--- Description: "" date: "2025-12-02" lastmod: "" tags: [] title: 用 Eino ADK 构建你的第一个 AI 智能体：从 Excel Agent 实战开始 weight: 7 --- ## 从 Excel Agent 详解 Eino ADK 本文将会向您介绍如何利用 **Eino ADK** (**Agent Development Kit**) 构建一个强大的多智能体系统，往期 Eino ADK 介绍链接：[Eino ADK：一文搞定 AI Agent 核心设计模式，从 0 到 1 搭建智能体系统](https://mp.weixin.qq.com/s/ffGjlDEzEzroo8w6knlLqw) 示例以 Excel Agent 这个实际业务场景为基础，Excel Agent 是一个能够“听懂你的话、看懂你的表格、写出并执行代码”的智能助手。它把复杂的 Excel 处理工作拆解为清晰的步骤，通过自动规划、工具调用与结果校验，稳定完成各项 Excel 数据处理任务。 接下来我们将从 Excel Agent 的完整架构与功能出发，向您展示该 Agent 是如何通过 Eino ADK 逐步搭建的，进而深入浅出的理解 Eino ADK 的核心设计特点，助您快速上手 Eino ADK，向构建自定义智能体与 AI 应用系统更进一步。 本示例完整代码位于 [Github](https://github.com/cloudwego/eino-examples/tree/main/adk/multiagent/integration-excel-agent)，您可以随时浏览与下载。 ### Excel Agent 是什么？ Excel Agent 是一个“看得懂 Excel 的智能助手”，它先把问题拆解成步骤，再一步步执行并校验结果。它能理解用户问题与上传的文件内容，提出可行的解决方案，并选择合适的工具（系统命令、生成并运行 Python 代码、网络查询等等）完成任务。 Excel Agent 整体是基于 Eino ADK 实现的 Multi-Agent 系统，完整架构如下图所示： Excel Agent 内部包含的几个 Agent 功能分别为： - **Planner**：分析用户输入，拆解用户问题为可执行的计划 - **Executor**：正确执行当前计划中的首个步骤 - **CodeAgent**：接收来自 Executor 的指令，调用多种工具（例如读写文件，运行 python 代码等）完成任务 - **WebSearchAgent**：接收来自 Executor 的指令，进行网络搜索 - **Replanner**：根据 Executor 执行的结果和现有规划，决定继续执行、调整规划或完成执行 - **ReportAgent**：根据运行过程与结果，生成总结性质的报告 ### Excel Agent 的典型使用场景 在真实业务里，你可以把 Excel Agent 当成一位“Excel 专家 + 自动化工程师”。当你交付一个原始表格和目标描述，它会给出方案并完成执行： - **数据清理与格式化**：从一个包含大量数据的 Excel 文件中完成去重、空值处理、日期格式标准化操作。 - **数据分析与报告生成**：从销售数据中提取每月的销售总额，聚合统计、透视，最终生成并导出图表报告。 - **自动化预算计算**：根据不同部门的预算申请，自动计算总预算并生成部门预算分配表。 - **数据匹配与合并**：将多个不同来源的客户信息表进行匹配合并，生成完整的客户信息数据库。 Excel Agent 的完整运行动线为： > 💡 > **核心收益**： > > - **更少的人工操作**，把复杂繁琐的 Excel 处理工作交给 Agent 自动完成。 > - **更稳定的产出质量**，通过“规划—执行—反思”闭环减少漏项与错误。 > - **更强的可扩展性**，各 Agent 独立构建，低耦合利于迭代更新。 Excel Agent 既可以单独使用，也可以作为子 Agent，集成在一个复合的多专家系统中，由外部路由到此 Agent 上，解决 excel 领域相关的问题。 下面我们将逐步拆解 Excel Agent，深入了解 Eino ADK 的核心设计特点，以及如何利用这些特点构建高效、灵活的 AI 应用系统。 ### ChatModelAgent：与 LLM 交互的基石 `ChatModelAgent` 是 Eino ADK 中的一个核心预构建的 Agent，内部使用了 [ReAct](https://react-lm.github.io/) 模式（一种让模型‘思考-行动-观察’的链式推理模式）： `ChatModelAgent` 旨在让 ChatModel 进行显式的、一步一步的“思考”，结合思考过程驱动行动，观测历史思考过程与行动结果继续进行下一步的思考与行动，最终解决复杂问题： - 调用 ChatModel（Reason） - LLM 返回工具调用请求（Action） - ChatModelAgent 执行工具（Act） - 将工具结果返回给 LLM（Observation），结合之前的上下文继续生成，直到模型判断不需要调用工具后结束 在 Excel Agent 中，每个 Agent 的核心都是这样一个 `ChatModelAgent`，以 Executor 运行【读取用户输入表格的头信息】这个步骤为例 ，我们可以通过观察完整的运行过程来理解 ReAct 模式在 `ChatModelAgent` 中的表现： 1. Executor：经过判断，将任务转交给 CodeAgent 运行 2. CodeAgent：接收到任务【读取用户输入表格的头信息】 1. **Think-1**：上下文未提供工作目录下的所有文件，需要查看 2. **Act-1**: 调用 Bash 工具，ls 查看工作目录下的所有文件 3. **Think-2**: 找到了用户输入的文件，判断需要编写 Python 代码读取 xlsx 表格的首行 4. **Act-2**: 调用 PythonRunner 工具，书写代码并运行，获取运行结果 5. **Think-3**: 获取到了 xlsx 首行，判断任务完成 3. 