Google ADK：并存 flow 与 2.0 图编排两套范式、深绑 Gemini/Vertex 又经 LiteLLM 保持模型无关的平台级 agent 框架

Google ADK (Agent Development Kit)

一句话定位

Google ADK（Python 包 google-adk，v2.4.0）是 Google 官方开源的 code-first agent 框架，README 自述为 “open-source, code-first Python toolkit for building, evaluating, and deploying sophisticated AI agents”。它的两个决定性特征：一是同一仓库并存两套执行范式——经典 flow 范式（flows/llm_flows/base_llm_flow.py 的单 agent 多轮 while True 循环）与 ADK 2.0 workflow 范式（workflow/_dynamic_node_scheduler.py 的 DAG 图编排、动态节点、可暂停/可恢复的 human-in-the-loop），Runner 优先走后者；二是模型策略两面下注——对 Gemini/Vertex 做深度协同（context caching、thinking planner、native code execution、grounding、Live 双向流、Memory Bank、多档托管代码沙箱都有 Google 侧实现），同时经 LiteLLM/Anthropic 适配保持模型无关。相比 langgraph/crewai 同类框架，ADK 更”平台化”，图编排范式则更接近 langgraph。

核心架构总览（目录结构关键路径 + 引用的 commit）

分析基于 commit 61ba59a23f06d78bbd5ed49bac918787e2739066（2026-07-10），版本 2.4.0（src/google/adk/version.py）。源码根为 src/google/adk/，重点子包：

• runners.py（2301 行）— Runner 顶层执行引擎：service 装配、run_async 主循环、DynamicNodeScheduler 驱动、append_event 落盘。
• agents/ — BaseAgent（=BaseNode）/LlmAgent/Loop|Sequential|ParallelAgent、Context/InvocationContext。
• flows/llm_flows/ — 单 agent 的 LLM 交互循环：request/response processor 管线、tool dispatch、agent transfer、compaction。
• workflow/ — ADK 2.0 图编排引擎（_workflow.py 编译 DAG + _dynamic_node_scheduler.py 调度）。
• tools/ — 工具体系（BaseTool/FunctionTool、MCP、bigquery/computer_use/bash/agent_tool 等大量内建工具）。
• sessions/ — 会话持久化（in-memory / sqlite / database(SQLAlchemy) / vertex_ai）。
• memory/ — 长期记忆服务（in-memory / vertex_ai_memory_bank / vertex_ai_rag）。
• apps/ — App 容器 + 事件压缩（compaction/summarizer）。
• plugins/ — 全局横切回调插件体系（plugin_manager + 内建插件）。
• skills/ — 兼容 Anthropic Agent Skills 规范的技能系统（SKILL.md L1/L2/L3 渐进加载）。
• optimization/ — 自进化：GEPA / SimplePromptOptimizer 等 eval 驱动的 prompt/agent 优化器。
• evaluation/ — eval 框架（trajectory / final-response / hallucination / rubric / llm-as-judge）。
• code_executors/ — 代码执行沙箱（unsafe_local / container(docker) / gke / vertex_ai / agent_engine_sandbox / built-in Gemini）。
• auth/ — 凭证/OAuth 体系（credential_manager、auth_handler、exchanger、refresher）。
• telemetry/ — OpenTelemetry tracing + GenAI semconv。
• planners/、models/、a2a/、cli/、artifacts/、events/、integrations/、labs/ 等。

架构演进要点：base_llm_flow.py:1307-1322 的注释确认——经典递归 transfer 路径在 ADK 2.0 下被 _llm_agent_wrapper.py 拦截绕过，改由 Workflow 调度；Runner 走 DynamicNodeScheduler 的入口在 runners.py:545,573,658,680。也就是说 flow 范式仍是单 agent 内层循环的实现，但跨 agent 的编排已上移到图调度层。

