Google ADK und Agent Engine im Mittelstand: vom Prototyp zum betriebenen KI-Agenten
Veröffentlicht am · Aktualisiert am
Google Agent Development Kit (ADK) und die verwaltete Agent Engine (Agent Runtime) im Mittelstand: Tools, Sessions und Memory, Deployment, Guardrails, Kosten und Monitoring. So wird aus dem Prototyp ein betriebener KI-Agent, ohne Tool-Hype.
Ein erster KI-Agent ist heute an einem Nachmittag gebaut: ein Modell, eine Anweisung, zwei, drei Tools, fertig ist die Demo. Die eigentliche Arbeit beginnt danach. Wo läuft der Agent, wenn ihn 40 Leute gleichzeitig nutzen? Was merkt er sich, und wie lange? Wer darf welche Aktion auslösen? Und woran erkennst Du, dass er nach dem nächsten Modellwechsel noch so arbeitet wie vorher?
Google hat mit dem Agent Development Kit (ADK) und der verwalteten Agent Engine (in der aktuellen Google-Cloud-Dokumentation als Agent Runtime der Gemini Enterprise Agent Platform geführt, früher Vertex AI Agent Engine) zwei Bausteine, die genau diesen Weg vom Prototyp zum betriebenen Agenten abdecken sollen. Dieser Beitrag zeigt, was die Bausteine leisten, wo die Grenzen liegen und wie Du als Mittelständler sinnvoll startest. Ohne Tool-Hype und ohne Versprechen, die kein Framework halten kann.
Was ADK ist und was nicht
ADK ist laut offizieller Dokumentation ein Open-Source-Framework, um KI-Agenten zu bauen, zu testen und zu deployen. Es gibt ADK für Python, TypeScript, Go, Java und Kotlin. Gemini ist der naheliegende Standard, über Adapter lassen sich aber auch andere Modelle anbinden, bis hin zu lokal betriebenen Modellen.
Die wichtigsten Bausteine in einfachen Worten:
- Agent mit Anweisung und Tools: Der Agent bekommt eine klare Rolle und eine Liste von Werkzeugen. Tools sind im einfachsten Fall normale Funktionen, etwa „Lieferstatus im ERP abfragen“ oder „Termin vorschlagen“.
- Workflows: Neben frei planenden Agenten gibt es feste Abläufe (nacheinander, parallel, in Schleifen) und seit ADK 2.0 graphbasierte Workflows mit klaren Ausführungspfaden. Das ist wichtig, weil im Betrieb nicht jede Entscheidung dem Modell überlassen werden sollte.
- MCP-Anbindung: Über das Model Context Protocol kann ein ADK-Agent Werkzeuge vorhandener MCP-Server nutzen, statt jede Schnittstelle neu zu bauen.
- Session, State und Memory: getrennte Konzepte für das laufende Gespräch, Zwischendaten und langfristiges Wissen über mehrere Gespräche hinweg.
- Evaluation und Observability: eingebaute Logs, Metriken und Traces sowie Bewertungskriterien, die nicht nur die Endantwort, sondern auch die Reihenfolge der Tool-Aufrufe prüfen.
Was ADK nicht ist: eine fertige Fachanwendung. Datenqualität, Rechtekonzept und saubere Prozesse bringt kein Framework mit. Genau daran scheitern die meisten Agentenprojekte, nicht an der Bibliothek.
Vom Notebook in den Betrieb: die fünf Fragen
1. Tools: Was darf der Agent wirklich tun?
Ein Agent ist nur so sicher wie seine Werkzeuge. Baue Tools eng: lieber „offene Aufträge eines Kunden lesen“ als „beliebige SQL-Abfrage ausführen“. Lesen und Schreiben gehören in getrennte Tools, schreibende Aktionen bekommen eine Freigabe durch einen Menschen. Wie solche Freigabe-Gates aussehen, haben wir im Beitrag Multi-Agent-Systeme mit Human-in-the-Loop beschrieben.
2. Sessions und Memory: Was merkt sich der Agent, und wie lange?
Für den Prototyp reichen Sessions im Arbeitsspeicher. Im Betrieb brauchst Du dauerhafte Sessions, damit ein Gespräch einen Neustart übersteht. Die Agent Platform bietet dafür verwaltete Sessions und eine Memory Bank, die aus Gesprächen langfristige Fakten ableitet, etwa Vorlieben eines Nutzers. ADK bindet beides über eigene Dienste an.
