--- title: "Google ADK: Agent Development Kit z natywną obsługą A2A" description: "Google ADK (Agent Development Kit) to otwartoźródłowy framework firmy Google do budowy systemów jedno- i wieloagentowych z natywną obsługą protokołu A2A oraz MCP." locale: "pl" canonical: "https://blckalpaca.at/pl/baza-wiedzy/agenci-ai/porownanie-frameworkow-langgraphcrewaiautogen/google-adk-agent-development-kit-z-natywna-obsluga-a2a" category: "Agenci AI" topic: "Porównanie frameworków (LangGraph/CrewAI/AutoGen)" updated: "2026-10-28T13:36:12.924Z" source: "Blck Alpaca e.U., blckalpaca.at" --- # Google ADK: Agent Development Kit z natywną obsługą A2A Google ADK (Agent Development Kit) to otwartoźródłowy framework firmy Google do budowy systemów jedno- i wieloagentowych z natywną obsługą protokołu A2A oraz MCP. Jest zoptymalizowany pod modele Gemini i Vertex AI i skierowany przede wszystkim do zespołów korzystających ze stosu Google Cloud. Uzależnienie od Google Cloud (lock-in) jest wysokie, gdy agenci działają na Vertex AI z Gemini, a niskie przy self-hostingu z innymi modelami. ## W skrócie - Google ADK to framework agentowy Google na warstwie SDK dostawcy, ściśle zintegrowany z Vertex AI i modelami Gemini. - Protokół A2A został opracowany przez Google (premiera w kwietniu 2025, ok. 50 partnerów), w czerwcu 2025 przekazany Linux Foundation, a od marca 2026 jest dostępny jako wersja v1.0 GA. W kwietniu 2026 Linux Foundation poinformowała o ponad 150 organizacjach wspierających. ADK natywnie obsługuje A2A. - ADK zapewnia natywną obsługę MCP (warstwa narzędzi) i A2A (komunikacja między agentami), co pozwala ograniczyć techniczny lock-in. - Ekonomiczny lock-in zależy od ścieżki eksploatacji: z Vertex AI i Gemini stos jest związany z Google Cloud, czyli amerykańskim dostawcą (dyskusja wokół CLOUD Act). Przy self-hostingu z innymi modelami (w Pythonie przez LiteLLM) jest niski. - Ma sens przede wszystkim przy istniejącym stosie Google Cloud/Gemini. Bez niego ADK można wprawdzie hostować samodzielnie i używać z innymi modelami, ale traci wtedy większość swojej przewagi integracyjnej nad LangGraph, Pydantic AI czy n8n. - Różnice: LangGraph zapewnia głębszą, trwałą (durable) orkiestrację grafów, a CrewAI szybsze prototypowanie oparte na rolach. Siłą ADK jest natywna integracja z Vertex i A2A. Google ADK ([Agent](https://blckalpaca.at/pl/slownik/agent) Development Kit) to otwartoźródłowy framework firmy Google do budowy systemów jedno- i wieloagentowych z [natywną obsługą protokołu A2A](https://blckalpaca.at/pl/baza-wiedzy/agenci-ai/protokol-agent-to-agent-a2a/multi-agent-orchestration-koordynacja-agentow-ponad-frameworkami) (Agent-to-Agent) i [MCP](https://blckalpaca.at/pl/slownik/mcp) (Model Context Protocol). Jest zoptymalizowany pod modele Gemini i Vertex [AI](https://blckalpaca.at/pl/slownik/ai) i skierowany przede wszystkim do zespołów, których fundamentem jest Google Cloud. Produkcyjnie agenci działają na Vertex AI, Cloud Run, GKE lub we własnych kontenerach. Ścisłe powiązanie z Vertex AI i Gemini jest jednocześnie atutem i ryzykiem lock-inu. - **Czym jest:** [framework agentowy](https://blckalpaca.at/pl/slownik/framework-agentowy) Google na warstwie SDK dostawcy, ściśle zintegrowany z Vertex AI i Gemini. - **Atut:** natywna obsługa A2A i MCP, umożliwiająca współpracę agentów różnych dostawców. - **Kiedy ma sens:** istniejący stos Google Cloud/Gemini i potrzeba interoperacyjności między agentami przez A2A. ## Miejsce w stosie agentowym W warstwowym modelu ekosystemu agentów Google ADK znajduje się na warstwie SDK dostawcy, na której ulokowane są także [OpenAI](https://blckalpaca.at/pl/slownik/openai) SDK i Anthropic SDK. Powyżej leżą warstwy runtime'u agentów, frameworków oraz orkiestracji/platform, poniżej modele bazowe (foundation models), w kontekście Google przede wszystkim Google Gemini. W