Agent Loop（主循环 / 何时继续何时停）

两层循环。

内层（单 agent LLM 循环）：flows/llm_flows/base_llm_flow.py:918 run_async：

while True:
    last_event = None
    async for event in self._run_one_step_async(ctx):   # 一步 = 一次 LLM 调用
        last_event = event; yield event
    if not last_event or last_event.is_final_response() or last_event.partial:
        break

• 一步的定义：_run_one_step_async（:933）= preprocess（processor 管线）→ _call_llm_async 调一次 LLM → postprocess → 若返回含 function_calls 则执行工具、把 function response 作为下一步输入喂回，让模型消费工具结果后继续循环。
• 停止条件：last_event.is_final_response()（一条没有未决函数调用的 model 回复即终止）或空/partial 事件跳出。此外 end_invocation 标志可提前中断（需要 auth/confirmation 时，:946/1055/1284）。
• LoopAgent 的停止：agents/loop_agent.py:36 max_iterations 达上限，或子 agent 发出 event.actions.escalate（:56-77）。

外层（Runner / Workflow）：runners.py:run_async（约 :1005）装配 InvocationContext 后交给 DynamicNodeScheduler（runners.py:545-640）。ADK 2.0 里每个 agent 是图节点（BaseAgent(BaseNode)，base_agent.py:93），Workflow 调度”就绪”节点（前驱完成）为 asyncio task，支持并行分支、动态 ctx.run_node() 派生子节点，以及从 session.events 重建状态后恢复（rehydration，见 docs/guides/workflow/）。

记忆与上下文管理（压缩、长期记忆、会话持久化）

三层分离，边界清晰。

a) 短期 = Session（会话持久化）：sessions/session.py:28 Session（state + events 列表）。BaseSessionService 有 in-memory / sqlite / database(SQLAlchemy) / vertex_ai 四实现。State 用作用域前缀：APP_PREFIX="app:" / USER_PREFIX="user:" / TEMP_PREFIX="temp:"（sessions/state.py:64-66）——temp: 不持久化，app:/user: 跨会话共享。事件经 session_service.append_event 落盘（runners.py:640,812,1210）。

b) 上下文压缩（compaction）：flows/llm_flows/compaction.py 的 CompactionRequestProcessor 在 contents processor 之前跑（single_flow.py:47-49），核心逻辑在 apps/compaction.py：

• token 阈值触发：_run_compaction_for_token_threshold_config（:371）——当最近 prompt_token_count >= config.token_threshold（:389-394）时触发。
• 用 LlmEventSummarizer（apps/llm_event_summarizer.py，模型 = agent.canonical_model）把旧事件 LLM 摘要成 compaction_event。
• 支持滑窗模式（overlap_size、_has_sliding_window_config :215）与 event_retention_size（保留最近 N 事件不压缩）+ rolling-summary 种子（:240）。
• 有”自包含前缀”安全切分（_longest_self_contained_prefix :311 / _safe_token_compaction_split_index :335），避免把 function_call 与其 response 拆开。

c) 长期记忆（memory service）：memory/base_memory_service.py:44 BaseMemoryService，抽象方法 add_session_to_memory / search_memory（+ add_events_to_memory / add_memory）。实现：in_memory_memory_service、vertex_ai_memory_bank_service（Vertex Memory Bank）、vertex_ai_rag_memory_service（RAG）。

• 写入：context.py:883 add_session_to_memory / :907 add_events_to_memory / :937 add_memory（工具或回调里主动写）。
• 读取：context.py:964 search_memory；两个自动工具——tools/preload_memory_tool.py（每次 LLM 请求前用 user query 检索，把结果作为 <PAST_CONVERSATIONS> 注入 system instruction，:83-89，模型无需显式调用）与 tools/load_memory_tool.py（模型显式调用式检索）。