运行完成，将表格头信息返回给 Executor ### Plan-Execute Agent：基于「规划-执行-反思」的多智能体协作框架 Plan-Execute Agent 是 Eino ADK 中一种基于「规划-执行-反思」范式的多智能体协作框架，旨在解决复杂任务的分步拆解、执行与动态调整问题。它通过 **Planner（规划器）**、**Executor（执行器）**和 **Replanner（重规划器）** 三个核心智能体的协同工作，实现任务的结构化规划、工具调用执行、进度评估与动态 replanning，最终达成用户目标： ```go // 完整代码: https://github.com/cloudwego/eino/blob/main/adk/prebuilt/planexecute/plan_execute.go // NewPlanner creates a new planner agent based on the provided configuration. func NewPlanner(_ context.Context, cfg *PlannerConfig) (adk.Agent, error) // NewExecutor creates a new executor agent. func NewExecutor(ctx context.Context, cfg *ExecutorConfig) (adk.Agent, error) // NewReplanner creates a new replanner agent. func NewReplanner(_ context.Context, cfg *ReplannerConfig) (adk.Agent, error) // New creates a new plan-execute-replan agent with the given configuration. func New(ctx context.Context, cfg *Config) (adk.Agent, error) ``` 而 Excel Agent 的核心能力恰好为【解决用户在 excel 领域的问题】，与该智能体协作框架定位一致： - **规划者**（**Planner**）：明确目标，自动拆解可执行步骤 - **执行者（Executor）**：调用工具（Excel 读取、系统命令、Python 代码）完成规划中的每一个详细步骤 - **反思者（Replanner）**：根据执行进度决定继续、调整规划或结束 Planner 和 Replanner 会将用户模糊的指令拆解为清晰的、可执行的步骤清单，即包含多个步骤（Step）的计划（Plan），Eino ADK 为此提供了灵活的 Plan 接口定义，支持用户自定义 Plan 结构与细节： ```go type Plan interface { // FirstStep returns the first step to be executed in the plan. FirstStep() string // Marshaler serializes the Plan into JSON. // The resulting JSON can be used in prompt templates. json.Marshaler // Unmarshaler deserializes JSON content into the Plan. // This processes output from structured chat models or tool calls into the Plan structure. json.Unmarshaler } ``` 默认情况下，框架会使用内置的 Plan 结构作为兜底配置，例如下面就是 Excel Agent 产生的一个完整运行计划： ```sql ### 任务计划 - [x] 1. Read the contents of '模拟出题.csv' from the working directory into a pandas DataFrame. - [x] 2. Identify the question type (e.g., multiple-choice, short-answer) for each row in the DataFrame. - [x] 3. For non-short-answer questions, restructure the data to place question, answer, explanation, and options in the same row. - [x] 4. For short-answer questions, merge the answer content into the explanation column and ensure question and merged explanation are in the same row. - [x] 5. Verify that all processed rows have question, answer (where applicable), explanation, and options (where applicable) in a single row with consistent formatting. - [x] 6. Generate a cleaned report presenting the formatted questions with all relevant components (question, answer, explanation, options) in unified rows. ``` ### Workflow Agents：可控的多 Agent 运行流水线 Excel Agent 中，存在一些需要按照特定顺序运行 agent 的情况： 1. **顺序运行**：先运行 Planner，再运行 Executor 和 Replanner；Planner 只运行一次。 2. **循环运行**：Executor 和 Replanner 需要按需循环运行多次，每次循环运行都是先运行 Executor 后运行 Replanner 3. **顺序运行**：Plan-Executor 整体运行完后，固定运行一次 ReportAgent 进行总结。 