将谷歌 ADK 与 MCP 服务器集成用于人工智能代理开发

在本指南中，您将看到

• 用于构建人工智能代理的 Google ADK 库是什么？
• 为什么它对 MCP 的本地支持使其与众不同？
• 如何将其与 Bright Data MCP 服务器集成，以构建一个极其强大的人工智能代理

让我们深入了解一下！

什么是 Google ADK？

Google ADK 是Google Agent Development Kit 的缩写，是一个开源 Python 框架，用于构建和部署人工智能代理。虽然它针对 Gemini 和更广泛的 Google 生态系统进行了优化，但仍然与模型和部署无关。

ADK 强调开发者体验，提供工具和数据结构，让您轻松构建强大的多代理系统。它使您能够定义人工智能代理，这些代理可以通过工具和集成进行推理、协作和与世界交互。

Google ADK 的最终目标是让代理开发更像传统的软件开发。这是通过简化代理架构的创建、部署和协调过程来实现的。

谷歌 ADK 的独特之处

与其他人工智能代理创建库相比，Google ADK 的突出之处在于内置了对 MCP（托管连接平台）的支持。如果您对它不熟悉，MCP 是一种标准化方式，用于让人工智能模型与外部工具和数据源（如 API、数据库和文件系统）进行交互。

简单地说，MCP 允许 Google ADK 代理利用任何 MCP 兼容服务器的功能。将其视为即插即用的集成，通过让人工智能代理访问真实世界的数据和操作，使其超越底层 LLM 的限制。

该选项提供了一种结构化、安全和可扩展的方式，将您的代理与外部功能连接起来，而无需您从头开始建立这些连接。当与Bright Data MCP 服务器等功能丰富的 MCP服务器集成时，MCP 集成尤其引人注目。

MCP 服务器通过 Node.js 运行，可无缝连接到Bright Data 的所有强大人工智能数据检索工具。这些工具使您的代理能够与实时网络数据、结构化数据集和刮擦功能进行交互。

截至目前，支持的MCP 工具有

工具	说明
search_engine	从 Google、Bing 或 Yandex 抓取搜索结果。以 markdown 格式（URL、标题、描述）返回 SERP 结果。
scrape_as_markdown	抓取单个网页，并以 Markdown 格式返回提取的内容。即使是受僵尸保护或验证码保护的网页也能正常运行。
scrape_as_html	同上，但返回原始 HTML 内容。
session_stats	提供当前会话期间工具使用情况的摘要。
web_data_amazon_product	使用/dp/URL 检索结构化亚马逊产品数据。由于有缓存，因此比刮擦更可靠。
web_data_amazon_product_reviews	使用/dp/URL 检索结构化亚马逊评论数据。缓存且可靠。
web_data_linkedin_person_profile	访问结构化的 LinkedIn 个人资料数据。高速缓存，保证一致性和速度。
web_data_linkedin_company_profile	访问结构化的 LinkedIn 公司数据。缓存版本提高了可靠性。
web_data_zoominfo_company_profile	读取结构化的 ZoomInfo 公司数据。需要有效的 ZoomInfo URL。
web_data_instagram_profiles	结构化 Instagram 个人资料数据。需要有效的 Instagram URL。
web_data_instagram_posts	检索 Instagram 帖子的结构化数据。
web_data_instagram_reels	检索 Instagram 卷轴的结构化数据。
web_data_instagram_comments	以结构化数据形式检索 Instagram 评论。
web_data_facebook_posts	访问 Facebook 帖子的结构化数据。
web_data_facebook_marketplace_listings	从 Facebook Marketplace 检索结构化列表。
web_data_facebook_company_reviews	检索 Facebook 公司评论。需要公司 URL 和评论数量。
web_data_x_posts	从 X（原 Twitter）帖子中检索结构化数据。
web_data_zillow_properties_listing	访问结构化的 Zillow 房源数据。
web_data_booking_hotel_listings	从 Booking.com 检索结构化酒店列表。
web_data_youtube_videos	结构化 YouTube 视频数据。需要有效的视频 URL。
scraping_browser_navigate	将刮擦浏览器导航到新的 URL。
scraping_browser_go_back	返回上一页。
scraping_browser_go_forward	在浏览器历史记录中向前浏览。
scraping_browser_click	点击页面上的特定元素。需要使用元素选择器。
scraping_browser_links	读取当前页面上的所有链接及其选择器和文本。
scraping_browser_type	模拟在输入框中输入文本。
scraping_browser_wait_for	等待特定元素变为可见。
scraping_browser_screenshot	给当前页面截图。
scraping_browser_get_html	读取当前页面的 HTML 全文。如果不需要完整页面内容，请谨慎使用。
scraping_browser_get_text	读取当前页面的可见文本内容。