工具体系（定义/调用协议/注册/权限）

• 定义：tools/base_tool.py:51 BaseTool（ABC）。核心方法 _get_declaration()→types.FunctionDeclaration（OpenAPI/Gemini schema）、run_async(args, tool_context)、process_llm_request()（默认 llm_request.append_tools([self]) 注册进请求，:169）。字段含 is_long_running（LRO：先返回 id 后完成）、_defers_response（内部，延迟 FR）、response_scheduling（Live API 异步 SILENT/WHEN_IDLE/INTERRUPT）。
• tools/function_tool.py:42 FunctionTool 把 Python 函数自动转工具：_automatic_function_calling_util.py + _function_parameter_parse_util.py 从签名/type hints 生成 schema。
• 注册：agent 声明 tools=[...]，preprocess 阶段 _process_agent_tools（base_llm_flow.py:421,1059）对每个 tool/toolset 调 process_llm_request 收集声明到 llm_request.tools_dict。也支持 BaseToolset（动态返回工具列表，含 MCP）。
• 调用协议（dispatch）：flows/llm_flows/functions.py:422 handle_function_call_list_async——并行执行，每个 function call 一个 asyncio task 走 asyncio.gather（:442-459），完成后 merge_parallel_function_response_events（:475）合并成一个 FR event。单个执行 _execute_single_function_call_async（:492）：before_tool_callback（plugin→canonical，:568-584）→ __call_tool_async（:589）→ 异常走 on_tool_error_callback（:593）→ after_tool_callback。sync 工具丢线程池执行（_call_tool_in_thread_pool :159）。
• 大量内建工具：MCP（_remote_mcp_server.py）、bash_tool.py、computer_use/、bigquery/、bigtable/、google_search_tool、agent_tool.py（agent-as-tool）、crewai_tool.py、langchain 集成、openapi_tool/、apihub_tool/ 等。
• 权限：三段 callback（before/after/on_error）+ confirmation gate + auth，详见”安全与权限”章。

Prompt 设计（系统提示结构、动态组装）

系统提示通过 request processor 管线逐段拼装，非单一大模板。顺序定义在 single_flow.py:41-68：basic → auth → request_confirmation → instructions → identity → compaction → contents → context_cache → interactions → nl_planning → code_execution → output_schema。

• instructions（flows/llm_flows/instructions.py）三来源：agent.instruction（动态，可为 InstructionProvider 回调）、agent.static_instruction（放前面，利于 context caching）、root_agent.global_instruction（已废弃，改用 GlobalInstructionPlugin）。关键设计：若设了 static_instruction，则动态 instruction 改注入到 user content 而非 system instruction（instructions.py:107-119；llm_agent.py:259-263,292-303）——目的是缓存静态前缀。
• state 注入：instructions_utils.inject_session_state 把 instruction 里的 {var} 占位符用 session state 填充（instructions.py:55-58），除非 bypass_state_injection。
• identity（identity.py）注入 agent name/description。
• contents（contents.py，1282 行）把 session events 转成模型对话历史；include_contents='none' 可禁历史（llm_agent.py:371）。
• agent_transfer 与 skills 也各自 append 系统提示段（见下两章）。

Router / 编排（任务分解、多 agent、子 agent）

两条编排路径。

a) LLM 驱动的 agent transfer（软路由）：flows/llm_flows/agent_transfer.py。AutoFlow（auto_flow.py）在 SingleFlow 基础上加 agent_transfer processor，把可转移目标（子 agent + 父 agent + peer，_get_transfer_targets :159）连同 description 拼成系统提示（:109-126，“If another agent is better … call transfer_to_agent”），并注册 TransferToAgentTool。模型调用后 event.actions.transfer_to_agent 被消费，切到目标 agent（base_llm_flow.py:1315-1322 _get_agent_to_run）。方向规则：parent↔sub、sub→peer（受 disallow_transfer_to_parent/peers 控制）；mode in ('task','single_turn') 的 agent 不参与 transfer（:147,180）。flow 选择：无子 agent 且禁转移用 SingleFlow，否则 AutoFlow（llm_agent.py:843-851）。