对于这些拥有固定执行流程的场景，Eino ADK 提供了三种流程编排方式，协助用户快速搭建可控的工作流： - **SequentialAgent**：按照配置中提供的顺序，依次执行一系列子 Agent。每个子 Agent 执行完成后，其输出会通过 History 机制传递给下一个子 Agent，形成一个线性的执行链。 ```go import github.com/cloudwego/eino/adk // 依次执行 制定研究计划 -> 搜索资料 -> 撰写报告 sequential := adk.NewSequentialAgent(ctx, &adk.SequentialAgentConfig{ Name: "research_pipeline", SubAgents: []adk.Agent{ planAgent, // 制定研究计划 searchAgent, // 搜索资料 writeAgent, // 撰写报告 }, }) ``` - **LoopAgent**：重复执行配置的子 Agent 序列，直到达到最大迭代次数或某个子 Agent 产生 ExitAction，每次迭代的结果都会累积，后续迭代的输入可以访问所有历史信息。LoopAgent 基于 SequentialAgent 实现。 ```go import github.com/cloudwego/eino/adk // 循环执行 5 次，每次顺序为：分析当前状态 -> 提出改进方案 -> 验证改进效果 loop := adk.NewLoopAgent(ctx, &adk.LoopAgentConfig{ Name: "iterative_optimization", SubAgents: []adk.Agent{ analyzeAgent, // 分析当前状态 improveAgent, // 提出改进方案 validateAgent, // 验证改进效果 }, MaxIterations: 5, }) ``` - **ParallelAgent**：允许多个子 Agent 基于相同的输入上下文并发执行。所有子 Agent 接收相同的初始输入，各自在独立的 goroutine（Go 语言中一种轻量级的并发执行单元） 运行，最终收集所有子 Agent 的执行结果并按顺序输出到 `AsyncIterator` 中。 ```go import github.com/cloudwego/eino/adk // 并发执行 情感分析 + 关键词提取 + 内容摘要 parallel := adk.NewParallelAgent(ctx, &adk.ParallelAgentConfig{ Name: "multi_analysis", SubAgents: []adk.Agent{ sentimentAgent, // 情感分析 keywordAgent, // 关键词提取 summaryAgent, // 内容摘要 }, }) ``` ### Agent 抽象：灵活定义 Agent 的基础 Eino ADK 的核心是一个简洁而强大的 Agent 接口，每个 Agent 都有明确的身份（Name）、清晰的职责（Description）和标准化的执行方式（Run），为 Agent 之间的发现与调用提供了基础。无论是简单的问答机器人，还是复杂的多步骤任务处理系统，都可以通过这个统一的接口加以实现。 - **统一的 Agent 抽象**：ADK 提供的预构建 Agent（ChatModelAgent，Plan-Execute Agent，Workflow Agents）都遵循该接口定义。您也可以基于该接口，书写自定义 Agent，完成定制化需求。 ```go type Agent interface { Name(ctx context.Context) string Description(ctx context.Context) string Run(ctx context.Context, input *AgentInput, options ...AgentRunOption) *AsyncIterator[*AgentEvent] } ``` - **标准化输入**：Agent 通常以 LLM 为核心，因此 Eino ADK 定义的 Agent 的输入与 LLM 接收的输入一致： ```go type AgentInput struct { Messages []Message EnableStreaming bool } type Message = *schema.Message // *schema.Message 是模型输入输出的结构定义 ``` - **异步事件驱动输出**：Agent 的输出是一个 AgentEvent 的异步迭代器，其中的 AgentEvent 表示 Agent 在其运行过程中产生的核心事件数据。其中包含了 Agent 的元信息、输出、行为和报错信息： ```go type AgentEvent struct { AgentName string // 产生 Event 的 Agent 名称（框架自动填充） RunPath []RunStep // 到达当前 Agent 的完整运行轨迹（框架自动填充） Output *AgentOutput // Agent 输出消息内容 Action *AgentAction // Agent 动作事件内容 Err error // Agent 报错 } type AgentOutput struct { MessageOutput *MessageVariant // 模型消息输出内容 CustomizedOutput any // 自定义输出内容 } type MessageVariant struct { IsStreaming bool // 是否为流式输出 Message Message // 非流式消息输出 MessageStream MessageStream // 流式消息输出 Role schema.RoleType // 消息角色 ToolName string // 工具名称 } type AgentAction struct { Exit bool // Agent 退出 Interrupted *InterruptInfo // Agent 中断 TransferToAgent *TransferToAgentAction // Agent 跳转 CustomizedAction any // 自定义 Agent 动作 } ``` 异步迭代器允许 Agent 在运行过程中的任意时刻向迭代器发送消息（Agent 调用模型结果、工具运行结果、中间状态等等），同时调用方以一种有序、阻塞的方式消费这一系列事件： ```go iter := myAgent.Run(ctx, "hello") // get AsyncIterator for { event, ok := iter.Next() if !ok { break } // handle event } ``` ### Agent 协作：隐藏在 Agent 后的数据传递 Excel Agent 架构图中的节点代表每个具体的 Agent，边代表了数据流通与任务转移。