Google lança ADK para Java 1.0.0 e coloca agentes de IA no coração do ecossistema enterprise
Agentes de IA estão se tornando cada vez mais parte do dia a dia do desenvolvimento de software, e o ADK — Agent Development Kit do Google — é uma das apostas mais sólidas para quem quer construir esse tipo de solução de forma organizada e escalável.
Quando o kit foi lançado, o foco era totalmente em Python. Faz sentido, né? A linguagem domina o ecossistema de machine learning e IA há anos. Mas o Google não parou por aí. O ADK evoluiu para um ecossistema multilinguagem que hoje abrange Python, Java, Go e TypeScript. E agora o framework chegou de vez ao universo Java com o lançamento da versão 1.0.0 — uma versão que não é só uma atualização incremental, mas sim um marco real de maturidade.
Pensa no tamanho disso: Java roda boa parte dos sistemas corporativos do planeta 🌍. Bancos, fintechs, plataformas de saúde, sistemas de logística… uma quantidade absurda de infraestrutura crítica é construída em Java. Trazer o ADK para esse ecossistema significa abrir as portas da construção de agentes de IA para milhões de desenvolvedores que já dominam a linguagem e não precisam migrar de stack para começar a trabalhar com IA de verdade.
Nessa versão, o Google empacotou um conjunto bastante robusto de novidades:
- Novas ferramentas de grounding com dados do Google Maps (GoogleMapsTool) e leitura de conteúdo web (UrlContextTool)
- Execução de código local via ContainerCodeExecutor e na nuvem com VertexAiCodeExecutor
- Uma arquitetura de plugins centralizada com o novo conceito de App
- Controle de contexto com event compaction
- Suporte a fluxos com aprovação humana (Human-in-the-Loop)
- Gerenciamento de sessão e memória com opções de persistência no Vertex AI e Firestore
- Compatibilidade nativa com o protocolo Agent2Agent (A2A) para comunicação entre agentes remotos
Vamos destrinchar cada um desses pontos e entender o que muda — na prática — para quem desenvolve com Java. 🚀
O que o ADK Java 1.0.0 traz de diferente
A versão 1.0.0 do ADK para Java não é apenas uma portagem do que já existia em Python. O Google construiu algo pensado para o ecossistema Java desde a base, aproveitando os pontos fortes da linguagem — como tipagem estática, robustez em ambientes de alta concorrência e integração com ferramentas corporativas amplamente utilizadas. Isso significa que desenvolvedores Java não vão se sentir como cidadãos de segunda classe dentro do framework. Pelo contrário, a experiência foi desenhada para ser nativa, fluida e compatível com os padrões que o mundo enterprise já conhece e confia.
Uma das mudanças mais relevantes desta versão está na forma como o ADK organiza suas ferramentas. A nova arquitetura de plugins centralizada permite que equipes adicionem, removam e configurem capacidades dos agentes de IA de forma muito mais limpa e modular. Em projetos grandes, onde múltiplos times trabalham sobre a mesma base de código, isso faz uma diferença enorme. Em vez de ter integrações espalhadas por todo o projeto, tudo passa por um ponto central de controle — a classe App —, o que facilita tanto a manutenção quanto a auditoria do que cada agente é capaz de fazer.
Outro ponto que merece destaque é o suporte ao event compaction, um mecanismo de controle de contexto que resolve um problema clássico de quem trabalha com agentes em produção. Quando uma conversa ou tarefa se estende por muitas etapas, o histórico de eventos cresce rapidamente, e manter tudo na memória começa a ser caro e ineficiente. O event compaction permite comprimir esse histórico de forma inteligente, preservando as informações mais relevantes e descartando o que já não agrega valor para o estado atual do agente. É o tipo de funcionalidade que parece técnica demais no papel, mas que tem impacto direto na estabilidade e no custo de operação de sistemas reais.
Ferramentas de Grounding: Google Maps e leitura de URLs
As novas ferramentas de grounding são, provavelmente, um dos itens mais empolgantes dessa release. Grounding, no contexto de IA, é o processo de conectar o modelo a fontes de informação do mundo real, evitando que ele opere apenas com o que aprendeu durante o treinamento.