b) 代码/图驱动编排（结构化）：

• 工作流 agent：SequentialAgent / ParallelAgent / LoopAgent（agents/）——固定顺序/并行/循环子 agent。
• ADK 2.0 Workflow（图）：workflow/_workflow.py 把 edges 编译为 DAG，_dynamic_node_scheduler.py 调度就绪节点、并行 asyncio task、动态 ctx.run_node() 派生子节点（generator-evaluator 循环、动态 fan-out），支持条件路由（RouteValue）与 human-in-the-loop 暂停/恢复。
• agent-as-tool：tools/agent_tool.py 把子 agent 包成工具调用（与 transfer 的差别：调用后返回结果、控制权回到调用方，不发生控制权转移）。

Skill / 插件体系

两个不同概念，仓库里都实现了。

a) Skills（skills/，实验性）：**兼容 Anthropic Agent Skills 规范（agentskills.io）**的渐进式加载。skills/models.py 分 L1/L2/L3：Frontmatter（:38，含 name/description/license/allowed_tools（空格分隔的预批准工具，指向 agentskills.io spec）/metadata，metadata 里有 ADK 扩展字段 adk_inject_state、adk_additional_tools）、L2 = SKILL.md 正文、L3 = Resources（:149，references markdown / assets / scripts）。skill_registry.py:26 SkillRegistry（ABC：get_skill / search_skills / search_tool_description）。skills/prompt.py:format_skills_as_xml 把可用技能列成 <available_skills> XML 注入提示，模型据 description 决定是否加载（progressive disclosure）。README 明说支持 “dynamic loading of agent instructions, resources, and scripts … extended with new capabilities at runtime”。

b) Plugins（plugins/）：全局横切回调，与 Skills 是完全不同的机制。base_plugin.py:105 BasePlugin 暴露约 15 个 hook：on_user_message / before_run / after_run / on_event / before_agent / after_agent / before_model / after_model / on_model_error / before_tool / after_tool / on_tool_error / on_agent_error / on_run_error / close。plugin_manager.py:PluginManager 顺序执行所有已注册插件的对应回调，任一返回非空即短路覆盖（base_llm_flow.py:228-235 before_model；functions.py:568 before_tool）。内建插件：logging_plugin、debug_logging_plugin、auto_tracing_plugin、context_filter_plugin、global_instruction_plugin、reflect_retry_tool_plugin、save_files_as_artifacts_plugin、multimodal_tool_results_plugin、bigquery_agent_analytics_plugin。

自进化能力（自我改进 / 学习型记忆 / eval 驱动纠错）

有实打实的 eval 驱动 prompt/agent 自动优化（optimization/），但不做参数训练。

• agent_optimizer.py:28 AgentOptimizer（ABC，optimize(initial_agent, ...)→带分数的优化后 agent）。
• gepa_root_agent_prompt_optimizer.py：接入外部 GEPA 框架（reflective prompt evolution，from gepa.core.adapter import GEPAAdapter，:95）。_AgentGEPAAdapter 实现 evaluate（:113，跑 agent 打分）+ make_reflective_dataset（:161，把失败轨迹喂给反思）。config 有 reflection_minibatch_size（:70）。用一个 optimizer_model（:204）反思并进化 root agent 的 prompt，pareto 式挑选。
• simple_prompt_optimizer.py：迭代式——_generate_candidate_prompt（:96）生成候选 → _score_agent_on_batch（:125）在 eval 批上打分 → _run_optimization_iterations（:140）→ _run_final_validation（:183）。配套 local_eval_sampler.py / sampler.py 采样轨迹。
• 运行时自纠错：reflect_retry_tool_plugin（plugins/）在工具失败时反思后重试。
• 学习型长期记忆：Memory Bank / RAG（见”记忆”章）——session 可反哺记忆供后续检索，但这是检索型记忆，非参数更新。