Für den Datenschutz ist ein Detail wichtig: Laut Google-Dokumentation hat jede Session ein Ablaufdatum, und ohne eigene Angabe gilt ein Standard von 365 Tagen. Lege bewusst fest, wie lange Gesprächsdaten liegen bleiben, was in die Memory Bank darf und was nie dort landen soll, zum Beispiel Gesundheits- oder Personaldaten. Das gehört in Dein Verarbeitungsverzeichnis und je nach Einsatz auch an den Betriebsrat.
3. Deployment: Wo läuft der Agent?
ADK lässt sich containerisieren und auf eigener Infrastruktur betreiben. Auf Google Cloud gibt es drei typische Wege: die verwaltete Agent Runtime, Cloud Run oder GKE. Die Agent Runtime nimmt Dir Skalierung und Infrastruktur ab und bringt Tracing, Logging und Monitoring mit. Laut Google-Cloud-Dokumentation unterstützt sie unter anderem VPC Service Controls, kundenverwaltete Schlüssel (CMEK) und Datenresidenz für gespeicherte Daten. Interessant für gemischte Landschaften: Die Runtime kann neben ADK-Agenten auch Agenten aus LangGraph, LangChain, LlamaIndex oder AG2 ausführen.
Unsere Faustregel: Ein einzelner interner Assistent mit wenigen Nutzern läuft oft gut auf Cloud Run. Sobald Sessions, Memory, mehrere Agenten und strengere Sicherheitsanforderungen zusammenkommen, spart die verwaltete Runtime Betriebsaufwand. Prüfe vorab, welche Dienste in einer EU-Region verfügbar sind.
4. Guardrails: Wie verhinderst Du Fehlverhalten?
Die ADK-Sicherheitsdokumentation beschreibt mehrere Schichten, die sich ergänzen:
- Identität: Handelt der Agent mit eigener Identität (Servicekonto) oder im Namen des Nutzers (OAuth)? Im zweiten Fall kann er nur, was der Nutzer selbst darf.
- Guardrails im Tool: Das Tool prüft selbst, ob eine Aktion erlaubt ist, unabhängig davon, was das Modell vorschlägt.
- Callbacks und Plugins: Vor jedem Tool-Aufruf lassen sich Parameter prüfen. Plugins gelten für alle Agenten, etwa zum Schwärzen personenbezogener Daten oder zum Prüfen auf Prompt Injection mit einem kleinen, schnellen Modell.
- Sandbox für Code: Wenn der Agent Code ausführt, dann isoliert und ohne Netzwerkzugriff.
- Ausgaben escapen: Modellantworten in Weboberflächen nie ungeprüft als HTML darstellen.
5. Kosten und Monitoring: Wer merkt, wenn etwas kippt?
Die Agent Runtime ist laut Doku ein kostenpflichtiger Dienst mit einem kostenlosen Kontingent. Dazu kommen Modellaufrufe, Speicher und gegebenenfalls Memory Bank. Teurer als die Infrastruktur sind in der Praxis oft Agenten, die pro Anfrage zehnmal das Modell aufrufen. Deshalb gehören Budgetalarme in der Google-Cloud-Abrechnung, Kosten pro Anfrage und die Zahl der Tool-Aufrufe in jedes Dashboard. Für einfache Schritte wie Klassifizieren reicht oft ein kleineres Modell.
Qualität misst Du mit einem Golden Set aus echten Fragen und Regressionstests vor jedem Release. ADK bringt dafür Kriterien mit, die auch prüfen, ob der Agent die richtigen Tools in der richtigen Reihenfolge nutzt. Wie Du das Schritt für Schritt aufsetzt, steht in unserem Beitrag RAG und KI-Agenten in Produktion: Evaluation und Betrieb.
Ein typisches Szenario aus dem Mittelstand
Nehmen wir einen Großhändler mit rund 60 Mitarbeitenden (ein typisches, anonymisiertes Szenario, kein Kundenprojekt). Der Innendienst beantwortet täglich ähnliche Anfragen: Lieferstatus, Verfügbarkeit, Ersatzteile. Ein sinnvoller erster ADK-Agent könnte so aussehen:
- Lesende Tools für Auftragsstatus und Artikelverfügbarkeit, mit Zugriff nur auf die nötigen Tabellen.
- Eine Wissenssuche über freigegebene Produktblätter und Lieferbedingungen.
- Ein Antwortentwurf, den eine Person im Innendienst prüft und abschickt. Der Agent sendet selbst nichts.
- Sessions mit kurzer Laufzeit, keine Memory Bank im ersten Schritt.
- Tracing und ein Golden Set mit 50 echten Anfragen, bevor der Agent breiter ausgerollt wird.