如需了解另一种可能的集成方式，请参阅我们关于使用 MCP 服务器进行网络搜刮的文章。

注：Bright Data MCP 服务器会定期添加新工具，使其功能日益强大和丰富。

了解如何通过 Google ADK 利用这些工具！

如何将 Google ADK 与 Bright Data MCP 服务器整合

在本教程中，您将学习如何使用 Google ADK 构建一个功能强大的人工智能代理。它将配备由 Bright Data MCP 服务器提供的实时搜刮、数据检索和转换功能。

此设置最初由 Meir Kadosh 实现，因此请务必查看他最初的 GitHub 仓库。

具体来说，人工智能代理将能够

1. 从搜索引擎检索 URL。
2. 从这些网页中抓取文本。
3. 使用提取的数据生成基于来源的答案。

注：通过更改代码中的提示，您可以轻松地调整人工智能代理，使其适用于任何其他场景或用例。

请按照以下步骤在 Python 中构建由 Bright Data MCP 驱动的 Google ADK 代理！

先决条件

要学习本教程，您需要

• 本地已安装Python 3.9或更高版本。
• 本地已安装Node.js。
• 基于 UNIX 的系统，如 Linux 或 macOS，或 WSL（Windows Subsystem for Linux）。

注意：Google ADK 与 Bright Data MCP 服务器的集成目前无法在 Windows 上正常运行。尝试运行它可能会引发这部分代码的NotImplementedError 错误：

transport = await self._make_subprocess_transport(
                ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
        protocol, popen_args, False, stdin, stdout, stderr,
        ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
        bufsize, **kwargs)
        ^^^^^^^^^^^^^^^^^^
    raise NotImplementedError

因此，本教程假定您使用的是 Linux、macOS 或 WSL。

您还需要

• Bright Data 账户
• 双子座 API 密钥

本教程将指导您在需要时设置 Gemini 和 Bright Data 证书。因此，现在不用担心它们。

虽然不是必需的，但以下内容将帮助您从本教程中获得最大收益：

• 对多边协商程序运作方式的大致了解。
• 基本了解Google ADK 的工作原理。
• 熟悉 Bright Data MCP 服务器及其可用工具。
• 具有一定的Python 异步编程经验。

步骤 #1：项目设置

打开终端，为你的刮擦代理创建一个新文件夹：

mkdir google_adk_mcp_agent

google_adk_mcp_agent文件夹将包含 Python 人工智能代理的所有代码。

接下来，导航进入项目文件夹，并在其中创建一个虚拟环境：

cd google_adk_mcp_agent
python3 -m venv .venv

在你喜欢的 Python IDE 中打开项目文件夹。我们建议使用带有 Python 扩展的 Visual Studio Code或PyCharm Community Edition。

在google_adk_mcp_agent 中创建一个名为web_search_agent 的子文件夹。该子文件夹将包含代理的核心逻辑，并应包括以下两个文件：

• __init__.py：导出agent.py 中的逻辑
• agent.py: 包含 Google ADK 代理定义。

这是Google ADK 库正常运行所需的文件夹结构：

现在，用下面一行初始化 __init__.py文件：

from . import agent

相反，agent.py将很快与代理人工智能代理逻辑一起定义。

在集成开发环境的终端中，激活虚拟环境。在 Linux 或 macOS 中，执行此命令：

./.venv/bin/activate

同样，在 Windows 上，启动

.venv/Scripts/activate

一切就绪！现在您有了一个 Python 环境，可以使用 Google ADK 和 Bright Data MCP 服务器构建一个人工智能代理。

步骤 #2：设置环境变量 阅读

您的项目将与 Gemini 和 Bright Data 等第三方服务交互。最好的做法是从环境变量中加载它们，而不是直接在 Python 代码中硬编码 API 密钥和身份验证机密。