可观测性（日志 / trace 格式）

• OpenTelemetry（telemetry/tracing.py），用标准 GenAI semantic conventions（opentelemetry.semconv._incubating.attributes.gen_ai_attributes，import 见 :41-53，如 GEN_AI_AGENT_NAME / GEN_AI_OPERATION_NAME / GEN_AI_REQUEST_MODEL / GEN_AI_TOOL_NAME / GEN_AI_TOOL_CALL_ID / GEN_AI_RESPONSE_FINISH_REASONS / USER_ID / ERROR_TYPE）。span 埋点函数：trace_call_llm / trace_send_data / trace_tool_call / trace_merged_tool_calls（functions.py:483）/ trace_agent_invocation（tracing.py:117）。
• span 分 stable / experimental semconv（_stable_semconv.py / _experimental_semconv.py），有 schema version（_schema_version.py）。
• 隐私：env 开关可禁用含 PII 的 span 属性（tracing.py:79-80）。
• 导出：sqlite_span_exporter.py（本地 sqlite）、google_cloud.py（Cloud Trace）、_agent_engine.py。
• auto_tracing_plugin 自动埋点；logging_plugin / debug_logging_plugin 结构化日志；每模块 logging.getLogger('google_adk.' + __name__)。

安全与权限（审批门、密钥管理）

a) 工具审批门（human-in-the-loop confirmation）：

• tools/function_tool.py:53 require_confirmation（bool 或 callable，运行时判定 :245-252）。
• 工具内可主动 tool_context.request_confirmation(hint=, payload=)（context.py:847，把 ToolConfirmation 记到 event_actions.requested_tool_confirmations[function_call_id]）。
• functions.py:360 generate_request_confirmation_event 生成一个 adk_request_confirmation 长运行函数调用事件抛给客户端，中断 invocation 等人确认（base_llm_flow.py:1286-1290）。
• 恢复：flows/llm_flows/request_confirmation.py 的 processor 解析用户回传的 confirmed/payload（_resolve_confirmation_targets :24），确认后才真正执行工具。
• ToolConfirmation（tools/tool_confirmation.py）字段：hint / confirmed / payload，experimental feature gate。

b) 密钥/凭证管理（auth/）：

• credential_manager.py CredentialManager、auth_handler.py AuthHandler、auth_provider_registry.py、exchanger/（token 交换）、refresher/（刷新）、oauth2_credential_util.py / oauth2_discovery.py。
• 工具需凭证时 tool_context.request_credential(auth_config)（context.py:819，记入 requested_auth_configs[function_call_id] 并生成 auth request）→ functions.py:334 generate_auth_event 抛出 auth 事件 + 中断 invocation。已有凭证走 save_credential / load_credential（context.py:773/785）。
• Toolset 级预授权：base_llm_flow.py:125 _resolve_toolset_auth（列工具前先解析 toolset 凭证，缺则抛 auth 请求中断，凭证存 invocation_context.credential_by_key 防泄漏/竞态 :174-177）。
• credential_service/（session/内存凭证存储）。

沙箱与执行隔离

code_executors/，base_code_executor.py:28 BaseCodeExecutor（字段 stateful :56、optimize_data_file :48、error_retry_attempts=2 :59——代码报错自动重试）。五档隔离强度递增 + 一个模型侧执行：

• unsafe_local_code_executor.py：exec(code, globals_, globals_)（:45）——无隔离，同进程执行，仅测试/信任场景。
• container_code_executor.py：import docker，DockerClient 起容器（默认镜像 adk-code-executor:latest :34）——进程/容器级隔离。
• gke_code_executor.py：GKE，from k8s_agent_sandbox import SandboxClient，两模式 ‘job’ / ‘sandbox’（:48-51）——K8s pod 级隔离。
• vertex_ai_code_executor.py：Vertex Code Interpreter Extension（Google 托管沙箱）。
• agent_engine_sandbox_code_executor.py：Agent Engine Code Execution Sandbox（托管）。
• built_in_code_executor.py：直接用 Gemini 原生 code execution（模型侧执行）。
• 代码执行经 _code_execution request/response processor 接入 flow（single_flow.py:63），mutates contents 处理数据文件。

