大家好！歡迎來到「Build on Google AI」工程挑戰的第 15 天。

昨天，我們成功讓 PM Agent 扛住了海量的 DevFest 歷史文件與講者提案。但真實世界的開發流程中，PM 寫完 Spec 後的工作還沒結束——他們必須進行「任務交接 (Handoff)」。

今天，我們要把系統從單打獨鬥，升級為 Multi-Agent (多智能體) 架構。我們要打造一個專屬的「RD (編劇) Agent」，它的任務是精準解讀 PM 傳遞過來的情報，並將其轉化為具體的架構設計與執行腳本。

這不僅僅是把兩個 Prompt 串在一起，而是要解決企業級 Agent 開發中最棘手的問題：如何確保 AI 與 AI 之間的溝通不失真？

第一步：強制 PM Agent 說「工程語言」 (Structured Outputs)
人類 PM 和 RD 溝通時常有代溝，Agent 也是。如果 PM Agent 只是丟出一大串自然語言的摘要，RD Agent 很容易在生成程式碼時產生幻覺。

在 Google ADK 中，我們可以使用 Structured Outputs (結構化輸出)，結合 Python 的 Pydantic 模型，強制 PM Agent 必須將情報打包成標準的 JSON 格式：

from pydantic import BaseModel
from typing import List

class SpecSchema(BaseModel):
    core_features: List[str]
    target_audience: str
    api_requirements: List[str]
    priority: str

# 讓 PM Agent 綁定這個 Schema
pm_agent = Agent(
    name="pm_agent",
    instruction="分析需求並輸出標準化規格。",
    response_schema=SpecSchema # 強制輸出符合 RD 期待的資料結構
)

第二步：打造 RD (編劇) Agent
有了標準化的 Spec，接下來就是 RD Agent 登場。之所以稱它為「編劇」，是因為在軟體工程中，RD 就是負責撰寫系統運作「腳本 (Script)」的人。

RD Agent 不需要去閱讀昨天的海量原始文件，它的 Context 只需要專注於 PM 整理好的 SpecSchema。這種上下文隔離 (Context Isolation) 策略，不僅能大幅節省 Token，更能讓 RD Agent 的輸出高度專注且精準。

rd_agent = Agent(
    name="rd_agent",
    model="gemini-2.5-pro", # 實作邏輯需要高階推理能力
    instruction="你是一個資深後端 RD。請接收 PM 傳來的 JSON 規格，撰寫出具體的 RESTful API 結構與資料庫 Schema 腳本。"
)

第三步：建立任務交接的 Workflow
有了 PM 和 RD，最後一步就是利用 ADK 的 Workflow 將它們串接起來。在 ADK 的有向圖 (Graph) 架構中，前一個 Agent 的輸出狀態 (State) 會完美封裝並傳遞給下一個節點，形成自動化的軟體開發流水線：

from google.adk import Workflow

# 建立從 PM 到 RD 的單向交接工作流
dev_workflow = Workflow(
    name="pm_to_rd_handoff",
    edges=[("START", pm_agent, rd_agent)]
)

小結
透過 ADK 的 Structured Outputs 與 Workflow，我們今天成功建立了一條沒有溝通障礙的自動化開發流水線。PM Agent 負責發散與收斂資訊，RD Agent 負責精準執行，各司其職。