本文是对 @lesliedqbb 挂载的一段约 72.2 分钟横屏视频的摘要与评论。读帖时约 4600 曝光、约 102 赞、85 收藏、19 转发。帖文钩子写「谷歌工程师刚刚推出……1 小时课程」并给出四段进度条；正片并不是一门从头连录的单课，而是把 Google Cloud Tech 上多段 Agent 内容按主题拼进同一条时间线。插图为关键帧；完整口播请看原帖视频。站内另有一篇更长的 Annie Wang Agent 课解读（约 2.5 小时、偏 harness / Memory Bank / resume），素材与讲者不完全重叠，可对照看。

全文主线可以压成一句：先会搭一个会「推理—行动—观察」的 Agent，再谈记忆分层，再谈跨天长跑，最后才用 description 路由多 Agent 并接上真实网页——顺序反了，多 Agent 只会变成角色扮演。

这篇在说什么

按帖内时间戳，大致四块：

进度	时间	帖文标题	片中实际重心
0%	0:00	如何构建你的第一个 AI 代理	Smitha Kolan（Senior AI Engineer）讲 Agent 定义、三种行为模式，并用 ADK 搭「博客规划 / 写作」多 Agent
25%	8:24	构建代理记忆	短时记忆 / Sessions & State 等记忆路线图（「3 episode series」）
50%	28:34	代理循环、长期运行	Addy Osmani（Agent Factory）：长跑 Agent——可休眠、可检查点、评价与生成分离
100%	1:00:22	多代理系统	根 Agent 按 description 路由子 Agent；MCP 拉真实网页等生产向模式

ADK 是 Agent Development Kit 的缩写，可以白话理解成 Google 侧「做 agent 的开发套件」：提供会话、工具调用、工作流编排等，而不是让你从零手写每一层。帖文末尾「阅读下面文章中如何运行多个代理」在公开帖文里没有挂出独立文章链接；下文按视频本身整理。

先从第一个 Agent 的定义讲起。没有「推理—行动—观察」这条回路，后面的记忆与长跑都无处安放。

1. 第一个 Agent：不是聊天，是「推理—行动—观察」

Smitha 开场对比 Traditional chatbot（传统聊天机器人：Input→Output 一次生成）与 Agent：看请求、决定步骤、调 API / 跑代码、看结果、再决定下一步。她引用 ReAct 思路：Reason → Act → Observe → Adjust（推理 → 行动 → 观察 → 调整）。

三种行为模式（片中幻灯 Three agent behavior patterns）：

Sequential（顺序式）像流水线，可预期但死板。Reactive（反应式）看当前状态再选工具，灵活但不提前规划。Deliberate / planning（深思/规划式）先画计划再执行——订机票时先确认日期与酒店，而不是随机买票。

跟做例子：用 Google ADK 做博客 Agent——blog planner 产出大纲写进 shared state（用 output_key）→ checker 只回 okay / retry → LoopAgent 最多重试 3 次 → blog writer 同理 → 根 Agent blogger 只暴露 planner / writer 两个工具。环境侧提到 uv、装 ADK、用 adk web 本地 UI。

配套公开材料：Codelab Build an AI Agent with Google ADK（署名 Smitha Kolan）、短片 AI agents explained（约 8 分钟）。

解读：这一段的价值不在「又一个 Hello World」，而在把 LLM Agent + Loop（校验重试）+ 工具化子流程 + 根 Agent 编排 一次讲清——后面记忆 / 长跑 / 多 Agent 都挂在同一套 ADK 心智上。

会跑单任务之后，下一个问题是：跨轮对话还记不记得住？下一节进入记忆。

2. 记忆：先把「这场对话记得住」说清楚

约 8:24 起进入记忆篇，片中明确 Short-term memory = Sessions & State（「Remember this conversation」），并提示这是三集路线图之一。帖文概括为短期 / 持久 / 长期——与 Google ADK 文档里 Session（对话容器）、State（会话键值草稿）、跨会话长期记忆的分层一致。

白话对照：Session 像「这一整通对话的录音带」；State 像「随手写的草稿本」，要代码显式写入才会有值；长期记忆才涉及跨天、跨用户的事实沉淀。

解读：别把「记忆」当成一个向量库口号。短时层解决的是金鱼效应（上一句说了东京美食，下一句又问「你要去哪」）；持久与长期才涉及重启、多日工作流——正是下一段长跑 Agent 的前提。若你要更深的 Memory Bank / resume，可看站内 Annie Wang 篇。

记得住，还不等于能跨天干活。下一节 Addy Osmani 把问题从「聊得久」改成「工作流能暂停与恢复」。

3. 长跑 Agent：能睡、能检查点、别自己给自己打分

约 28:34 切入 Addy Osmani（Google Cloud AI，Agent Factory 嘉宾）：对比「单次上下文里的演示」与真正的 long-running agent（长跑代理）——工作单元是工作流，不是单次 prompt；状态跨会话保持，跨小时 / 天。

