ginobefun@hongming731 · XGoogle博客以“新员工入职协调Agent”为例，指出AI智能体从演示走向生产需完成三大架构转变，核心是上下文与状态解耦。首先，采用持久化状态机，通过明确进度节点替代对话历史记录状态，解决上下文污染、token成本爆炸和推理幻觉问题。其次，引入事件驱动休眠门控，使Agent在等待外部事件时挂起以零资源消耗。最后，通过多Agent委托机制，将专项任务交由独立子Agent处理，避免提示词膨胀并支持独立优化。完整示例代码已开源。
构建支持暂停、恢复且永不丢失上下文的长时间运行 AI 智能体（基于 ADK）
大多数 Agent 教程的终点是一个无状态的聊天机器人，容器一重启，什么都忘了。但真实的企业工作流不可能在一次 API 调用里完成。HR 入职流程跨越两周，发票纠纷要等供应商回复几天，销售跟进序列拉开一个月。这些流程被大量「空闲等待」主导，无状态架构天然无法应对。
Google 博客通过一个「新员工入职协调 Agent」实例，展示了三项让 Agent 从 Demo 走向生产的架构转变。
第一项是持久化状态机。不再靠对话历史追踪进度，而是定义显式的状态 schema：START、WELCOME_SENT、DOCUMENTS_SIGNED、IT_PROVISIONED、HARDWARE_DELIVERED、COMPLETED，六个明确节点。Agent 每次唤醒，从 session state 而非聊天记录里读取当前位置。这彻底解决了三个无状态架构的致命问题：对话历史在数百轮后充满过期噪音（上下文污染）、每次推理都要重放完整历史（token 成本爆炸）、长时间空闲后恢复时模型幻觉出从未发生过的中间步骤（推理幻觉）。
第二项是事件驱动休眠门控。Agent 在等待人工签字时不再主动轮询，而是挂起自身，等到外部事件（如文件签署通知）到达后才被唤醒。零资源占用，不会因为长时间等待而消耗 token 或算力。
第三项是多 Agent 委托。IT 账号配置这类专项任务，交给独立的 IT 子 Agent 完成，主 Agent 只负责协调和状态推进。这避免了单体 Agent 提示词膨胀，也让各子任务可以独立优化。