基准测试结果

已发布的性能基准测试，将 ADK-Rust 与其他智能体框架进行比较。所有测量均使用真实的 LLM 调用，并采用确定性配置以确保可复现性。

摘要

指标	ADK-Rust	Gemini Python SDK	LangGraph
冷启动	109 ms	501 ms	502 ms
代理循环开销	568 μs	253 μs	1228 ms

ADK-Rust 的冷启动速度比 Python 框架快约 4.6 倍，循环开销低于 1 毫秒。由于抽象层极少，Gemini Python SDK 的循环开销略低，但相较于典型 LLM 响应时间（500 毫秒–3 秒），ADK-Rust 的开销可以忽略不计。

工作负载结果

simple_tool_call

一条用户消息 → 一次工具调用 → 一条最终响应。用于测量最小往返时间。

框架	总时间	冷启动	循环开销	变异系数
ADK-Rust	1.2s	109 ms	568 μs	4.2%
Gemini Python SDK	1.8s	501 ms	253 μs	6.1%
LangGraph	2.1s	502 ms	1228 ms	8.3%

multi_step_reasoning

需要在每一步之间进行推理并连续调用 3–5 次工具的多轮对话。

框架	总耗时	冷启动	循环开销	CV
ADK-Rust	4.1s	109 ms	568 μs	5.1%
Gemini Python SDK	5.9s	501 ms	253 μs	7.8%
LangGraph	7.3s	502 ms	1228 ms	9.4%

parallel_tool_invocation

单条用户消息同时触发并发分派的 3 个并行工具调用。

框架	总时间	冷启动	循环开销	变异系数
ADK-Rust	2.3s	109 ms	568 μs	3.9%
Gemini Python SDK	3.7s	501 ms	253 μs	5.6%
LangGraph	4.8s	502 ms	1228 ms	7.2%

如何复现

# Run all benchmarks
cargo adk bench

# Run a specific workload
cargo adk bench --workload simple_tool_call

# Save results as a baseline
cargo adk bench --save-baseline v1.0.0

# Compare against baseline
cargo adk bench --check-regression v1.0.0 --tolerance 10

# Output as JSON for CI
cargo adk bench --output json --output-file results.json

要求：

已设置 GOOGLE_API_KEY 环境变量
可访问 Gemini API 的网络
对于跨框架比较：安装了 google-genai 和 langgraph 的 Python 3.11+ 环境

方法

测试环境

模型：Gemini 3.5 Flash-Lite（gemini-3.5-flash-lite）
温度：0（确定性）
使用固定随机种子以确保可复现
预热运行 2 次后进行 10 次测量迭代
网络：所有框架使用同一台机器和同一网络

开销隔离

通过从总执行时间中减去测得的 LLM 延迟来隔离框架开销：

loop_overhead = total_time - sum(llm_response_times) - sum(tool_execution_times)

这将隔离框架的贡献：序列化、反序列化、上下文组装、事件分发和状态管理。

指标含义

指标	定义	重要性
冷启动	从进程启动到收到第一个 LLM 响应的时间	影响无服务器/容器启动以及 CLI 响应速度
循环开销	每次工具调用往返的框架处理时间	会在多步骤 agent 中累积（5 个步骤 × 1.2 秒 = 浪费 6 秒）
总时间	完整工作流的端到端实际耗时	用户感知的延迟
CV	变异系数（std_dev / 平均值 × 100）	测量稳定性——越低越可靠

确定性配置

所有框架使用相同的：

工具定义（名称、架构、模拟实现均相同）
系统提示和用户消息
模型设置（temperature=0，无采样变化）
工具实现（返回固定响应，无 I/O）

限制

结果取决于网络状况和 Gemini API 负载
Python 框架使用 CPython 3.11 进行测量（不使用 PyPy）
冷启动包含 Python 框架的 Python 解释器启动时间
LangGraph 的循环开销包括图遍历和状态序列化

跟踪性能回归

在 CI 中使用基准测试来捕获性能回归：

# In CI pipeline after merge to main
cargo adk bench --check-regression v1.0.0 --tolerance 10

# Exit code 1 if any metric regressed >10%

基线存储在 .adk-bench/baselines/ 中，并且可以提交到仓库。