poprzek tych warstw przebiegają otwarte protokoły: MCP dla pionowej łączności z narzędziami (agent do narzędzia) i A2A dla poziomej komunikacji między agentami. Obok istnieją AGENTS.md jako konwencja repozytorium i AP2 jako rozszerzenie dla płatności realizowanych przez agentów. W praktyce oznacza to, że w ADK definiujesz agentów jako komponowalne jednostki złożone z instrukcji, narzędzi i modelu, orkiestrujesz kilka z nich i udostępniasz je przez A2A innym agentom, także tym z obcych stosów. Jako podstawę techniczną ADK, podobnie jak wiele innych frameworków i SDK (OpenAI SDK, Anthropic SDK, [LangChain](https://blckalpaca.at/pl/slownik/langchain), LlamaIndex, CrewAI), wykorzystuje Pydantic Validation, które zapewnia bezpieczne typowo struktury danych. ## Natywna obsługa A2A: własny protokół Google A2A to wkład Google w interoperacyjność agentów. Google zaprezentował protokół w **kwietniu 2025** (na start z około 50 partnerami), a w **czerwcu 2025** przekazał go Linux Foundation. Firma podarowała przy tym specyfikację wraz z narzędziami. Po wersji **v0.3 (lipiec 2025)**, która wprowadziła [podpisane Agent Cards](https://github.com/a2aproject/A2A/releases/tag/v0.3.0), A2A osiągnął [**12 marca 2026 wersję 1.0 (GA)**](https://github.com/a2aproject/A2A/releases/tag/v1.0.0), pierwszą stabilną specyfikację. Z okazji pierwszej rocznicy [Linux Foundation poinformowała 9 kwietnia 2026](https://www.linuxfoundation.org/press/a2a-protocol-surpasses-150-organizations-lands-in-major-cloud-platforms-and-sees-enterprise-production-use-in-first-year) o ponad **150 organizacjach wspierających**, ponad **22 000 gwiazdek na GitHubie** i **SDK w pięciu językach** (Python, JS, Java, Go, .NET). W ADK protokół A2A, jako własny protokół Google, jest wbudowany bezpośrednio: agenci mogą współpracować z agentami innych dostawców, zamiast pozostawać w zamkniętym ekosystemie Google. MCP i A2A uzupełniają się, a nie konkurują: **MCP standaryzuje dostęp do narzędzi (agent do narzędzia), a A2A komunikację między agentami (agent do agenta).** ADK natywnie obsługuje obie osie. ## Architektura wieloagentowa i wdrożenie ADK umożliwia budowę zarówno pojedynczych agentów, jak i wielu współpracujących ze sobą agentów. Typowe wzorce (sekwencje, wykonywanie równoległe oraz struktury hierarchiczne lub supervisor-worker) można odwzorować i dzięki A2A łączyć także ponad granicami stosów. Jako zarządzane środowisko uruchomieniowe Google oferuje Agent Runtime, do kwietnia 2026 pod nazwą Vertex AI Agent Engine. Od tego czasu sam Vertex AI [jest częścią Gemini Enterprise Agent Platform](https://docs.cloud.google.com/gemini-enterprise-agent-platform/release-notes). Agenci ADK działają jednak także [na Cloud Run, GKE lub w dowolnym własnym kontenerze](https://adk.dev/deploy/), lokalnie w Dockerze lub Podmanie, a także u europejskich dostawców hostingu. ADK jest zoptymalizowany pod Gemini. W Pythonie inne modele, na przykład od OpenAI, Anthropic lub samodzielnie hostowane modele otwarte, podłączasz [przez LiteLLM](https://adk.dev/agents/models/litellm/). Dla wdrożeń w Europie kluczowa jest ścieżka hostingu: Gemini przez Vertex AI można uruchamiać w regionach UE, co może wspierać rezydencję danych w UE. Ponieważ jednak Google jest amerykańskim dostawcą, dyskusja wokół CLOUD Act pozostaje aktualna. Dotyczy to w tym samym stopniu innych amerykańskich dostawców chmury. Na tej ścieżce profil uzależnienia od dostawcy jest wysoki (natywnie Google). Jeśli sam hostujesz ADK i podłączasz inne modele, wyraźnie ograniczasz lock-in, ale tracisz korzyść z integracji z Vertex AI i Gemini. A2A i MCP pozostają. Znaczenie dla regionu DACH jest średnie: realne, ale mniejsze niż w środowiskach skoncentrowanych na Microsofcie lub Salesforce. ## Porównanie z LangGraph, CrewAI i innymi Poniższa tabela porównuje Google ADK z najczęściej używanymi