Google baut ADK-Beispiele zu adk-recipes um, einem Repository für Coding-Agenten

Drei Ordner, drei Arten der Nutzung

Das Repository ist der umstrukturierte Nachfolger von google/adk-samples. Google zufolge teilt sich der Inhalt auf drei Ordner der obersten Ebene auf. Der Ordner core/ enthält Referenzmuster, die von den Teams für Agents CLI und DevRel kuratiert werden. Der Ordner plugins/ umfasst installierbare vertikale Skills, die als Plugin Recipes verpackt sind und der Spezifikation Agent Plugins v1.0.0 entsprechen. Der Ordner contrib/ versammelt durchgängig einsetzbare Dienste in fünf Programmiersprachen.

Jedes Recipe wird mit einer validierten manifest.yaml und einer AGENTS.md ausgeliefert, die einem Coding-Assistenten erklärt, worum es sich bei dem Recipe handelt und wie es zu verwenden ist. Recipes in contrib/ und plugins/ enthalten zusätzlich ein Dockerfile und einen Runnability-Test. Laut den Autoren setzt die CI diese Standards bei jedem Pull Request durch. Eine Reihe von Coding-Assistant-Skills im Repo, etwa prepare-python-recipe, generate-manifest und github-pr-review, übernimmt den Großteil der Vorarbeit, sodass ein Agent ein Recipe von Anfang bis Ende aufsetzen, validieren und einreichen kann.

Im Beitrag heißt es, dass jede AGENTS.md, manifest.yaml und SKILL.md in erster Linie für den KI-Coding-Assistenten geschrieben ist, der das Repo im Auftrag eines Entwicklers öffnet.

Was auf der Agent Platform davon abhängt

Google beschreibt adk-recipes als Quelle für drei Oberflächen der Agent Platform, die das Repository jeweils auf eigene Weise auslesen.

• Agents CLI liest core/. Der Aufruf uvx --from google-agents-cli agents-cli create my-agent kann bei Bedarf ein core/-Recipe als Gerüst anlegen. Dem Beitrag zufolge wurde die CLI Anfang des Jahres auf der Google Cloud Next vorgestellt und deckt einen Lebenszyklus aus Scaffolding, Deployment, Evaluierung und Veröffentlichung ab.
• Agent Garden zeigt eine kuratierte Auswahl. Entwickler steuern über einen Pull Request nach contrib/ bei, danach ist ein Recipe auf GitHub auffindbar. Ob es in die Galerie des Agent Garden aufgenommen wird, entscheidet das Agent-Garden-Team separat redaktionell. Sobald ein Agent gelistet ist, erhält jeder Entwickler in einem Google-Cloud-Projekt eine Ein-Klick-Installation.
• Gemini Enterprise App wird ebenfalls als Abnehmer des Repositorys genannt.

Auch Google-Cloud-Komponenten tauchen in den Recipes auf. Horizon nutzt Agent Platform Sandboxes für die Isolierung pro Nutzer, Memory Bank für dauerhaften Speicher und Agent Platform Sessions für den Sitzungsstatus. Für Assistenten außerhalb der Google-Werkzeuge, darunter Claude Code, Antigravity, Cursor, Windsurf und Zed, lassen sich Plugin Recipes über die offene npx-skills-CLI installieren, die von vercel-labs gepflegt wird.

Horizon: ein Referenz-Harness für lang laufende Aufgaben

Das Beispiel für core/ ist Horizon unter core/python/long-horizon-harness. Google zufolge bündelt es die Grundbausteine, die Agenten brauchen, wenn sie über Tage hinweg interagieren: sitzungsübergreifenden Speicher, Sandboxing der Tool-Ausführung pro Nutzer, Verwaltung von Secrets, Schutzmechanismen gegen außer Kontrolle geratenes Verhalten und eine Orchestrierung, die mehrstufige Aufgaben wieder aufnehmbar macht.

Die Standardkonfiguration nutzt ein lokales Umgebungs-Backend mit In-Memory-Sitzungen, sodass zum Einstieg mit make dev-local kein Cloud-Deployment nötig ist. Der Befehl make deploy spielt das Backend per Terraform auf Cloud Run aus, make destroy baut es wieder ab. Die Evaluierungssuite von Horizon liegt in tests/eval/evalsets/ und besteht aus achtzehn benannten Verhaltensrubriken. Sie decken Speicherabruf, Exfiltrationsversuche per Injection, das Anhalten der Schutzmechanismen bei feindlichen Eingaben, Disziplin bei der Tool-Auswahl und eine Plot-Artifact-Evaluierung auf Ebene der gesamten Nutzerreise ab und laufen mit uv run pytest tests/eval.

Retail Plugin Recipe: die vertikale Schicht

Die zweite Schicht enthält branchenspezifische Plugin Recipes. Retail unter plugins/retail/ ist die erste Branche, die zum Start vollständig abgedeckt ist. Das Format baut auf der Spezifikation Agent Plugins v1.0.0 auf, die auf agent-plugins.org veröffentlicht ist. Sie definiert ein Plugin als Bündel von Skills mit einem plugin.json-Manifest auf oberster Ebene, das Name, Version, Lizenz und Zuständigkeit angibt. Jeder Skill hat einen dialogbasierten Installer in SKILL.md, eine README.md, eine EVAL.yaml mit Qualitätskriterien sowie unterstützende Skripte und Assets.

Derzeit werden zwei Skills ausgeliefert. retail-product-search baut einen ADK-Agenten mit einem Vektorsuch-Retrieval-Tool auf Basis von Vector Search 2.0 auf der Gemini Enterprise Agent Platform und einem BigQuery-Katalog. Der Skill übernimmt das Einlesen eines CSV- oder JSON-Katalogs, die Erzeugung von Embeddings mit Vertex AI Embeddings, den Aufbau der Vector-Search-Collection, das Anlegen des Agenten mit einem retrieve_docs-Tool und das Deployment auf Cloud Run. Der Agent ist bewusst ein einzelner root_agent mit einem einzigen Retrieval-Tool.

retail-virtual-tryon erzeugt ein fotorealistisches Composite eines Models, das ein Produkt trägt oder hält, optional mit einem achtsekündigen Studio-Catwalk-Video. Standardmäßig kommt gemini-2.5-flash-image zum Einsatz, bei Bedarf an redaktioneller Qualität statt geringer Latenz weicht der Skill auf gemini-2.5-pro-image aus.

Was das für Entwickler bedeutet

Für Entwickler auf Google Cloud bündelt die Änderung Referenzmuster, vertikale Skills und einsetzbare Dienste in einer kuratierten Struktur, in der sowohl Menschen als auch Coding-Assistenten suchen und installieren können. Weil dasselbe Repository Agents CLI, Agent Garden und die Gemini Enterprise App speist, wird ein Beitrag per Pull Request nach contrib/ Teil des öffentlichen ADK-Ökosystems. Google sieht das maschinenlesbare Design als Weg, damit ein Agent Recipes in der Umgebung seiner Wahl finden, installieren und nutzen kann.