与模型的协同设计

• 多 provider 适配（models/）：base_llm.py:32 BaseLlm（generate_content_async 流式 + connect() 双向 Live 连接）。实现：google_llm.py(Gemini)、anthropic_llm.py、lite_llm.py(LiteLLM→百家模型)、gemma_llm.py、apigee_llm.py；registry.py 按模型名解析类。
• Gemini 深度协同：
  • context caching：gemini_context_cache_manager.py + context_cache_processor（single_flow.py:52）+ static_instruction 前置设计（见”Prompt”章），显式利用 Gemini 隐式/显式缓存。
  • thinking/planner：planners/built_in_planner.py 直接配 Gemini thinking_config（llm_agent.py:338 注明 planner 优先于 agent 的 thinking_config）。
  • native code execution（built_in_code_executor）、google_search / grounding（google_search_tool，grounding_metadata 特判 base_llm_flow.py:273-292）、Live/双向流（gemini_llm_connection.py、audio 转写/缓存 audio_cache_manager.py）、GoogleLLMVariant（Gemini API vs Vertex 变体，工具 schema 生成分叉 base_tool.py:172）。
  • Interactions API（interactions_processor single_flow.py:56 + models/interactions_utils.py）：有状态多轮 previous_interaction_id。
• PlanReActPlanner（planners/plan_re_act_planner.py）：为不带原生 thinking 的模型提供 ReAct 式 plan 提示。
• 工具声明按 API 变体生成不同 schema（_gemini_schema_util.py）。

轨迹利用（session/trajectory 是否反哺训练/评测）

主要用于评测 + prompt 优化，非参数训练。

• 评测（evaluation/）是一等能力：trajectory_evaluator.py:38 TrajectoryEvaluator 按 tool-use accuracy 对比实际 vs 期望工具调用序列（_calculate_tool_use_accuracy :137）。另有 multi_turn_trajectory_quality_evaluator.py、rubric_based_multi_turn_trajectory_evaluator.py、multi_turn_tool_use_quality_evaluator.py、final_response_match_v1/v2、hallucinations_v1、llm_as_judge.py、custom_metric_evaluator.py。eval set 管理 eval_set.py / eval_case.py，本地/GCS/Vertex 存储；agent_evaluator.py 是入口。
• 轨迹反哺优化：session 轨迹经 local_eval_sampler.py 采样喂给 optimization/ 的 GEPA/SimplePromptOptimizer 反思并进化 prompt（见”自进化”章）——形成”轨迹→评测→自动改 prompt”闭环。
• 无迹象把轨迹导出做 SFT/RL 训练数据（仓库内无 tokenization/训练脚本；ADK 是应用层框架，模型训练不在其范围）。session→memory 的写入算是”轨迹反哺检索型记忆”。

与同类 harness 的关键差异（1-3 条）

1. 双执行范式并存且正在迁移：同一仓库里 flow 范式（单 agent 内层多轮循环）与 ADK 2.0 图编排（DAG + DynamicNodeScheduler + resumable）共存，base_llm_flow.py:1307-1322 显示跨 agent 编排已从递归 transfer 上移到图调度；这一点比 crewai/langgraph 单一范式更复杂，图范式本身则最接近 langgraph。
2. 平台化的模型协同：context caching、thinking planner、native code exec、grounding、Live 双向流、Memory Bank、多档托管代码沙箱（Vertex/Agent Engine/GKE）都有 Google 侧一等实现，同时经 LiteLLM/Anthropic 保持模型无关——“深绑生态 + 名义模型无关”两面下注，区别于纯厂商中立框架。
3. 直接复用 Anthropic Agent Skills 规范：skills/ 兼容 agentskills.io 的 SKILL.md L1/L2/L3 渐进披露，而非自造技能格式；同时用独立的 15-hook Plugins 机制承载横切逻辑，把”能力扩展”（Skills）与”运行时拦截”（Plugins）明确分层。

