de votre équipe et de votre projet W&B, puis créez un agent comme d’habitude. Le code suivant crée un agent research_assistant qui utilise gemini-2.5-flash et l’outil wikipedia_search, puis exécute trois questions au sein d’une même session ADK, tandis que Weave capture la trace.

import asyncio
import requests
import weave
from google.adk.agents import Agent
from google.adk.runners import InMemoryRunner
from google.genai import types

weave.init("<your-team>/<your-project-name>")

def wikipedia_search(query: str) -> dict:
    """Search Wikipedia for a topic and return its title and intro paragraph.

    Args:
        query: The topic to search for.

    Returns:
        A dictionary with the article title and intro extract.
    """
    r = requests.get(
        "https://en.wikipedia.org/w/api.php",
        params={
            "action": "query", "generator": "search", "gsrsearch": query, "gsrlimit": 1,
            "prop": "extracts", "exintro": True, "explaintext": True, "format": "json",
        },
        headers={"User-Agent": "weave-demo"},
    ).json()
    page = next(iter(r["query"]["pages"].values()))
    return {"title": page["title"], "extract": page["extract"]}

agent = Agent(
    name="research_assistant",
    model="gemini-2.5-flash",
    instruction=(
        "You are a research assistant. Use the wikipedia_search tool to look up "
        "topics when needed, and cite the article titles you used."
    ),
    tools=[wikipedia_search],
)

async def main():
    runner = InMemoryRunner(agent=agent, app_name="research-app")
    session = await runner.session_service.create_session(
        app_name="research-app", user_id="user-1"
    )

    questions = [
        "Who founded Anthropic?",
        "What is Claude (the AI assistant)?",
        "Summarize what we discussed in one sentence.",
    ]

    for question in questions:
        print(f"USER: {question}")
        async for event in runner.run_async(
            user_id="user-1",
            session_id=session.id,
            new_message=types.Content(
                role="user",
                parts=[types.Part(text=question)],
            ),
        ):
            if event.is_final_response() and event.content:
                print(f"AGENT: {event.content.parts[0].text}\n")

asyncio.run(main())

L’exemple comporte trois tours de conversation dans une seule session ADK. Les deux premiers déclenchent des recherches sur Wikipédia, et le troisième s’appuie sur le contexte de la conversation précédente pour produire une synthèse sans appel à un outil.

TypeScript

Weave capture les traces des runners @google/adk via le WeaveAdkPlugin, que vous enregistrez directement dans le tableau plugins du runner. L’enregistrement explicite du plugin fonctionne de la même manière dans les projets ESM et CommonJS, donc aucune configuration de hook du chargeur de modules n’est requise.

Le code suivant crée un agent research_assistant avec l’outil wikipedia_search, puis exécute trois questions au sein d’une même session ADK, tandis que Weave capture la trace.

import * as weave from "weave";
import { FunctionTool, Gemini, InMemoryRunner, LlmAgent } from "@google/adk";
import { WeaveAdkPlugin } from "weave";
import { z } from "zod";

const GEMINI_API_KEY = process.env.GEMINI_API_KEY

const wikipediaSearchTool = new FunctionTool({
  name: "wikipedia_search",
  description: "Search Wikipedia for a topic and return its title and intro paragraph.",
  parameters: z.object({
    query: z.string().describe("The topic to search for"),
  }),
  execute: async ({ query }) => {
    const url = new URL("https://en.wikipedia.org/w/api.php");
    url.search = new URLSearchParams({
      action: "query",
      generator: "search",
      gsrsearch: query,
      gsrlimit: "1",
      prop: "extracts",
      exintro: "true",
      explaintext: "true",
      format: "json",
    }).toString();

    const response = await fetch(url, { headers: { "User-Agent": "weave-demo" } });
    const data = await response.json();
    const page = Object.values(data.query.pages)[0] as { title: string; extract: string };
    return { title: page.title, extract: page.extract };
  },
});

async function main() {
  await weave.init("<your-team>/<your-project-name>");

  const agent = new LlmAgent({
    name: "research_assistant",
    description: "Answers research questions using Wikipedia.",
    instruction:
      "You are a research assistant. Use the wikipedia_search tool to look up " +
      "topics when needed, and cite the article titles you used.",
    model: new Gemini({ model: "gemini-2.5-flash", apiKey: GEMINI_API_KEY }),
    tools: [wikipediaSearchTool],
  });

  const APP_NAME = "weave-adk-example";
  const USER_ID = "example-user";

  const runner = new InMemoryRunner({
    agent,
    appName: APP_NAME,
    plugins: [new WeaveAdkPlugin()],
  });
  const session = await runner.sessionService.createSession({
    appName: APP_NAME,
    userId: USER_ID,
  });

  const questions = [
    "Who founded Anthropic?",
    "What is Claude (the AI assistant)?",
    "Summarize what we discussed in one sentence.",
  ];

  for (const question of questions) {
    console.log(`USER: ${question}`);
    for await (const event of runner.runAsync({
      userId: USER_ID,
      sessionId: session.id,
      newMessage: {
        role: "user",
        parts: [{ text: question }],
      },
    })) {
      const text = event.content?.parts
        ?.map(part => part.text)
        .filter(Boolean)
        .join("");
      if (text) {
        console.log(`AGENT: ${text}\n`);
      }
    }
  }

  await weave.flushOTel();
}

main().catch(console.error);

L’exemple comporte trois tours de conversation dans une seule session ADK. Les deux premiers déclenchent des recherches sur Wikipédia, et le troisième s’appuie sur le contexte de la conversation précédente pour produire une synthèse sans appel à un outil.

​

Voir les traces de votre agent dans la vue Agents

Une fois le script exécuté, weave.init() affiche un lien vers votre project. Ouvrez la vue Agents pour examiner :

• Une session contenant les tours de conversation.
• Chaque tour de conversation affiché sous la forme d’un span invoke_agent avec des enfants chat et execute_tool imbriqués.
• L’entrée complète, le model, la sortie, l’utilisation des jetons et les résultats des outils à chaque étape.

Pour en savoir plus sur l’affichage des données des Agents dans Weave, voir Voir l’activité de l’agent.