在构建多 Agent 系统时，让不同 Agent 之间高效、准确地共享信息至关重要。 这些信息不仅包含 Agent 的输入输出，还有全局的、部分可见的种种额外信息，例如： - Executor 执行需要从 Planner / Replanner 拿到一个结构化的、可被拆分为详细步骤（Step）的计划（Plan），而非一段非结构化的 LLM 原始输出消息。 - ReportAgent 需要拿到完整的运行计划、运行过程与运行产物才能正确产生报告。 Eino ADK 包含两种基础的数据传递机制： - **History**：每一个 Agent 产生的 AgentEvent 都会被保存到这个隐藏的 History 中，调用一个新 Agent 时 History 中的 AgentEvent 会被转换并拼接到 AgentInput 中。默认情况下，其他 Agent 的 Assistant 或 Tool Message，被转换为 User Message，这相当于在告诉当前的 LLM：“刚才， Agent_A 调用了 some_tool ，返回了 some_result 。现在，轮到你来决策了。”。 通过这种方式，其他 Agent 的行为被当作了提供给当前 Agent 的“外部信息”或“事实陈述”，而不是它自己的行为，从而避免了 LLM 的上下文混乱。 - **共享 Session**：单次运行过程中持续存在的 KV 存储，用于支持跨 Agent 的状态管理和数据共享，一次运行中的任何 Agent 可以在任何时间读写 SessionValues。以 Plan-Execute Agent 模式为例，Planner 生成首个计划并写入 Session；Executor 从 Session 读取计划并执行；Replanner 从 Session 读取当前计划后，结合运行结果，将更新后的计划写回 Session 覆盖当前的计划。 ```go // Agent 内获取全部 SessionValues func GetSessionValues(ctx context.Context) map[string]any // Agent 内指定 key 获取 SessionValues 中的值 func GetSessionValue(ctx context.Context, key string) (any, bool) // Agent 内添加 SessionValues func AddSessionValue(ctx context.Context, key string, value any) // Agent 内批量添加 SessionValues func AddSessionValues(ctx context.Context, kvs map[string]any) // WithSessionValues 在 Agent 运行前由外部注入 SessionValues func WithSessionValues(v map[string]any) AgentRunOption ``` 除了完善的 Agent 间数据传递机制，Eino ADK 从实践出发，提供了多种 Agent 协作模式： - **预设 Agent 运行顺序（Workflow）**：以代码中预设好的流程运行， Agent 的执行顺序是事先确定、可预测的。对应 Workflow Agents 章节提到的三种范式。 - **移交运行（Transfer）**：携带本 Agent 输出结果上下文，将任务移交至子 Agent 继续处理。适用于智能体功能可以清晰的划分边界与层级的场景，常结合 ChatModelAgent 使用，通过 LLM 的生成结果进行动态路由。结构上，以此方式进行协作的两个 Agent 称为父子 Agent： ```go // 设置父子 Agent 关系 func SetSubAgents(ctx context.Context, agent Agent, subAgents []Agent) (Agent, error) // 指定目标 Agent 名称，构造 Transfer Event func NewTransferToAgentAction(destAgentName string) *AgentAction ``` - **显式调用（ToolCall）**：将 Agent 视为工具进行调用，适用于 Agent 运行仅需要明确清晰的参数而非完整运行上下文的场景。常结合 ChatModelAgent，将 Agent 作为工具运行后将结果返回给 ChatModel 继续处理。除此之外，ToolCall 同样支持调用符合工具接口构造的、不含 Agent 的普通工具。 ```go // 将 Agent 转换为 Tool func NewAgentTool(_ context.Context, agent Agent, options ...AgentToolOption) tool.BaseTool ``` ## Excel Agent 示例运行 ### 配置环境与输入输出路径 - 环境变量：Excel Agent 运行依赖的完整环境变量可参考项目 README。 - 运行输入：包括一段用户需求描述和待处理的一系列文件，其中： - `main.go` 中首行表示用户输入的需求描述，可自行修改： ```go func main() { // query := schema.UserMessage("统计附件文件中推荐的小说名称及推荐次数，并将结果写到文件中。