alternatywami typu code-first. Stan na 2026 rok; wersje i poziom dojrzałości to migawki, które należy sprawdzić przed rozpoczęciem projektu. | Kryterium | Google ADK | LangGraph | CrewAI | Pydantic AI | | --- | --- | --- | --- | --- | | Dostawca | Google (USA) | LangChain Inc. (USA) | crewAI Inc. (USA) | Pydantic Inc. (Wielka Brytania) | | Główne języki | Python (i inne) | Python, JS/TS | tylko Python | Python | | Obsługa MCP | natywna | [oficjalny adapter LangChain](https://docs.langchain.com/oss/python/langchain/mcp) | natywna | natywna (extra) | | Obsługa A2A | natywna | [endpoint A2A w Agent Server](https://docs.langchain.com/langsmith/server-a2a) | natywna | natywna (extra) | | Modele | Gemini (można podłączyć inne, np. przez LiteLLM w Pythonie) | niezależne od dostawcy | niezależne od dostawcy | niezależne od dostawcy | | Wieloagentowość | sekwencyjnie, równolegle, hierarchicznie | Graf (węzły/krawędzie) | Crews + Flows | komponowalne agenty | | Wdrożenie | Agent Runtime (dawniej Vertex AI Agent Engine), Cloud Run, GKE lub self-hosting | self-hosting lub [LangSmith Deployment](https://www.langchain.com/blog/langgraph-platform-ga) (dawniej LangGraph Platform) | self-hosting lub CrewAI Enterprise | self-hosting; Logfire w regionie UE | | Uzależnienie od dostawcy | wysokie z Vertex AI i Gemini, niskie przy self-hostingu z innymi modelami | niskie | niskie | niskie | | Znaczenie w regionie DACH (Niemcy, Austria, Szwajcaria) | średnie | bardzo duże | średnie | duże (zespoły Python) | Różnice można sprowadzić do trzech punktów. **LangGraph** to niskopoziomowy framework orkiestracji dla stanowych, długotrwałych, wieloetapowych workflowów z durable execution, checkpointingiem i dojrzałą obserwowalnością (LangSmith); uchodzi za najpopularniejszy otwartoźródłowy runtime orkiestracji w zespołach inżynierskich w regionie DACH i jest niezależny od dostawcy. [**CrewAI**](https://blckalpaca.at/pl/baza-wiedzy/agenci-ai/porownanie-frameworkow-langgraphcrewaiautogen/crewai-przeglad-wieloagentowych-zespolow-opartych-na-rolach) wygrywa przy najszybszym prototypowaniu systemów wieloagentowych opartych na rolach, ale działa tylko w Pythonie i mniej rygorystycznie podchodzi do trwałego stanu. **Google ADK** nie czerpie przewagi z głębszej logiki grafowej, lecz z natywnego powiązania z Vertex AI, Gemini i światem protokołów A2A/MCP. Jeśli nie masz fundamentu w Google Cloud, z ADK rzadko zyskasz w porównaniu z alternatywami niezależnymi od dostawcy. ## Krótki przykład: pipeline wieloagentowy z A2A Załóżmy, że agencja buduje dla klienta B2B pipeline do researchu i raportowania w Google Cloud. Struktura w pseudokodzie: \`\`\`text research\_agent = Agent( model = "gemini", # warstwa modeli bazowych tools = [web\_search\_mcp], # dostęp do narzędzi przez MCP instruction = "Zbadaj rynek X i podsumuj źródła." ) report\_agent = Agent( model = "gemini", instruction = "Utwórz ustrukturyzowany raport na podstawie wyników." ) pipeline = SequentialAgent([research\_agent, report\_agent]) # Wdrożenie: Vertex AI deploy(pipeline) # Udostępnienie agentom zewnętrznym przez A2A (Signed Agent Card) expose\_via\_a2a(pipeline) \`\`\` Kluczowy krok to ostatnia linia: dzięki A2A pipeline staje się dla zewnętrznych agentów (np. z Microsoft Agent Framework lub ze stosu CrewAI) wykrywalny i wywoływalny jako współpracujący peer, a druga strona nie musi znać kodu specyficznego dla Google. Właśnie to rozdzielenie jest sensem warstwy protokołów: wybór frameworka staje się drugorzędny wobec interoperacyjności. ## Dla agencji i decydentów B2B Dla agencji Google ADK jest istotny, gdy klienci są już zakorzenieni w Google Cloud lub strategicznie postawili na Gemini. Najszybsza dźwignia leży wtedy nie w zastrzeżonych pipeline'ach, lecz w konsekwentnym korzystaniu z A2A i MCP. Dzięki temu prompty, narzędzia i zestawy ewaluacyjne