为了简化这项工作，我们将使用python-dotenv库。激活虚拟环境后，运行以下命令进行安装：

pip install python-dotenv

在agent.py文件中导入该库，并使用load_dotenv() 加载环境变量：

from dotenv import load_dotenv

load_dotenv()

这样就可以从本地.env文件中读取变量。因此，请在嵌套的代理目录中添加一个.env文件：

现在，您可以通过这行代码在代码中读取环境变量：

env_value = os.getenv("<ENV_NAME>")

不要忘记从 Python 标准库中导入os模块：

import os

太好了！您现在可以阅读 env 提供的安全集成第三方服务的秘诀了。

步骤 #3：开始使用 Google ADK

在已激活的虚拟环境中，运行以下命令安装Google ADK Python 库：

pip install google-adk

然后，打开agent.py，添加以下导入：

from google.adk.agents import Agent, SequentialAgent
from google.adk.tools.mcp_tool.mcp_toolset import MCPToolset, StdioServerParameters

这些将在下一步整合 Google ADK 时使用。

现在，请记住 Google ADK 需要与人工智能提供商集成。在这里，我们将使用 Gemini- 因为该库已针对 Google 的人工智能模型进行了优化。

如果您尚未获得 API 密钥，请按照 Google 的官方文档进行操作。登录 Google 账户并访问 Google AI Studio。然后导航到“获取 API 密钥“部分，你会看到这个模式：

点击 “获取 API 密钥 “按钮。在下一个屏幕中，点击 “创建 API 密钥 “按钮：

密钥生成后，您将看到模态窗口中显示您的密钥：

复制密钥并将其存放在安全的地方。请注意，使用同一密钥，您可以使用双子座执行网络刮擦。

注：本教程使用免费的双子座层级即可。只有当您需要更高的费率限制或不希望您的提示和回复被用于改进 Google 产品时，才需要付费层级。请参阅双子座计费页面。

现在，用以下环境变量初始化.env文件：

GOOGLE_GENAI_USE_VERTEXAI="False"
GOOGLE_API_KEY="<YOUR_GEMINI_API_KEY>"

替换为 替换为刚刚生成的实际密钥。由于google-adk库会自动查找GOOGLE_API_KEY环境变量，因此无需在agent.py中添加额外代码。

同样，GOOGLE_GENAI_USE_ VERTEXAI 设置决定 Google ADK 是否应与顶点人工智能集成。将其设置为"False "可直接使用 Gemini API。

太神奇了现在您可以在 Google ADK 中使用双子座了。让我们继续进行集成所需的第三方解决方案的初始设置。

步骤 #4：设置 Bright Data MCP 服务器

如果还没有，请 [创建一个 Bright Data 帐户]()。如果您已有账户，只需登录即可。

接下来，请按照官方说明进行操作：

1. 读取您的 Bright Data API 令牌。
2. 配置 Web Unlocker 和 Scraping Browser，以便集成 MCP。

您将获得

• 一个 Bright Data API 令牌。
• 一个 Web 解锁器区域（在此，我们假设它的默认名称是mcp_unlocker）。
• 抓取浏览器验证凭证，格式为：<BRIGHT_DATA_SB_USERNAME>:<BRIGHT_DATA_SB_PASSWORD>。

现在，您可以在 Node.js 环境中全局安装Bright Data MCP 服务器：

npm install -g @brightdata/mcp

然后，使用@brightdata/mcpnpm 软件包启动 MCP 服务器：

API_TOKEN="<YOUR_BRIGHT_DATA_API_TOKEN>" \
BROWSER_AUTH="<BRIGHT_DATA_SB_USERNAME>:<BRIGHT_DATA_SB_PASSWORD>" \
npx -y @brightdata/mcp

上述命令设置了所需的环境变量（API_TOKEN和BROWSER_AUTH），并在本地启动了 MCP 服务器。如果一切设置正确，你应该能看到服务器运行成功的输出：

Checking for required zones...
Required zone "mcp_unlocker" already exists
Starting server...