凡是带有《》内容都是小说名称，形成表格，表头为小说名称和推荐次数，同名小说只列一行，推荐次数相加") // query := schema.UserMessage("读取模拟出题.csv 中的内容，规范格式将题目、答案、解析、选项放在同一行，简答题只把答案写入解析即可") query := schema.UserMessage("请帮我将 question.csv 表格中的第一列提取到一个新的 csv 中") } ``` - `adk/multiagent/integration-excel-agent/playground/input` 为默认的附件输入路径，附件输入路径支持配置，参考 README。 - `adk/multiagent/integration-excel-agent/playground/test_data` 路径下提供了几个示例文件，您可以将文件复制到附件输入路径下来进行测试运行： ```go % tree adk/multiagent/integration-excel-agent/playground/test_data adk/multiagent/integration-excel-agent/playground/test_data ├── questions.csv ├── 推荐小说.txt └── 模拟出题.csv 1 directory, 3 files ``` - 运行输出：Excel Agent 输入的附件、运行的中间产物与最终结果都会放置在工作路径下：`adk/multiagent/integration-excel-agent/playground/${uuid}`，输出路径支持配置，参考 README。 ### 查看运行结果 Excel Agent 单次运行会在输出路径下创建一个新的工作目录，并在该目录下完成任务，运行时产生的中间产物与最终结果都会写到该目录下。 以 `请帮我将 question.csv 表格中的第一列提取到一个新的 csv 中` 这个任务为例，运行完成后在工作目录下的文件包含： 1. 原始输入：从输入路径获取到的 `question.csv` 2. Planner / Replanner 给出的运行计划：`plan.md` ```go ### 任务计划 - [x] 1. {"desc":"Read the 'questions.csv' file into a pandas DataFrame."} - [x] 2. Save the extracted first column to a new CSV file. ``` 3. Executor 中的 CodeAgent 书写的代码：`$uuid.py` ```go import pandas as pd df = pd.read_csv('questions.csv') first_column = df.iloc[:, _0_] first_column.to_csv('extracted_first_column.csv', index=_False_) ``` 4. 运行中间产物：`extracted_first_column.csv` 和 `first_column.csv` ```go type multiple-choice ... short-answer ``` 5. 最终报告：`final_report.json` ```json { "is_success": true, "result": "Successfully extracted the first column from questions.csv and saved it to first_column.csv.", "files": [ { "path": "/User/user/go/src/github.com/cloudwego/eino-examples/adk/multiagent/integration-excel-agent/playground/00f118af-4bd8-42f7-8d11-71f2801218bd/first_column.csv", "desc": "A CSV file containing only the first column data from the original questions.csv." } ] } ``` ### 运行过程输出 Excel Agent 会将每个步骤的运行结果输出到日志中。下面仍以 `请帮我将 question.csv 表格中的第一列提取到一个新的 csv 中` 这个任务为例，向您展示 Excel Agent 在运行过程中的几个关键步骤及其输出，并通过对步骤的解释，直观地呈现 Agent 的运行流程及其强大能力。： - Planner 生成 JSON 格式的初始计划 ```yaml name: Planner answer: { **"steps"**: [ { **"index"**: **1**, **"desc"**: **"Read the 'questions.csv' file into a pandas DataFrame."** }, { **"index"**: **2**, **"desc"**: **"Extract the first column from the DataFrame."** }, { **"index"**: **3**, **"desc"**: **"Save the extracted first column to a new CSV file."** } ] } ``` - Executor 将 CodeAgent 作为工具进行调用，执行计划中的首个步骤 ```yaml name: Executor tool name: CodeAgent arguments: {"request":"Read the 'questions.csv' file into a pandas DataFrame using pandas. Use the pandas.read_csv function and store the result in a variable named df."