Das ist unspektakulär, und genau das ist der Punkt. Ein Agent, der Routine vorbereitet und Entscheidungen beim Menschen lässt, wird im Alltag genutzt. Wie eine KI-Plattform auf Gemini in einem echten Projekt aussieht, zeigt unsere Case Study zum ttz Bremerhaven.
ADK, LangGraph oder CrewAI?
Kurz und neutral: LangGraph ist stark, wenn Du Zustände und Abläufe als Graph sehr genau steuern willst und unabhängig von einem Cloud-Anbieter bleiben möchtest. CrewAI ist eingängig, wenn sich eine Aufgabe gut in Rollen aufteilen lässt. ADK spielt seine Stärken aus, wenn Du ohnehin mit Gemini und Google Cloud arbeitest und verwaltete Sessions, Memory, Evaluation und Deployment aus einer Hand willst. Für viele Anwendungsfälle im Mittelstand braucht es übrigens gar kein Agenten-Framework: Ein fester Ablauf mit n8n oder Make und einem Gemini-Schritt reicht oft. Mehr dazu im Beitrag KI-Workflows mit Gemini und n8n.
Häufige Fehler
- Mit dem Framework starten statt mit dem Prozess: Erst den Ablauf und die Daten klären, dann das Werkzeug wählen.
- Zu breite Tools: Ein Tool, das alles darf, ist das größte Sicherheitsrisiko.
- Memory ohne Regeln: Wer nicht festlegt, was gespeichert wird, sammelt ungewollt personenbezogene Daten.
- Kein Golden Set: Ohne Tests merkst Du Verschlechterungen erst, wenn ein Kunde nachfragt.
- Kosten erst am Monatsende ansehen: Budgetalarme gehören in den ersten Tag.
So startest Du in vier Wochen
- Woche 1: Einen Anwendungsfall mit klarem Nutzen wählen, nötige Daten und Rechte klären, 40 bis 50 echte Beispielfragen sammeln.
- Woche 2: Prototyp mit ADK, nur lesende Tools, lokal testen, erste Evaluation gegen das Golden Set.
- Woche 3: Deployment auf Cloud Run oder Agent Runtime in einem eigenen Projekt, Sessions mit festgelegter Laufzeit, Tracing, Budgetalarm, Guardrails per Callback.
- Woche 4: Pilot mit fünf bis zehn Nutzern, Feedback und Kosten pro Anfrage auswerten, erst dann schreibende Aktionen mit Freigabe ergänzen.
Deschalet baut keine Kundenwebsites. Wir helfen Dir bei Google Workspace, Prozessautomatisierung und KI-Projekten auf Google Cloud, von der Datengrundlage über den Prototyp bis zum Betrieb.
Wie Du Agenten gegen manipulierte Mails, PDFs und Dokumente absicherst, von der Trennung untrusted Inhalte bis zur Freigabe irreversibler Aktionen, zeigen wir im Beitrag Agent-Guardrails und Prompt Injection.
ADK unterstützt auch das Agent2Agent-Protokoll, mit dem ein ADK-Agent mit Agenten anderer Frameworks zusammenarbeiten kann. Wann sich das lohnt, zeigt unser Beitrag A2A und MCP erklärt.
Sobald ein ADK-Agent mehr als ein einzelnes Gespräch führt, stellt sich die Frage nach Sessions, State und Langzeitgedächtnis. Wie Du das sauber regelst, inklusive Löschfristen und Berechtigungen, steht in Gedächtnis für KI-Agenten: Sessions, Memory und Kontext richtig verwalten.
Für Agenten auf Google Cloud wird die Modellwahl breiter. Seit dem 21. Oktober 2026 sind OpenAI-Modelle im Model Garden angekündigt, zunächst als private Vorschau. Die Einordnung für Betriebe findest Du in OpenAI-Modelle im Google Cloud Model Garden: Was der Mittelstand jetzt wissen sollte.
Fazit
ADK und die verwaltete Agent Runtime nehmen Dir viel Infrastrukturarbeit ab: Sessions, Memory, Deployment, Tracing und Sicherheitsfunktionen sind vorhanden und dokumentiert. Die Entscheidungen, die über Erfolg oder Frust entscheiden, bleiben aber bei Dir: welche Aktionen ein Agent ausführen darf, welche Daten er sieht und speichert, und wie Du Qualität und Kosten laufend misst.
Wenn Du wissen willst, ob Deine Daten und Prozesse für Agenten bereit sind, mach unseren kostenfreien AI Readiness Check oder lies das Whitepaper AI Readiness 2026. Für Deinen konkreten Anwendungsfall buch Dir ein kostenloses Erstgespräch.