Google ADK - CoreWeave Docs

L’Agent Development Kit (ADK) de Google est un framework flexible et indépendant du modèle, conçu pour créer et orchestrer des agents. Bien qu’optimisé pour Gemini, ADK prend en charge n’importe quel modèle et convient aussi bien aux tâches simples qu’aux flux de travail multi-agents complexes. Weave trace automatiquement les agents créés avec ADK, y compris chaque appel d’agent, chaque transfert vers un sous-agent, chaque appel de modèle et chaque appel d’outil. Les données capturées s’affichent dans la vue Agents de votre projet.

Tracer des agents Google ADK avec Weave

Python
TypeScript

Le SDK Weave applique automatiquement un patch à Google ADK for Python pour vous permettre de capturer les traces de vos agents ADK avec une configuration minimale. Ce guide explique comment initialiser Weave, puis exécuter un agent de recherche sur plusieurs tours de conversation conçu avec Google ADK, afin que Weave capture chaque appel d’agent, appel de modèle et appel d’outil tout au long de la session.

Prérequis

Un compte CoreWeave Forge et une clé API définie dans la variable d’environnement WANDB_API_KEY.
Une clé API Google pour Gemini.
Python 3.10 ou version ultérieure.

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

Prérequis

Un compte CoreWeave Forge et une clé API définie dans la variable d’environnement WANDB_API_KEY.
Une clé API Google définie dans la variable d’environnement GEMINI_API_KEY ou GOOGLE_GENAI_API_KEY.
Node.js 18 ou version ultérieure.
@google/adk version 1.0.0 ou ultérieure.

Installer les paquets

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

pip install weave google-adk requests

npm install weave @google/adk zod

Initialiser Weave dans votre code

Python
TypeScript

Ajoutez weave.init au projet en indiquant les noms de votre équipe et de votre projet CoreWeave Forge, puis créez un agent comme vous le feriez habituellement. Le code suivant crée un agent research_assistant qui utilise gemini-2.5-flash et un outil wikipedia_search, puis lui soumet trois questions au sein d’une même session ADK pendant 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 exécute trois tours de conversation dans une même session ADK. Les deux premiers tours déclenchent des recherches sur Wikipédia, et le troisième s’appuie sur le contexte de la conversation précédente pour produire une synthèse sans appel d’outil.

Weave trace les runners @google/adk au moyen du 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 ; aucune configuration de hook du chargeur de modules n’est donc requise.Le code suivant crée un agent research_assistant doté d’un outil wikipedia_search, puis soumet trois questions au sein d’une même session ADK pendant 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 exécute trois tours de conversation dans une même session ADK. Les deux premiers déclenchent des recherches sur Wikipédia, et le troisième s’appuie sur le contexte des échanges précédents pour produire une synthèse sans appel d’outil.

Consulter les traces de votre agent dans la vue Agents

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

Une session regroupant les tours de conversation.
Chaque tour de conversation, représenté par un span invoke_agent contenant des spans enfants imbriqués chat et execute_tool.
L’entrée complète, le modèle, la sortie, l’utilisation des jetons et les résultats des outils à chaque étape.

Pour en savoir plus sur l’affichage des données Agents dans Weave, consultez Afficher l’activité des agents.

​Tracer des agents Google ADK avec Weave

​Prérequis

​Prérequis

​Installer les paquets

​Initialiser Weave dans votre code

​Consulter les traces de votre agent dans la vue Agents

Tracer des agents Google ADK avec Weave

Prérequis

Prérequis

Installer les paquets

Initialiser Weave dans votre code

Consulter les traces de votre agent dans la vue Agents