} ``` - CodeAgent 使用 PythonRunner 工具运行代码，并使用 ReAct 模式自动纠错，修正代码中的错误 ```yaml # CodeAgent 使用 PythonRunner 工具运行代码 name: Executor tool name: PythonRunner arguments: {"code":"```python\nfirst_column = df.iloc[:, 0]\n```"} # PythonRunner 代码运行报错 name: Executor tool response: Traceback (most recent call last): File "/User/user/go/src/github.com/cloudwego/eino-examples/adk/multiagent/integration-excel-agent/playground/00f118af-4bd8-42f7-8d11-71f2801218bd/00f118af-4bd8-42f7-8d11-71f2801218bd.py", line 1, in first_column = df.iloc[:, 0] ^^ NameError: name 'df' is not defined # ReAct 模式自动纠错，修正无法运行的代码 name: Executor answer: The error occurs because the DataFrame `df` is not defined. We need to first load the data from the existing CSV file `questions.csv` into `df`. Here's the corrected code: tool name: PythonRunner arguments: {"code":"```python\nimport pandas as pd\ndf = pd.read_csv('questions.csv')\nfirst_column = df.iloc[:, 0]\nprint(first_column.head()) # Verify the result\n```"} # 代码运行成功，返回运行结果 name: Executor path: [{SequentialAgent} {plan_execute_replan} {Planner} {execute_replan} {Executor}] tool response: 0 multiple-choice 1 multiple-choice 2 multiple-choice 3 multiple-choice 4 multiple-choice Name: type, dtype: object ``` - Replanner 判断计划完成，提交运行结果至 ReportAgent ```yaml name: Replanner answer: { **"is_success"**: **true**, **"result"**: **"已成功将'questions.csv'表格中的第一列提取到新的CSV文件'extracted_first_column.csv'中。"**, **"files"**: [ { **"desc"**: **"包含原表格第一列数据的新CSV文件"**, **"path"**: **"extracted_first_column.csv"** } ] } ``` - ReportAgent 进行总结，结束执行 ```yaml name: Report tool name: SubmitResult arguments: { **"is_success"**: **true**, **"result"**: **"Successfully extracted the first column from questions.csv and saved it to first_column.csv."**, **"files"**: [ { **"path"**: **"/User/user/go/src/github.com/cloudwego/eino-examples/adk/multiagent/integration-excel-agent/playground/00f118af-4bd8-42f7-8d11-71f2801218bd/first_column.csv"**, **"desc"**: **"A CSV file containing only the first column data from the original questions.csv."** } ] } ``` ## 总结 Excel Agent 所呈现的并非“单一智能体”的技巧，而是一套以 Eino ADK 为底座的 Multi-Agent 系统工程化方法论： - 以 ChatModelAgent 的 ReAct 能力为基石，让模型“可思考、会调用”。 - 以 WorkflowAgents 的编排能力，让 Multi-Agent 系统中的每个 Agent 以用户预期的顺序运行。 - 以 Planner–Executor–Replanner 的闭环，让复杂任务“可拆解、能纠错”。 - 以 History / Session 的数据传递机制，让多 Agent “能协作、可回放”。 > 💡 > **立即开始你的智能体开发之旅** > > - ⌨️ 查看 Excel Agent 源码：[Github Excel Agent 源码](https://github.com/cloudwego/eino-examples/tree/main/adk/multiagent/integration-excel-agent) > - 📚 查看更多文档：[Eino ADK 文档](https://www.cloudwego.io/zh/docs/eino/core_modules/eino_adk/) > - 🛠️ 浏览 ADK 源码：[Eino ADK 源码](https://github.com/cloudwego/eino/tree/main/adk) > - 💡 探索 ADK 全部示例：[Eino ADK Examples](https://github.com/cloudwego/eino-examples/tree/main/adk) > - 🤝 加入开发者社区：与其他开发者交流经验和最佳实践 > > Eino ADK，让智能体开发变得简单而强大！