Google ADK Python 项目中生成器对象序列化问题的分析与解决
在 Google ADK Python 项目中,开发者在使用 LongRunningFunctionTool 工具时经常会遇到一个典型错误:"TypeError: cannot pickle 'generator' object"。这个问题源于 Python 生成器对象的序列化限制,本文将深入分析问题本质并提供完整的解决方案。
问题背景
当开发者尝试使用 LongRunningFunctionTool 包装一个生成器函数时,系统会抛出序列化错误。这是因为 ADK 框架内部需要对函数调用结果进行深拷贝和序列化操作,而 Python 的生成器对象本身不支持 pickle 序列化。
典型的错误场景出现在以下代码中:
def process_large_file(file_path: str) -> dict:
yield {"status": "pending"}
# ...更多yield语句...
return {"status": "completed"}
long_running_tool = LongRunningFunctionTool(func=process_large_file)
技术原理分析
问题的核心在于 Python 的序列化机制和生成器的特性:
-
生成器本质:Python 生成器是一种特殊的迭代器,它保存的是执行状态而非数据本身,这种状态无法被序列化。
-
ADK 框架需求:框架需要在会话中保存事件历史,这要求所有传递的对象必须支持深拷贝和序列化。
-
会话管理:无论是 InMemorySessionService 还是 DatabaseSessionService,最终都需要将事件内容转换为可存储格式。
解决方案
根据官方建议和实际验证,正确的实现方式应该是使用异步生成器模式:
1. 异步生成器实现
async def async_process_file(file_path: str) -> AsyncIterator[dict]:
yield {"status": "pending"}
# 模拟处理过程
for i in range(5):
await asyncio.sleep(1)
yield {"progress": f"{20*(i+1)}%"}
return {"status": "completed"}
2. 工具包装方式
long_running_tool = LongRunningFunctionTool(func=async_process_file)
3. 运行方式调整
必须使用 run_live 方法而非 run 方法执行:
async for event in runner.run_live(...):
handle_event(event)
实现要点
-
异步化改造:将普通生成器函数改为异步生成器(async generator),使用 async/await 语法。
-
实时流处理:run_live 方法专为流式响应设计,能够正确处理异步生成器的逐步输出。
-
状态管理:每个 yield 返回的字典应该包含足够的进度信息,便于前端展示。
最佳实践建议
-
进度报告格式:建议采用统一的状态字段,如:
{ "status": "pending|completed|failed", "progress": "0-100%", "message": "当前状态描述" }
-
错误处理:在生成器内部捕获异常并通过特定状态返回:
try: # 处理逻辑 except Exception as e: yield {"status": "failed", "error": str(e)} return
-
资源清理:对于需要资源清理的操作,使用 try-finally 块确保资源释放。
总结
在 Google ADK Python 项目中正确处理长时运行任务需要理解框架的序列化需求和 Python 生成器的特性。通过改用异步生成器模式和正确的执行方法,开发者可以构建出稳定可靠的长时任务处理流程。这种模式特别适合文件处理、大数据计算等需要分阶段报告进度的场景。
- QQwen3-Coder-480B-A35B-InstructQwen3-Coder-480B-A35B-Instruct是当前最强大的开源代码模型之一,专为智能编程与工具调用设计。它拥有4800亿参数,支持256K长上下文,并可扩展至1M,特别擅长处理复杂代码库任务。模型在智能编码、浏览器操作等任务上表现卓越,性能媲美Claude Sonnet。支持多种平台工具调用,内置优化的函数调用格式,能高效完成代码生成与逻辑推理。推荐搭配温度0.7、top_p 0.8等参数使用,单次输出最高支持65536个token。无论是快速排序算法实现,还是数学工具链集成,都能流畅执行,为开发者提供接近人类水平的编程辅助体验。【此简介由AI生成】Python00
- KKimi-K2-InstructKimi-K2-Instruct是月之暗面推出的尖端混合专家语言模型,拥有1万亿总参数和320亿激活参数,专为智能代理任务优化。基于创新的MuonClip优化器训练,模型在知识推理、代码生成和工具调用场景表现卓越,支持128K长上下文处理。作为即用型指令模型,它提供开箱即用的对话能力与自动化工具调用功能,无需复杂配置即可集成到现有系统。模型采用MLA注意力机制和SwiGLU激活函数,在vLLM等主流推理引擎上高效运行,特别适合需要快速响应的智能助手应用。开发者可通过兼容OpenAI/Anthropic的API轻松调用,或基于开源权重进行深度定制。【此简介由AI生成】Python00
cherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端TypeScript043GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。04note-gen
一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。TSX01chatgpt-on-wechat
基于大模型搭建的聊天机器人,同时支持 微信公众号、企业微信应用、飞书、钉钉 等接入,可选择GPT3.5/GPT-4o/GPT-o1/ DeepSeek/Claude/文心一言/讯飞星火/通义千问/ Gemini/GLM-4/Claude/Kimi/LinkAI,能处理文本、语音和图片,访问操作系统和互联网,支持基于自有知识库进行定制企业智能客服。Python015
热门内容推荐
最新内容推荐
项目优选