Quem já trabalhava com o ADK conhecia o GoogleSearchTool, que permite fundamentar respostas em resultados de busca do Google. Agora, com o ADK Java 1.0.0, entra em cena o GoogleMapsTool, disponível no Gemini 2.5, que traz dados geolocalizados do Google Maps diretamente para dentro do fluxo do agente. Isso abre um leque imenso de possibilidades para construção de agentes que precisam de informações geográficas atualizadas, como recomendações de restaurantes, cálculos de rota ou qualquer tarefa que envolva localização.
- E-BOOK GRATUITO
Um guia prático para avaliar, comparar e implementar inteligência artificial com clareza — sem desperdício de tempo ou dinheiro.
Pare de contratar ferramentas sem direção. Criamos um método estruturado para decidir qual IA realmente faz sentido para o seu negócio.
Entrega em PDF no seu e-mail · Sem spam · LGPD
🔒 Seus dados são protegidos conforme a LGPD. Você pode descadastrar a qualquer momento.
Para ilustrar: imagine um agente guia de restaurantes configurado com o GoogleMapsTool. Se alguém perguntar sobre o restaurante mais sofisticado próximo à Torre Eiffel em Paris, o agente é capaz de identificar o famoso Jules Vernes — restaurante que fica dentro da própria torre — e ainda apresentar avaliações e notas do local. Tudo isso sem nenhuma pipeline manual de busca de dados geográficos.
Já o UrlContextTool permite que o Gemini busque e processe o conteúdo de URLs fornecidas pelo usuário na conversa. Na prática, você não precisa criar um pipeline separado para alimentar o agente com conteúdo da web. Basta passar a URL e o agente faz a leitura, interpretação e resumo automaticamente. É o tipo de funcionalidade que transforma o agente de um simples respondedor de perguntas em uma ferramenta de pesquisa ativa.
Execução de código: local e na nuvem
A execução de código, tanto local quanto na nuvem, complementa esse conjunto de ferramentas de uma forma bastante poderosa. O ContainerCodeExecutor permite rodar código localmente em containers Docker, enquanto o VertexAiCodeExecutor executa código diretamente na infraestrutura do Vertex AI no Google Cloud.
Os agentes de IA construídos com o ADK agora podem executar trechos de código como parte do seu raciocínio e tomada de decisão, o que transforma completamente o tipo de tarefa que eles conseguem realizar. Um agente que só responde perguntas é útil, mas um agente que responde, processa dados e executa ações automatizadas com base nos resultados é outra categoria completamente diferente.
Além disso, o framework traz a abstração ComputerUseTool, que pode ser usada para controlar um navegador ou computador real. Para isso, é preciso implementar uma versão concreta de BaseComputer — por exemplo, integrando com o navegador Chrome via Playwright. Essa capacidade, aliada ao ecossistema robusto de bibliotecas que Java oferece, cria um ambiente bastante fértil para construção de soluções corporativas complexas com IA no centro.
Plugins e a classe App: controle centralizado de execução
Antes do conceito de App e Plugins, quem precisava adicionar comportamentos globais aos agentes — como logging ou regras de segurança — tinha que aplicar callbacks individualmente em cada agente e sub-agente da hierarquia. Funcionava, mas não escalava bem.
Agora, a classe App funciona como um container de nível superior para a aplicação inteira. Ela ancora o agente raiz, mantém configurações globais (como o event compaction) e gerencia plugins que se aplicam a todos os agentes de uma só vez. É uma abordagem orientada a aspectos que intercepta e modifica comportamentos de agentes, ferramentas e chamadas ao LLM de forma transversal.