太棒了！Bright Data MCP 服务器运行得非常好。

将这些环境变量添加到 Google ADK 项目根目录下的.env文件中：

BRIGHT_DATA_API_TOKEN="<YOUR_BRIGHT_DATA_API_TOKEN>"
BRIGHT_DATA_BROWSER_AUTH="<BRIGHT_DATA_SB_USERNAME>:<BRIGHT_DATA_SB_PASSWORD>"

用实际值替换占位符。

接下来，在代码中读取这些环境：

BRIGHT_DATA_API_TOKEN = os.getenv("BRIGHT_DATA_API_TOKEN")
BRIGHT_DATA_BROWSER_AUTH = os.getenv("BRIGHT_DATA_BROWSER_AUTH")

完美！现在您已经做好了将 Bright Data MCP 服务器与 Google ADK 集成的一切准备。但首先，是时候定义人工智能代理了。

步骤 #5：确定代理

如导言所述，由 MCP 驱动的 Google ADK 代理将充当内容摘要代理。它的主要目标是接收用户的输入，并返回高质量、来源明确的摘要。

具体来说，代理将遵循以下工作流程：

1. 解析用户请求并将其拆分为类似 Google 搜索的查询关键词。
2. 通过一个子代理处理这些搜索关键词，该子代理完成以下步骤：
   • 使用 Bright Data MCP 服务器提供的 search_engine 工具， 通过 SERP API 从 Google 搜索结果中获取相关链接。
   • 将最相关的 URL 传递给 Scraping Browser，该工具会自动访问这些页面并提取文本内容。
   • 从爬取到的内容中提炼并理解核心见解。
3. 根据用户的原始查询生成一份 Markdown 格式的报告。该报告使用刚刚获取的内容作为信息来源，并附带进一步阅读的链接。

由于这一过程自然分为三个不同的阶段，因此将顶级人工智能代理分成三个子代理也是合理的：

• 规划器将复杂的主题转换为格式清晰的搜索查询。
• 研究员：执行搜索并从搜索到的网页中提取有意义的信息。
• 出版者：将研究综述为一份文笔优美、结构严谨的文件。

使用以下 Python 代码在 Google ADK 中实现这三个代理：

• 规划师

def create_planner_agent():
    return Agent(
        name="planner",
        model="gemini-2.0-flash",
        description="Breaks down user input into focused search queries for research purposes.",
        instruction="""
        You are a research planning assistant. Your task is to:
        1. Analyze the user's input topic or question.
        2. Break it down into 3 to 5 focused and diverse search engine-like queries that collectively cover the topic.
        3. Return your output as a JSON object in the following format:

        {
            "queries": ["query1", "query2", "query3"]
        }

        IMPORTANT:
        - The queries should be phrased as if typed into a search engine.
        """,
        output_key="search_queries"
    )

• 研究员：

def create_researcher_agent(mcp_tools):
    return Agent(
        name="researcher",
        model="gemini-2.0-flash",
        description="Performs web searches and extracts key insights from web pages using the configured tools.",
        instruction="""
        You are a web research agent. Your task is to:
        1. Receive a list of search queries from the planner agent.
        2. For each search query, apply the `search_engine` tool to get Google search results.
        3. From the global results, select the top 3 most relevant URLs.
        4. Pass each URL to the `scraping_browser_navigate` tool.
        5. From each page, use the `scraping_browser_get_text` tool to extract the main page content.
        6. Analyze the extracted text and summarize the key insights in the following JSON format:
        [
            {
                "url": "https://example.com",
                "insights": [
                    "Main insight one",
                    "Main insight two"
                ]
            },
            ...
        ]

        IMPORTANT:
        - You are only allowed to use the following tools: `search_engine`, `scraping_browser_navigate`, and `scraping_browser_get_text`.
        """,
        tools=mcp_tools
    )

