如何在 ADK 中評估 Live 與 Voice Agents

ADK 新增原生 Live 評估功能，強化語音 Agent 測試

過去 Agent 在示範環境表現得好好的，但實際上線後常常因為提示詞微調或模型換版，出現工具呼叫失敗、上下文遺失，或使用者插話被忽略等狀況。這個新功能讓開發者可以用模擬使用者進行多輪語音對話，自動評估語音回應和工具執行結果，確保 Agent 在真實互動中的表現穩定、且有可重複驗證的證據。

建構基於圖的工作流程 Agent

為了展示評估流程怎麼跑，官方提供一個基於圖（Graph）的範例，由三個單一目的的 Live Agent 依序串接組成，每個階段都跑在 `gemini-live-2.5-flash-native-audio` 模型上。工作流程包含三個角色：第一個是 `greeter_agent`，扮演護理團隊助手 Sam，負責打招呼、確認使用者是 John Doe；第二個是 `dob_verifier_agent`，負責詢問出生日期，讀出確認後呼叫 `validate_date_of_birth` 工具做驗證，並輸出驗證結果；最後是 `goals_agent`，在身份驗證通過後主動告知預約資訊，回答問題後結束對話。

這個工作流程透過 `Workflow` 類別把各個 Agent 串起來，控制權在 Agent 之間轉移時，使用者不會感覺到交接。ADK 會讓音訊串流保持開啟，把累積的會話狀態和對話歷史傳給下一個 Agent，讓每個 Agent 都能接續完整上下文繼續運作，而不是從零開始。這種設計會產生豐富的多輪對話軌跡，很適合拿來做全面的評估測試。

編寫評估集與模擬使用者設定

評估集（Eval Set）是 JSON 檔案，裡面有兩種測試案例：對話場景，以及固定對話。對話場景讓開發者描述目標和角色，交給使用者模擬器自由發揮。舉例來說，把 `user_persona` 設成 `NOVICE`，模擬器就只會分享高層級目標，等 Agent 主動詢問細節，藉此測試 Agent 引導對話的能力。為了避免對話無限延伸下去，可以用 `max_allowed_invocations` 設定最大回合數。

另一種是固定對話，開發者可以逐字寫死使用者每一輪的回應。這種靜態案例一樣可以直接餵給 Live 模式運行。兩種方式都能把測試案例和執行方式分開處理，開發者可以視情況選用。

啟用 Live 模式與語音合成配置

在 `test_config.json` 裡，開發者要加上 `live_model_config` 才能啟用 Live 模式；如果省略這段設定，測試就會以標準文字模式跑。ADK 用 `llm_audio` 使用者模擬器，把每個使用者回合透過 Gemini TTS 合成語音後串流給 Live Agent。設定裡要分清楚 `model` 和 `audio_model`：前者負責模擬使用者的對話邏輯，後者負責把文字合成語音。

開發者可以調整 `voice_name` 和 `language_code`，測試不同語音、口音下 Agent 的表現。評估標準透過 `criteria` 設定，支援以條文為基礎（Rubric-based）的 LLM 裁判，用 `gemini-3.7-flash` 當裁判模型。自然語言條文可以像人類審查員一樣判斷意圖，適合用在多 Agent 圖的端到端評估，也可以另外加每回合指標，用來評分個別回應或工具執行狀況。

執行評估與結果檢視

開發者可以用 CLI 執行評估，指令是 `uv run adk eval`，並指定工作目錄、評估集檔案和設定檔。執行前要先裝好 `eval` 這個額外套件，並設定好 Live API 和 Gemini TTS 的 API 憑證。這套流程也可以透過 `AgentEvaluator` 用程式呼叫，方便整合進 CI/CD，在發布前就抓出回歸問題。

評估跑完後，ADK Web 介面原生就能檢視 Live 評估結果。在運行設定對話框裡選擇 Live 模式，可以調整輸入模態和語音設定。ADK 會把 Live 音訊串流重建成清楚的逐字稿，每一輪對話用獨立的訊息氣泡呈現，裡面有轉錄文字，也內嵌了可播放的音訊片段。開發者不只能看內容，還能直接聽 Agent 講話的語音表現，方便互動式除錯和品質驗證。