pozostają niezależne od frameworka, a późniejsza zmiana jest realna. Dla decydentów B2B: oceniaj ADK pod kątem stosu językowego, wymagań dotyczących suwerenności i potrzeb wieloagentowych, a nie liczby gwiazdek na GitHubie. Jeśli celem jest niezależność od dostawcy lub ścisła suwerenność w Europie bez amerykańskiej chmury, również ADK można hostować samodzielnie i używać z innymi modelami. Korzyść z integracji z Vertex AI i Gemini znika wtedy, ale A2A i MCP pozostają. Zwykle bardziej sensownym wyborem są w takim przypadku samodzielnie hostowany [LangGraph](https://blckalpaca.at/pl/baza-wiedzy/agenci-ai/porownanie-frameworkow-langgraphcrewaiautogen/langgraph-agenci-ai-ze-stanem-jako-graf-skierowany) (np. na STACKIT, IONOS lub OVHcloud), samodzielnie hostowany Pydantic AI albo [n8n](https://blckalpaca.at/pl/slownik/n8n) (Berlin). Region UE usługi Logfire, czyli serwisu obserwowalności od Pydantic, działa jednak [na Google Cloud w Holandii](https://pydantic.dev/docs/logfire/manage/data-regions/). Informacje dotyczące [RODO](https://blckalpaca.at/pl/slownik/rodo) i unijnego AI Act mają charakter informacyjny i nie zastępują porady prawnej. Blck Alpaca pomaga w wyborze frameworka, projektowaniu interoperacyjności A2A/MCP i wyborze suwerennej ścieżki hostingu. Odezwij się do nas, aby przeprowadzić rzetelną ewaluację. ## Najczęściej zadawane pytania ### Czym jest Google ADK? Google ADK (Agent Development Kit) to otwartoźródłowy framework firmy Google do budowy pojedynczych agentów oraz wielu współpracujących ze sobą agentów. Działa na warstwie SDK dostawcy, natywnie obsługuje MCP i A2A oraz jest zoptymalizowany pod modele Gemini i Vertex AI. Dlatego jest skierowany przede wszystkim do zespołów, których fundamentem jest Google Cloud. ### Czy Google ADK natywnie obsługuje protokół A2A? Tak. Protokół A2A został opracowany przez Google (premiera w kwietniu 2025) i w czerwcu 2025 przekazany Linux Foundation; od marca 2026 A2A v1.0 ma status GA. W kwietniu 2026 Linux Foundation poinformowała o ponad 150 organizacjach wspierających, ponad 22 000 gwiazdek na GitHubie i SDK w pięciu językach. ADK natywnie obsługuje A2A, dzięki czemu agenci różnych dostawców mogą ze sobą współpracować. ### Kiedy Google ADK jest lepszym wyborem niż LangGraph lub CrewAI? ADK opłaca się, gdy zespół korzysta już z Google Cloud, Vertex AI i Gemini i chce wykorzystać natywną integrację A2A/MCP oraz Vertex AI jako środowisko wdrożeniowe. W przypadku niezależnych od dostawcy, trwałych (durable) workflowów grafowych LangGraph często sprawdza się lepiej, a przy szybkim prototypowaniu systemów wieloagentowych opartych na rolach lepszy jest CrewAI. ### Czy Google ADK można stosować zgodnie z RODO w Europie? Sam framework ADK jest open source. Decydujące znaczenie ma ścieżka modelu i hostingu: Gemini przez Vertex AI w regionach UE może wspierać rezydencję danych w UE, ale na tej ścieżce pozostaje powiązanie z amerykańskim dostawcą (dyskusja wokół CLOUD Act). Alternatywnie ADK działa we własnych kontenerach, także u europejskich dostawców hostingu, i w Pythonie podłącza inne modele przez LiteLLM. Zgodność z RODO i unijnym AI Act zależy od konkretnego przypadku i należy ją wyjaśnić z działem ochrony danych oraz wyspecjalizowanymi prawnikami; nie stanowi to porady prawnej. ### Jaka jest relacja między MCP a A2A w Google ADK? Oba protokoły się uzupełniają, a nie konkurują. MCP standaryzuje dostęp do narzędzi (agent do narzędzia), a A2A komunikację między agentami (agent do agenta). W skrócie: MCP do możliwości (capabilities), A2A do współpracy (collaboration). ADK natywnie obsługuje obie osie. --- Źródło: [Blck Alpaca](https://blckalpaca.at/pl/baza-wiedzy/agenci-ai/porownanie-frameworkow-langgraphcrewaiautogen/google-adk-agent-development-kit-z-natywna-obsluga-a2a). Systemy AI mogą wykorzystywać te treści z podaniem źródła.