注意：mcp_tools输入参数是一个列表，用于指定代理可以与哪些MCP 工具交互。下一步，您将看到如何使用 Bright Data MCP 服务器提供的工具填充此列表。

• 发布者：
  “`python
  def create_publisher_agent()：
  return Agent(
  name=”publisher”、
  model=”gemini-2.0-flash”、
  description=”将研究成果综合成全面、结构合理的最终文档”、
  instruction=”””
  您是一名写作专家。您的任务是利用刮板代理提供的结构化研究成果，撰写一份条理清晰、深入浅出的报告。指导原则： - 正确使用类似 Markdown 的结构：标题 (#)、副标题、引言、章节 (##)、小章节 (###) 和结论 (##)。- 使用研究人员代理输出的 URL，整合上下文链接（如需要）。- 保持专业、客观和翔实的语气。- 不仅要重述研究结果--还要综合信息、连接观点，并以连贯的叙述方式呈现。""")

Note that each AI agent prompt corresponds to one specific step in the overall 3-step workflow. In other words, each sub-agent is responsible for a distinct task within the process.

### Step #6: Add the MCP Integration
As mentioned in the previous step, the `reasearch` agent depends on the tools exported by the Bright Data MCP server. Retrieve them with this function:

python
async def initialize_mcp_tools()：
print(“Connecting to Bright Data MCP…”)
tools, exit_stack = await MCPToolset.from_server(
connection_params=StdioServerParameters(
command=’npx’、
args=[“-y”, “@brightdata/mcp”]、
env={
“API_TOKEN”：bright_data_api_token、
“browser_auth”：bright_data_browser_auth、
}
)
)
print(f “MCP Toolset created successfully with {len(tools)} tools”)
tool_names = [tool.name for tool in tools] 工具名称
print(f “Available tools include：{‘,’.join(tool_names)}”)

print("MCP initialization complete!")

return tools, exit_stack

要加载 MCP 工具，Google ADK 提供了MCPToolset.from_server()函数。该方法接受用于启动 MCP 服务器的命令以及任何所需的环境变量。在本例中，代码中配置的命令与步骤 #4 中用于本地测试 MCP 服务器的命令相对应。

⚠️警告：配置 MCP 工具并在代理提示中提及这些工具并不能保证库会实际使用它们。最终还是要由 LLM 来决定是否有必要使用这些工具来完成任务。请记住，Google ADK 中的 MCP 集成仍处于早期阶段，其行为可能并不总是符合预期。

干得漂亮！剩下的工作就是调用这个函数，将生成的工具集成到一个代理中，按顺序运行你的子代理。

步骤 #7：创建根代理

Google ADK 支持多种类型的代理。在这种情况下，您的工作流程遵循明确的步骤顺序，因此根顺序代理是正确的选择。您可以这样定义

async def create_root_agent():
    # Load the MCP tools
    mcp_tools, exit_stack = await initialize_mcp_tools()

    # Define an agent that applies the configured sub-agents sequentially
    root_agent = SequentialAgent(
        name="web_research_agent",
        description="An agent that researches topics on the web and creates comprehensive reports.",
        sub_agents=[
            create_planner_agent(),
            create_researcher_agent(mcp_tools),
            create_publisher_agent(),
        ]
    )

    return root_agent, exit_stack

为了实现这一功能，Google ADK 希望您在agent.py文件中定义一个root_agent变量。请使用

root_agent = create_root_agent()

注意：不要担心在这里调用不带await的异步函数。这是 Google ADK 官方文档中推荐的方法。因此，框架将为您处理异步执行。

干得好！Bright Data MCP 服务器和 Google ADK 之间的集成现已完成。

步骤 #8：将所有内容整合在一起

现在，您的agent.py文件应包含

from dotenv import load_dotenv
import os
from google.adk.agents import Agent, SequentialAgent
from google.adk.tools.mcp_tool.mcp_toolset import MCPToolset, StdioServerParameters