O ADK já vem com alguns plugins prontos para uso:
- LoggingPlugin — fornece logs detalhados e estruturados de execuções de agentes, requisições e respostas do LLM, chamadas de ferramentas e erros
- ContextFilterPlugin — mantém a janela de contexto do LLM gerenciável, filtrando turnos mais antigos de conversa de forma inteligente enquanto preserva pares obrigatórios de chamada e resposta de função
- GlobalInstructionPlugin — aplica uma instrução consistente e global a todos os agentes da aplicação, como regras de identidade, segurança ou personalidade
E claro, é possível estender a classe abstrata BasePlugin para criar plugins personalizados com as regras específicas do seu projeto. Esse modelo centralizado reduz duplicação de código e torna a governança dos agentes muito mais prática em ambientes corporativos.
Engenharia de contexto com event compaction
O event compaction é uma funcionalidade de engenharia de contexto que gerencia o tamanho do fluxo de eventos — o histórico — de um agente. Em sessões longas, o número de eventos cresce rápido e pode ultrapassar os limites de tokens da janela de contexto do LLM, aumentando latência e custos.
Com o event compaction, o ADK mantém apenas uma janela deslizante dos eventos mais recentes e pode resumir eventos mais antigos antes de descartá-los. A configuração oferece controle granular: intervalo de compactação, tamanho de sobreposição, limite de tokens, tamanho de retenção de eventos e até um sumarizador customizável baseado em LLM.
Para quem precisa de controle ainda mais fino, é possível implementar as interfaces BaseEventSummarizer e EventCompactor para personalizar completamente como os eventos são resumidos e compactados. Na prática, isso garante que agentes em produção permaneçam estáveis, rápidos e econômicos, mesmo em conversas muito longas ou tarefas complexas com muitas etapas.
Human-in-the-Loop: quando o agente precisa de aprovação humana
O suporte a fluxos com aprovação humana resolve uma das maiores preocupações de quem coloca agentes de IA em produção: o controle. Há situações em que um agente não deve agir de forma totalmente autônoma — seja por questões regulatórias, de segurança ou simplesmente porque o impacto da ação é grande demais para ser tomado sem revisão.
O fluxo de Human-in-the-Loop (HITL) no ADK é construído em torno do conceito de ToolConfirmation. Funciona assim: quando uma ferramenta requer intervenção humana, ela pode pausar o fluxo de execução e pedir confirmação ao usuário. O processo acontece em três etapas — interceptação, retomada e gerenciamento de contexto. Na interceptação, a ferramenta acessa seu ToolContext e chama requestConfirmation(), pausando o fluxo do LLM. Na retomada, quando o humano fornece a aprovação (e dados opcionais), o ADK retoma a execução. E no gerenciamento de contexto, o framework limpa automaticamente eventos intermediários e injeta a chamada de função confirmada no contexto da próxima requisição ao LLM, garantindo que o modelo entenda que a ação foi aprovada sem entrar em loop.
Isso traz uma camada de governança que faz toda a diferença em contextos como saúde, finanças e operações críticas, onde a responsabilidade pelo resultado final ainda precisa estar em mãos humanas 🤝.
Sessão, Memória e Artefatos
O gerenciamento de sessão e memória é uma das funcionalidades que mais impacta a experiência de quem usa um agente — mesmo que o usuário final nunca saiba que ela existe. Sem um bom controle de sessão, um agente perde o fio da conversa entre interações, o que gera respostas desconexas e uma experiência frustrante.
O ADK Java 1.0.0 define contratos claros para gerenciamento de estado, histórico e arquivos ao longo das conversas. Para sessões individuais, estão disponíveis:
- InMemorySessionService — armazenamento leve, em memória, ideal para desenvolvimento local
- VertexAiSessionService — apoiado pela API de sessões gerenciada do Vertex AI no Google Cloud
- FirestoreSessionService — implementação robusta e escalável usando Google Cloud Firestore, contribuída pela própria comunidade
Para memória de longo prazo entre múltiplas sessões, o framework oferece o InMemoryMemoryService para testes locais e o FirestoreMemoryService para persistência real. Basta anexar o LoadMemoryTool ao agente e ele automaticamente consulta o serviço de memória configurado para recuperar contexto histórico.
