谷歌 Agent 工程课速读：
从第一个 Agent 到多 Agent 系统

这是 agent 和传统 chatbot 的分界线：chatbot 一次性吐出回答，agent 会盘算步骤、调 API、跑代码、看结果，再决定下一步。课程给的工程定义更直接——agent 就是“带着工具、在循环里跑着完成任务的 LLM”。

出处是 ReAct（Reasoning + Acting）论文——语言模型不该一口气把文本生成完，而应该一步步推理、调工具或 API、观察结果，再决定下一步。

顺序型像流水线，可预测但死板；反应型临场决定，灵活但不规划；规划型先画计划再执行。选型很简单：简单流程用顺序，动态场景用反应，带依赖的多步目标用规划。

用 ADK 建 agent 少到几行：从 google.adk.agents 导入 Agent，传 model（gemini-3-flash-preview）、name、description、instruction。然后 adk run 在终端对话，adk web 起本地网页界面看完整调用栈。

LLM 知识有截止日期，问它“现在几点”会瞎猜。写个 get_current_time 塞进 tools 列表就解决了。tools 是列表，能挂多个——包括内置的 google_search（记得设 bypass_multiple_tools_limit=True）。

软件工程师 Annie Wang 主讲：短期 = session + state（像 RAM）；持久 = DatabaseSessionService（跨重启记住偏好）；长期 = VertexAiMemoryBankService（跨时间、跨媒介，语义检索）。

ADK 默认 InMemorySessionService，新建 session 就“第一次见你”。换成 DatabaseSessionService，每条消息、每次状态变更都落盘。长期记忆还支持语义检索——搜“两轮交通工具”能命中一条“自行车”的笔记。

例子是“新员工 Onboarding 协调 agent”：发欢迎包后暂停几天等签字，委派子 agent 开账号，等硬件寄到，最后生成第一天日程。能跑几周不丢上下文，靠的是事件驱动的休眠（event-driven dormancy），而不是空转的轮询。

多家实验室（含 Anthropic）结论一致：agent 给自己的活儿打分总是高估。所以最佳实践是三 agent 分工——planner 规划、generator 生成、独立的 evaluator 测真实结果。别让写代码的 agent 自己审代码。

“MCP 取代的不是你的后端，而是模型和 API 之间的中间层。API 没死，只是在进化。”就像当年 HTTP 统一了互联网，MCP 想让 AI 环境变得可互操作——你把连接器写一次，Gemini、Claude、GPT 都能立刻用上。

API 像一个上锁的柜子——你得确切知道开哪个抽屉、钥匙什么形状。MCP 给模型一张活的、机器可读的能力地图，让它自己发现工具、推理该调哪个，而不是靠长长的 prompt 硬教。

博客写作 agent 用 Conductor / Planner / Writer 架构，planner 和 writer 包在会自动重试的 loop agent 里；researcher agent 则把 search 和 url-verifier 当工具做 LLM-as-judge。好处：每个 agent 任务单一，性能、记忆、成本可控，还能各用不同模型——简单任务用便宜快的，复杂推理用更强的。