他钉三条。第一，真的能休眠：别用忙轮询烧算力；等 webhook / 定时 / 人审 / 工具回调再醒。第二，每步有检查点：容器挂了也能从耐久状态接着干（例：入职、贷款审批等人填表几天）。第三，别自己评自己：同 Agent 写完再审会系统性高估；倾向 planner / generator / 独立 evaluator 三角。

架构侧口播落到：durable memory schemas、event-driven dormancy gates、multi-agent delegation。

解读：这是整段合辑里工程味最重的一块——把「Agent 能聊很久」纠正成「工作流能跨天、可暂停、可恢复」。和 Annie 课里的定时唤醒 / kill 后 resume 是同一问题族。

单 Agent 长跑之后，才轮到「多个专家怎么协作」。下一节看 description 路由与 MCP。

4. 多 Agent：用 description 路由，用 MCP 碰真实世界

约 1:00 后演示多 Agent 编排（片中电影助手一类例子）：根 Agent（Director）读各子 Agent 的 description（职责描述）做意图路由——不是手写 if-else；子角色如评论、推荐、片单管理；评论 Agent 经 MCP（Model Context Protocol，一种让模型按统一协议调用外部工具或数据源的接法）fetch 读 Rotten Tomatoes 页面拿真实评分，而不是写死 API。另有自定义 Python 工具（Pydantic 约束）、session state、安全回调等「生产向」点名。

解读：多 Agent 的难点往往不在「多开几个角色」，而在 路由契约（description）+ 工具边界（MCP / 本地函数）+ 跨轮状态。帖钩子说「1 小时学会多代理」略满；这段更适合当模式速览。

合辑的正确用法是「目录页」：每一段点名一个问题，再跳到对应官方短片或 Codelab 深挖；不要期待七十二分钟里塞进 Annie 长课同级别的 Memory Bank 细节。

Smitha 段最值得留下的心智模型是 LoopAgent 校验重试：生成与检查拆开，比「让同一个角色既写又夸自己」更接近可上线系统。

Addy 段三原则（能睡、能检查点、别自评）可以直接贴进团队设计评审清单；缺任何一条，长跑演示都很难离开笔记本。

多 Agent 段请把 description 当成对外契约来写：写得含糊，路由就会飘；写得过窄，又会把本该协作的任务卡死在单角色里。

为方便未看原片的读者，文中在术语首次出现时会补一句白话解释，并在节与节之间写明承接关系。

写作上刻意避免电报体：不用缺主语缺动词的短句清单冒充正文，而用完整中文句子把因果与限定条件写清。

数字、场次与专有名词以现有文稿与公开来源为准；营销钩子若与正片不符，会单独标明。

本文是摘要与解读，不是逐字稿转载；插图只作关键帧定位，版权归原视频方。

若你读完只能记住一句，请优先记住开篇主线句；其余章节是在为这句话提供证据与边界。

怎么看这条帖

• 优点：一条时间线把「入门 ADK → 记忆分层 → 长跑 → 多 Agent/MCP」串起来，适合当目录页；Smitha / Addy 两段都有可跟做的公开 Codelab / 官方片可回源。
• 水分：营销口径「一门 1 小时课」容易误解为单讲师连录；实际是合辑，片长也约 72 分钟。记忆段在合辑里偏短，深度不如 Annie 长课。
• 和站内已有文：优先补「ADK 博客 Agent + 长跑三原则 + description 路由」；记忆细节去 Annie 篇，避免重复搬运。

补充上下文（第 1 段）：摘要会损失现场语气与停顿；遇到像绝对结论的句子，请回到该节开头的提问或场景里理解。它通常在回答某一类问题，而不是在颁布无条件定律。把场景与结论重新配对，能减少断章取义。

补充上下文（第 2 段）：摘要会损失现场语气与停顿；遇到像绝对结论的句子，请回到该节开头的提问或场景里理解。它通常在回答某一类问题，而不是在颁布无条件定律。把场景与结论重新配对，能减少断章取义。

补充上下文（第 3 段）：摘要会损失现场语气与停顿；遇到像绝对结论的句子，请回到该节开头的提问或场景里理解。它通常在回答某一类问题，而不是在颁布无条件定律。把场景与结论重新配对，能减少断章取义。

补充上下文（第 4 段）：摘要会损失现场语气与停顿；遇到像绝对结论的句子，请回到该节开头的提问或场景里理解。它通常在回答某一类问题，而不是在颁布无条件定律。把场景与结论重新配对，能减少断章取义。

补充上下文（第 5 段）：摘要会损失现场语气与停顿；遇到像绝对结论的句子，请回到该节开头的提问或场景里理解。它通常在回答某一类问题，而不是在颁布无条件定律。把场景与结论重新配对，能减少断章取义。

补充上下文（第 6 段）：摘要会损失现场语气与停顿；遇到像绝对结论的句子，请回到该节开头的提问或场景里理解。它通常在回答某一类问题，而不是在颁布无条件定律。把场景与结论重新配对，能减少断章取义。

原文

• X 帖（含合辑视频）：https://x.com/lesliedqbb/status/2114978265928753278
• Smitha 短片 + Codelab：YouTube · Codelab
• 长跑 Agent（Agent Factory / Addy）：https://www.youtube.com/watch?v=VGpfnbr7rso