# Load the environment variables from the .env file
load_dotenv()

# Read the envs for integration with the Bright Data MCP server
BRIGHT_DATA_API_TOKEN = os.getenv("BRIGHT_DATA_API_TOKEN")
BRIGHT_DATA_BROWSER_AUTH = os.getenv("BRIGHT_DATA_BROWSER_AUTH")

# Define the functions for the creation of the required sub-agents
def create_planner_agent():
    return Agent(
        name="planner",
        model="gemini-2.0-flash",
        description="Breaks down user input into focused search queries for research purposes.",
        instruction="""
        You are a research planning assistant. Your task is to:
        1. Analyze the user"s input topic or question.
        2. Break it down into 3 to 5 focused and diverse search engine-like queries that collectively cover the topic.
        3. Return your output as a JSON object in the following format:

        {
            "queries": ["query1", "query2", "query3"]
        }

        IMPORTANT:
        - The queries should be phrased as if typed into a search engine.
        """,
        output_key="search_queries"
    )

def create_researcher_agent(mcp_tools):
    return Agent(
        name="researcher",
        model="gemini-2.0-flash",
        description="Performs web searches and extracts key insights from web pages using the configured tools.",
        instruction="""
        You are a web research agent. Your task is to:
        1. Receive a list of search queries from the planner agent.
        2. For each search query, apply the `search_engine` tool to get Google search results.
        3. From the global results, select the top 3 most relevant URLs.
        4. Pass each URL to the `scraping_browser_navigate` tool.
        5. From each page, use the `scraping_browser_get_text` tool to extract the main page content.
        6. Analyze the extracted text and summarize the key insights in the following JSON format:
        [
            {
                "url": "https://example.com",
                "insights": [
                    "Main insight one",
                    "Main insight two"
                ]
            },
            ...
        ]

        IMPORTANT:
        - You are only allowed to use the following tools: `search_engine`, `scraping_browser_navigate`, and `scraping_browser_get_text`.
        """,
        tools=mcp_tools
    )

def create_publisher_agent():
    return Agent(
        name="publisher",
        model="gemini-2.0-flash",
        description="Synthesizes research findings into a comprehensive, well-structured final document.",
        instruction="""
        You are an expert writer. Your task is to take the structured research output from the scraper agent and craft a clear, insightful, and well-organized report.

        GUIDELINES:
        - Use proper Markdown-like structure: title (#), subtitle, introduction, chapters (##), subchapters (###), and conclusion (##).
        - Integrate contextual links (where needed) using the URLs from the output of the researcher agent.
        - Maintain a professional, objective, and informative tone.
        - Go beyond restating findings—synthesize the information, connect ideas, and present them as a coherent narrative.
        """
    )

# To load the MCP tools exposed by the Bright Data MCP server
async def initialize_mcp_tools():
    print("Connecting to Bright Data MCP...")
    tools, exit_stack = await MCPToolset.from_server(
        connection_params=StdioServerParameters(
            command="npx",
            args=["-y", "@brightdata/mcp"],
            env={
                "API_TOKEN": BRIGHT_DATA_API_TOKEN,
                "BROWSER_AUTH": BRIGHT_DATA_BROWSER_AUTH,
            }
        )
    )
    print(f"MCP Toolset created successfully with {len(tools)} tools")
    tool_names = [tool.name for tool in tools]
    print(f"Available tools include: {", ".join(tool_names)}")

    print("MCP initialization complete!")

    return tools, exit_stack

# Define the root agent required by Google ADK to start
async def create_root_agent():
    # Load the MCP tools
    mcp_tools, exit_stack = await initialize_mcp_tools()

    # Define an agent that applies the configured sub-agents sequentially
    root_agent = SequentialAgent(
        name="web_research_agent",
        description="An agent that researches topics on the web and creates comprehensive reports.",
        sub_agents=[
            create_planner_agent(),
            create_researcher_agent(mcp_tools),
            create_publisher_agent(),
        ]
    )

    return root_agent, exit_stack

# Google ADK will load the root agent in the web UI or CLI
root_agent = create_root_agent()

在项目根文件夹中，启用虚拟环境后，在网络用户界面中启动人工智能代理：

adk web

以下应用程序将在http://localhost:8000 上启动：

运行第一个请求后，Google ADK 库将尝试访问root_agent变量。这将触发create_root_agent()函数，进而调用initialize_mcp_tools ()。