原始源码定位

• repo: https://github.com/google/adk-python （pyproject.toml name=google-adk，description=“Agent Development Kit”，已验证为官方仓库）
• commit/version analyzed: 61ba59a23f06d78bbd5ed49bac918787e2739066（2026-07-10 08:20:15 -0700），版本 2.4.0（src/google/adk/version.py），克隆日期 2026-07-11
• 关键文件列表（相对 src/google/adk/）：
  • runners.py — Runner 顶层：service 装配、run_async 主循环、DynamicNodeScheduler 驱动、append_event
  • flows/llm_flows/base_llm_flow.py — agent loop、pre/postprocess、tool dispatch 入口、before/after model callback、agent 切换
  • flows/llm_flows/single_flow.py — request/response processor 管线注册顺序（单 agent）
  • flows/llm_flows/auto_flow.py — SingleFlow + agent_transfer processor（多 agent）
  • flows/llm_flows/functions.py — 工具并行执行、before/after/on_error callback、confirmation/auth 事件生成、parallel FR merge
  • flows/llm_flows/agent_transfer.py — 多 agent transfer 的系统提示注入 + transfer_to_agent 工具
  • flows/llm_flows/instructions.py — 系统提示组装（instruction / static_instruction / global_instruction + state 注入）
  • flows/llm_flows/compaction.py + apps/compaction.py — 会话事件压缩（token 阈值、LLM 摘要、滑窗 overlap、自包含切分）
  • agents/base_agent.py — BaseAgent(=BaseNode)：run_async、before/after/error callback、agent state
  • agents/llm_agent.py — LlmAgent 全字段与 flow 选择
  • agents/loop_agent.py — LoopAgent：max_iterations + escalate 停止
  • agents/context.py — Context/ToolContext：request_confirmation / request_credential / search_memory / save_artifact / run_node
  • tools/base_tool.py、function_tool.py、tool_confirmation.py、preload_memory_tool.py — 工具定义/声明/confirmation/记忆预载
  • skills/models.py、prompt.py、skill_registry.py、README.md — Agent Skills 系统
  • optimization/gepa_root_agent_prompt_optimizer.py、simple_prompt_optimizer.py、agent_optimizer.py — 自进化 prompt 优化
  • plugins/plugin_manager.py、base_plugin.py — 插件回调体系
  • telemetry/tracing.py — OTel span + GenAI semconv
  • code_executors/*.py — 代码执行沙箱各实现
  • workflow/_dynamic_node_scheduler.py + docs/guides/workflow/* — 图编排/动态节点/恢复
  • sessions/、memory/、auth/、evaluation/（成组阅读，未逐文件列出）

一手源存档（sources/）

存档目录 /Users/zhao/projects/self-wiki/ai-research/sources/harness/google-adk/：

• NOTES.md — 第一阶段源码级调研笔记（本 dossier 的唯一信息来源，含全部文件路径/行号）
• src-archive/（26 个核心源文件，约 468K），具体文件：
  • runners.py、base_plugin.py、plugin_manager.py、compaction.py
  • agents/：base_agent.py、context.py、llm_agent.py、loop_agent.py
  • flows_llm_flows/：agent_transfer.py、auto_flow.py、base_llm_flow.py、compaction.py、functions.py、instructions.py、single_flow.py
  • optimization/：agent_optimizer.py、gepa_root_agent_prompt_optimizer.py、simple_prompt_optimizer.py
  • skills/：README.md、models.py、prompt.py、skill_registry.py
  • tools/：base_tool.py、function_tool.py、preload_memory_tool.py、tool_confirmation.py

说明：第一阶段未额外抓取官方文档站（google.github.io/adk-docs）与官方博客；仓库内 docs/guides/ 已覆盖 workflow/agents/tools/events 的原理说明。若需补充设计动机可后续补抓。