這個系列不只介紹如何建立 AI Agent,更希望從系統工程的角度,帶你理解一個 Agent 如何從概念驗證、功能開發,一步步走向真正可部署、可維護的應用。
如果你已經接觸過 LLM、RAG 或 AI Agent,希望進一步理解 Google ADK 的設計方式,以及實務上如何打造更完整的 Agent 系統,這個系列會是一條從「做得出來」走向「真的能上線」的學習旅程。
Day 11 | Caching 與 Artifacts:省錢與管檔案的兩把工具 讀完能做到:幫 agent 掛上模型端 context caching 並讀...
Day 12 | 事件驅動架構:Callbacks、Events 與 Plugins 讀完能做到:知道要在哪個掛載點攔截 agent 行為、看懂一個 even...
Day 13 | 告別失控的 AI:Graph Workflows 與 Graph Routes 主張:指令寫得再長,也换不来「一定照著做」——想要確定性,...
Day 14 | 資料怎麼流:Data Handling 與 Dynamic Workflows 主張:graph 好用是因為節點間資料流動有規矩;規矩之外還...
Day 15 | 讓人類插一腳:Human Input 與 Tool Confirmation 主張:ADK 裡有兩套完全不同的「等人類回覆」機制,混著講會讓...
Day 16 | Multi-Agent 的最基礎形式:Template Workflow Agents 主張:graph 跟 dynamic workflo...
Day 17 | 七種分工方式:Multi-Agent Workflow Patterns 主張:多 agent 系統不是把一堆 agent 丟在一起就叫協作...
Day 18 | 打造一支 Agent 團隊:Collaborative Workflows 與 Agent Modes 主張:讓 agent 互相委派任務只...
Day 19 | 跨程序的握手:認識 A2A Protocol 主張:A2A 解決的不是「怎麼讓 agent 溝通」,而是「什麼時候真的需要讓 agent 跨...
Day 20 | 動手接上遠端 Agent:A2A Exposing 與 Consuming 主張:to_a2a() 一行程式碼就能把一支 agent 變成網...