因此，在终端中，您将看到

Connecting to Bright Data MCP...
Checking for required zones...
Required zone "mcp_unlocker" already exists
Starting server...
MCP Toolset created successfully with 30 tools
Available tools include: search_engine, scrape_as_markdown, scrape_as_html, session_stats, web_data_amazon_product, web_data_amazon_product_reviews, web_data_linkedin_person_profile, web_data_linkedin_company_profile, web_data_zoominfo_company_profile, web_data_instagram_profiles, web_data_instagram_posts, web_data_instagram_reels, web_data_instagram_comments, web_data_facebook_posts, web_data_facebook_marketplace_listings, web_data_facebook_company_reviews, web_data_x_posts, web_data_zillow_properties_listing, web_data_booking_hotel_listings, web_data_youtube_videos, scraping_browser_navigate, scraping_browser_go_back, scraping_browser_go_forward, scraping_browser_links, scraping_browser_click, scraping_browser_type, scraping_browser_wait_for, scraping_browser_screenshot, scraping_browser_get_text, scraping_browser_get_html
MCP initialization complete!

可以看到，Google ADK 正确加载了 30 个 Bright Data MCP 工具。
现在，在聊天中输入请求后，人工智能代理会:

1. 将用户的请求转换为类似搜索引擎关键词的格式；
2. 使用 search_engine MCP 工具执行以下步骤：
   1. 检索与关键词最匹配的页面。
   2. 从结果中选取与请求最相关的前 3 条记录。
   3. 使用 scraping_browser_navigate 工具访问这些 URL。
   4. 通过 scraping_browser_get_text 提取页面文本内容。
   5. 将提取到的文本归纳为关键的可操作洞察。
3. 基于这些洞察撰写一篇与上下文相关的文章或报告，以回答用户的需求。

请注意，如步骤 #6 所述，Gemini（或任何其他 LLM）有时可能会完全跳过 MCP 工具。即使这些工具已在代码中配置并在子代理提示中明确提及，情况也是如此。具体来说，它可能会直接返回响应或运行子代理，而不使用推荐的 MCP 工具。

为避免这种副作用，请仔细调整您的子代理提示。此外，请记住，Google ADK 中的 MCP 集成仍在不断演进，其行为可能并不总是符合预期。因此，请确保库是最新的。

现在，假设您想知道最近当选的教皇的传记。通常情况下，LLM 会很难处理当前事件查询。但是，有了 Bright Data 的 SERP API 和网络搜刮功能，您的人工智能代理就可以毫不费力地获取和汇总实时信息：

好了！任务完成

结论

在这篇博文中，您将了解到如何将 Google ADK 框架与 Bright Data MCP 结合使用，在 Python 中构建一个功能强大的人工智能代理。

如图所示，将功能丰富的 MCP 服务器与 Google ADK 相结合，您就可以创建能够从网络上检索实时数据等的人工智能代理。这只是 Bright Data 的工具和服务如何支持先进的人工智能驱动自动化的一个例子。

探索我们的人工智能代理开发解决方案：

• 自主人工智能代理：使用一套功能强大的应用程序接口，实时搜索、访问任何网站并与之互动。
• 垂直 AI 应用程序：建立可靠的自定义数据管道，从特定行业来源提取网络数据。
• 基础模型：访问符合要求的网络规模数据集，以便进行预训练、评估和微调。
• 多模态人工智能：利用世界上最大的图像、视频和音频资源库，为人工智能进行优化。
• 数据提供商：与值得信赖的提供商建立联系，大规模地获取高质量的人工智能就绪数据集。
• 数据包：获取精心策划、随时可用、结构化、丰富和注释的数据集。

如需了解更多信息，请访问我们的人工智能中心。

创建 Bright Data 帐户，试用我们为人工智能代理开发提供的所有产品和服务！