Para gerenciamento de arquivos grandes — como imagens e PDFs compartilhados durante uma sessão — existem o InMemoryArtifactService para armazenamento local e o GcsArtifactService para gerenciamento persistente e versionado via Google Cloud Storage.
Receba o melhor conteúdo de inovação em seu e-mail
Todas as notícias, dicas, tendências e recursos que você procura entregues na sua caixa de entrada.
Ao assinar a newsletter, você concorda em receber comunicações da Método Viral. A gente se compromete a sempre proteger e respeitar sua privacidade.
Para times que constroem produtos B2B ou plataformas de atendimento em Java, isso é transformador. Antes, implementar esse tipo de comportamento exigia um trabalho considerável de engenharia — criar tabelas de estado, gerenciar expirações, lidar com concorrência. O ADK abstrai grande parte dessa complexidade, permitindo que o foco do desenvolvedor fique no comportamento do agente em si, e não na infraestrutura que o sustenta.
Agentes que conversam entre si: protocolo Agent2Agent
O suporte nativo ao protocolo Agent2Agent (A2A) é um dos aspectos mais estratégicos da versão 1.0.0. Em sistemas de IA mais sofisticados, raramente existe apenas um agente trabalhando de forma isolada. O padrão mais comum em arquiteturas modernas é ter múltiplos agentes especializados, cada um responsável por uma parte do problema, colaborando entre si para chegar a um resultado.
O ADK Java migrou para utilizar o SDK Java oficial do A2A. Agora é possível resolver um AgentCard — a URL que identifica um agente remoto, representando suas habilidades e preferências de comunicação — a partir de um endpoint remoto, construir o cliente e encapsulá-lo em um RemoteA2AAgent. Esse agente remoto pode ser colocado dentro da hierarquia de agentes do ADK e funciona exatamente como um agente local, transmitindo eventos de volta para o Runner de forma nativa.
Para expor os seus próprios agentes ADK via protocolo A2A, basta criar um AgentExecutor A2A. Ele encapsula os agentes e os disponibiliza por meio de um endpoint REST JSON-RPC, tornando suas criações instantaneamente acessíveis para todo o ecossistema A2A.
Isso tem implicações enormes para empresas que já possuem agentes de IA em produção e querem expandi-los ou integrá-los com novos sistemas. Em vez de reescrever tudo do zero ou criar integrações frágeis e proprietárias, o Agent2Agent oferece um caminho mais limpo e sustentável. O ADK Java se encaixa nesse ecossistema de forma natural, o que é uma vantagem significativa para times que trabalham em ambientes corporativos com múltiplas equipes e sistemas legados que precisam evoluir gradualmente.
O que isso representa para o ecossistema Java
O conjunto completo dessas funcionalidades — grounding, execução de código, Agent2Agent, aprovação humana, plugins centralizados e gerenciamento de memória — posiciona o ADK Java como um framework maduro o suficiente para ser levado a sério em ambientes de produção. Não é mais um experimento ou uma versão beta com ressalvas. A versão 1.0.0 é uma declaração clara do Google de que Java é um cidadão de primeira classe no ecossistema de desenvolvimento de agentes de IA, e que as equipes que trabalham com essa linguagem têm, agora, um kit de ferramentas à altura dos desafios reais que enfrentam no dia a dia 💡.
Para quem quer começar a explorar, a documentação oficial do ADK traz um guia de primeiros passos específico para Java. E como o projeto é open source, a comunidade pode contribuir com melhorias, correções e novas funcionalidades diretamente no repositório do GitHub. Aliás, o FirestoreSessionService mencionado anteriormente é um exemplo concreto de contribuição da comunidade que já faz parte da release oficial.
O ecossistema de agentes de IA está evoluindo rápido, e ter um framework robusto, bem documentado e com suporte corporativo sólido faz muita diferença na hora de transformar protótipos em produtos reais. O ADK para Java 1.0.0 entrega exatamente isso — e pelo que o Google indicou, nos próximos meses devem chegar artigos e vídeos mais aprofundados sobre cada uma dessas funcionalidades. Vale ficar de olho 👀.
