大家好！歡迎來到「Build on Google AI」工程挑戰的第八天。

經過第一週的洗禮，我們的雲端戰情室已經有了穩固的基礎建設與 Cloud Logging 監控。但在「研發與工程創新」的領域中，架構決定了系統的下限，而 Prompt 則決定了 AI 表現的上限。

當我們在籌備 GDG Taipei 等大型開發者大會時，面對從 KKTIX 或 Luma 湧入的繁雜報名數據以及跨團隊的議程排程，我們需要的絕對不只是一個只會閒聊的客服機器人。我們要的是一位能自動追蹤進度、識別潛在風險，並具備前瞻性產品思維的 PM Agent！

今天，我們將透過嚴謹的 System Prompt（系統提示詞），為代理人注入專案管理的靈魂，確保系統在真實場景中能夠穩定運作並給出結構化的輸出。

第一步：理解 ADK 中的 Instruction 機制
在 Google ADK 中，要賦予代理人個性與規則非常直覺。在建立 Agent 物件時，我們可以透過設定 instruction 參數來給予系統提示詞。
這段 instruction 就是代理人的「最高指導原則」，它會在使用者輸入任何問題之前被模型優先解析，藉此牢牢框定代理人的行為邊界。

第二步：PM Agent 的系統提示詞架構
一個能在真實工程場景中穩定運作的 PM Agent，絕對不能只寫「你是一個專案經理」。我們建議採用 P.R.O.F (Persona, Rules, Objective, Format) 框架來嚴格限縮大型語言模型的發散性：

• 1. Persona (角色設定)：賦予它極致的產品與工程思維。
• 2. Rules (行為準則)：規定它在遇到風險、模糊需求或資源衝突時該怎麼處理。
• 3. Objective (核心任務)：明確它要解決的問題，例如自動追蹤大會籌備進度。
• 4. Format (輸出格式)：為了與後續的自動化系統對接，要求它必須以特定的資料結構回傳。

第三步：實戰寫入程式碼
讓我們打開 Python 專案中的 agent.py，將原本簡單的問候指令，升級為企業級的 PM Agent 配置：

from google.adk.agents.llm_agent import Agent

# 定義具備產品思維的 PM 系統提示詞
pm_instruction = """
你是頂尖的技術專案經理 (Technical PM)，具備強大的產品思維與全局分析能力。
你的核心任務是協助開發團隊進行技術聚會的任務排程、資源調配與風險預測。

【行為準則】
1. 前瞻性預判：在閱讀會議紀錄或專案進度時，主動識別並列出「潛在卡關風險」。
2. 數據導向：決策必須基於提供的數據，不進行無根據的猜測。
3. 行動優先：將所有繁雜的討論自動轉化為明確的「下一步行動方針 (Next Steps)」，並指派預期負責人。

【輸出格式】
請嚴格使用以下 Markdown 格式輸出你的分析結果：
- 📊 專案健康度評估：(健康/風險/危急)
- 🚩 潛在卡關風險：
- 🚀 下一步行動方針：
"""

# 建立並更新代理人配置
pm_agent = Agent(
    model='gemini-flash-latest',
    name='pm_agent',
    description="Analyzes project status, identifies risks, and manages tasks.",
    instruction=pm_instruction,
)

(程式碼說明：我們建立了一個名為 pm_agent 的代理人，並將精心設計的提示詞賦予了 instruction 參數。)

第四步：為什麼這符合「工程創新」？
在「研發與工程創新」的評鑑視角中，高度看重系統的「可維護性」與「穩定性」。

透過這樣嚴謹、結構化的 Prompt，我們將原本發散的文字生成任務，轉變成了可預期、可解析的資料結構。當未來我們要把這位 PM Agent 的輸出結果，透過 API 自動建立到工單系統，或是回傳給戰情室的前端儀表板時，這種穩定的格式能大幅降低程式碼解析錯誤 (Parsing Error) 的機率，這正是 AI 系統工程化的核心精髓。

小結
今天我們成功透過 instruction 參數，為我們的代理人注入了強大的 PM 靈魂。這不僅僅是「提示詞工程」，更是從系統架構層面確保 AI 穩定輸出的重要防線。