很多初学者会陷入 “先吃透所有多智能体理论、概念（如智能体通信协议、协作模式、任务分配机制）再动手” 的误区，导致迟迟无法落地。

实际上，多智能体的核心价值在于 “协作解决实际问题”，初期无需纠结复杂理论，只需明确 “用智能体分工完成任务” 的核心逻辑，选择一个框架直接上手实践，在解决问题的过程中反推概念理解，效率会远超纯理论学习。

一、任意选择一个智能体框架：优先 Google ADK

目前常用的多智能体开发框架有很多，下面简单列了 3 个，不用纠结选哪一个，任意选择一个都可以，从上手来说建议优先选择Google ADK：

框架名称	核心特点	上手难度	适用场景
LangChain	生态丰富，支持多工具集成，但需手动搭建协作逻辑	中等	复杂工具链整合（如结合数据库、API）
LangGraph	基于图结构定义智能体流向，灵活性高	较高	需精准控制智能体协作流程的场景
Google ADK（Agent Development Kit）	谷歌官方封装，内置智能体分工、通信能力，无需手动搭建基础协作逻辑	低	快速落地多智能体协作任务，尤其适合新手

新手入门的核心痛点是 “搭建基础协作逻辑耗时”（如智能体间如何传递信息、如何分配任务），而 Google ADK 通过高层封装已解决这些问题：

1. 内置 “智能体角色定义” 模块，可直接指定某智能体负责 “解析文档”、某智能体负责 “回答问题”；
2. 自带通信协议，无需手动编写智能体间的消息传递代码；
3. 与 Google Gemini 模型深度集成，无需额外配置第三方模型接口，开箱即用。

二、找一个简单的实际问题实战

选择好框架后，就是找一个简单的实际问题实战，过程中你就会熟悉，并根据出现的问题去解决，例如用 Google ADK 实现 “多智能体文档咨询系统”，可以选择 “用户上传 PDF 文档后，智能体自动解析文档内容，并回答用户关于文档的问题” 作为入门任务，该任务需 2 个智能体协作：

• 文档解析智能体：负责加载、解析 PDF 文档，提取关键信息并结构化存储；
• 问答智能体：基于解析后的文档信息，回答用户的具体问题。

1 任务拆解

• 初始化 2 个智能体：文档解析智能体（doc_parser_agent）、文档问答智能体（doc_qa_agent）；
• 文档解析智能体加载 PDF 文件，提取内容并生成 “文档摘要 + 关键信息列表”；
• 问答智能体接收用户问题，调用工具加载和调用智能体解析PDF文件，结合文档解析结果生成精准回答；

2 代码实现

完整代码参考：https://github.com/jeromeyhq/multiagent-demo.git

2.1 安装依赖库

可以用uv进行依赖库管理，也可以使用pip install 直接安装：

（1）pip install模式直接安装

#
安装Google ADK核心库
pip install google-adk
pip install litellm
#
安装文档加载与处理工具
pip install langchain-community pypdf

（2）uv依赖库管理pyproject.toml

[project]
name = "multiagent-demo"
version = "0.1.0"
description = "Add your description here"
readme = "README.md"
requires-python = ">=3.13"
dependencies = [
"google-adk<=1.7.0",
"litellm>=1.71.2", # 统一接口调用多种大语言模型（如OpenAI/Anthropic）
"langchain-community",
"pypdf",
]

2.2 文档解析智能体（doc_parser_agent)

代码具体实现：

from google.adk.agents import LlmAgent
from google.adk.models.lite_llm import LiteLlm
doc_parser_agent = LlmAgent(
name="doc_parser_agent",
model=LiteLlm(
model="openai/qwen3-32b",
api_base="https://dashscope.aliyuncs.com/compatible-mode/v1",
api_key="API_KEY", #目前使用的阿里云百炼，请输入你的API_KEY
enable_thinking=False,
),
description=(
"文档解析智能体"
),
instruction=(
"""
你是文档解析智能体，职责如下：
1. 接收PDF文档的原始文本内容；
2. 提取文档核心内容，生成100字以内的摘要；
3. 整理文档中的关键信息（如定义、数据、结论），以列表形式输出；
4. 仅输出解析结果，不回答用户问题。
"""
),
tools=[],

2.3 文档问答智能体（doc_qa_agent）

代码具体实现：

from google.adk.agents import LlmAgent
from google.adk.models.lite_llm import LiteLlm
from langchain.document_loaders import PyPDFLoader
from doc_parser_agent.agent import doc_parser_agent
#加载PDF文档工具
def load_pdf_document(pdf_path:str) -> str:
"""
解析PDF文档，提取文本内容。
Returns:
str: 解析的文本内容。
"""
print(f"Loading PDF document from: {pdf_path}")
loader = PyPDFLoader(pdf_path)
pages = loader.load_and_split()  # 按页分割文档
# 合并所有页面的文本（适合短文档，长文档可优化为按章节分割）
total_text = "\n".join([page.page_content for page in pages])
return total_text
doc_qa_agent = LlmAgent(
name="doc_qa_agent",
model=LiteLlm(
model="openai/qwen3-32b",
api_base="
https://dashscope.aliyuncs.com/compatible-mode/v1
",
api_key="API_KEY",
#目前使用的阿里云百炼
，请输入你的API_KEY
enable_thinking=False,
),
description=(
"文档问答智能体"
),
instruction=(
"""
你是文档解析和问答调度智能体，职责如下：
1. 识别出用户给出的文档路径，先调用文档加载工具进行加载；
2、根据加载的文档调用文档解析智能体进行解析，获得摘要和关键信息，并输出；
3、如果识别出用户的提问，根据解析的摘要和用户问题进行问题回答；
4、如果同时识别到文档和用户的提问，需要执行文档解析智能体获得摘要和关键信息,根据解析的摘要和用户问题进行回答；
"""
),
tools=[
load_pdf_document,
],
sub_agents=[
doc_parser_agent,
],
)
root_agent = doc_qa_agent

3 代码运行与调试

输入adk run doc_multi_agent可进入命令行测试，输入adk web可使用可视化界面进行运行测试。

实际效果：

（1）输入：文档：/Users/中华人民共和国教师法.pdf

输出结果如下：

调用跟踪如下：

(2)输入：教师的职责是什么

输出结果如下：

三、后续学习方向

当你能独立运行上述实战案例后，可按以下步骤深化学习：

1. 优化智能体协作：在现有代码中增加 “任务分配智能体”，让其判断用户需求是否需要调用解析智能体（如用户问 “文档大小是多少”，无需解析内容）；
2. 集成更多工具：通过 Google ADK 对接 LangChain 的工具链（如数据库查询、网页爬取），让多智能体处理更复杂任务（如 “解析 PDF 后，将关键数据存入 MySQL”）；
3. 学习核心概念：此时再回头学习 “智能体通信模式（如请求 - 响应、广播）”、“协作策略（如分工协作、竞争协作）”，结合实战经验理解会更深刻；
4. 尝试复杂场景：开发多智能体客服系统（咨询智能体 + 售后智能体）、多智能体数据分析系统（数据采集智能体 + 分析智能体 + 可视化智能体）。

四、总结

多智能体学习的关键是 “从实战切入，以问题驱动概念理解”。Google ADK 的高层封装能帮你快速跳过基础协作逻辑的搭建，聚焦 “任务拆解与智能体分工”。建议先吃透上述文档咨询案例，再逐步尝试更复杂的场景，逐步构建多智能体开发能力。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发