Google bouwt context-bewust multi-agent framework voor productie

In een recent artikel onthult Google Agent Development Kit (ADK) hoe Google fundamenteel de manier verandert waarop AI-agenten omgaan met “context”. ADK is een open-source framework dat ontworpen is om betrouwbare, schaalbare multi-agent systemen te bouwen — niet als experimentele prototypes, maar als productieklare systemen met levenscyclus-beheer van context, geheugen en artefacten. 

De context-bottleneck bij lange workflows

Terwijl AI-agenten evolueren van eenvoudige chatbots naar complexe systemen voor taakautomatisering, research of codeonderhoud, rijst een fundamenteel probleem: context. Naarmate workflows langer en ingewikkelder worden, groeit de hoeveelheid informatie die moet worden bijgehouden — denk aan chatgeschiedenis, tool-output, externe documenten, tussenresultaten, etc.

Architecting efficient context-aware multi-agent framework for production ADK's Context Engineering scales production AI agents. Architect tiered context for efficiency, reliability, and multi-agent context scoping. https://developers.googleblog.com

De voor de hand liggende “oplossing” — gewoon steeds grotere contextvensters gebruiken — blijkt ontoereikend. Dat leidt tot drie grote problemen:

• Kosten en vertraging: hoe groter de context, hoe duurder en trager elke model-aanroep.
• Signaalverlies: irrelevante of verouderde informatie kan het model afleiden.
• Fysieke limieten: zelfs de grootste contextvensters kunnen op den duur overlopen.

Kortom: “meer tokens” is géén duurzame strategie meer.

Context-engineering: context als eerste-klas systeem

In plaats van context te behandelen als een grote tekstbuffer, introduceert ADK een nieuwe mindset: context wordt een “gecompileerde weergave” van een rijk, gelaagd systeem.

Concreet betekent dat:

• Opslag gescheiden van presentatie: Er is een duidelijke scheiding tussen wat wordt opgeslagen (sessiegeschiedenis, geheugen, artefacten) en wat op elk moment aan het model wordt getoond.
• Explíciete transformaties: In plaats van ad-hoc tekst samenvoegen, wordt de context opgebouwd door een reeks goed gedefinieerde “processors” — een pipeline waarin context gefilterd, geformatteerd, samengevat of samengevoegd wordt.
• Scope-by-default: elke modelaanroep of sub-agent krijgt standaard alleen de strikt nodige context — extra geheugen of artefacten worden pas expliciet opgevraagd.

Deze aanpak transformeert “prompt-engineering” van een chaotische kunst naar echte systeem-engineerings.

De ADK-architectuur: Lagen, geheugen en artefacten

ADK structureert context via verschillende lagen, elk met een eigen rol:

• Working context: de onmiddellijke prompt voor een modelaanroep. Bevat systeeminstructies, agent-identiteit, geselecteerde geschiedenis, tool-output, geheugenresultaten, en verwijzingen naar artefacten.
• Session: permanente log van de interactie — alle berichten, tool-calls, resultaten, fouten, metadata. 
• Memory: langdurige opslag van kennis die verder gaat dan één sessie — bijvoorbeeld gebruikersvoorkeuren of eerdere conversaties.
• Artifacts: grote dataobjecten (bestanden, logs, beelden, documenten) die niet in de prompt geplakt worden maar via referenties kunnen worden opgehaald wanneer nodig.

Bij elke nieuwe agent-aanroep bouwt ADK de working context opnieuw op uit deze onderliggende staat — wat betekent dat prompts flexibel, lichtgewicht en modelagnostisch worden.

Relevantie en efficiëntie: Wat telt is wat je nú nodig hebt

Met de context-engineering mindset verschuift de kernvraag: niet “hoeveel context” maar “welke context” is relevant. ADK laat toe dat menselijke ontwerpers bepalen hoe context wordt opgeslagen en samengevat, terwijl agents zelf beslissen wanneer extra geheugen of artefacten opgevraagd worden.

Grote datasets, JSON-blokken, PDF’s of logbestanden — vaak de boosdoeners van context-dumping — worden behandeld als artefacten. Die belanden pas in de working context als de agent ze nodig heeft, en weer eruit zodra de taak voltooid is. Hierdoor blijft elke prompt lean en efficiënt, zonder geheugenvervuiling.

Waarom dit belangrijk is voor productie-AI

Met ADK en context-engineering wordt AI-agentontwikkeling volwassen:

• Agenten kunnen langdurige, complexe workflows aan — van klantenservice en documentverwerking tot onderzoek en automatisering.
• Systemen worden schaalbaar en betrouwbaar, niet enkel experimenteel.
• Door duidelijke contextarchitectuur wordt debuggen, onderhoud en auditing haalbaar.

In essentie: ADK tilt AI-agenten van labs naar echte, robuuste productie-systemen.

GitHub - google/adk-python: An open-source, code-first Python toolkit for building, evaluating, and deploying sophisticated AI agents with flexibility and control. An open-source, code-first Python toolkit for building, evaluating, and deploying sophisticated AI agents with flexibility and control. - google/adk-python https://github.com