本章深入探讨了智能体系统中记忆管理这一关键任务，阐明了临时上下文信息与长期持久化知识之间的本质区别。我们剖析了各类记忆机制的架构原理及其在构建智能体系统中的实际应用，并详细介绍了 Google ADK 框架如何通过SessionState和等组件来实现记忆管理。在掌握了智能体短期与长期记忆技术的基础上，我们将继续探索智能体如何实现学习和自适应。下一个核心模式「学习与适应」将探讨智能体如何基于新的经

图 3：多智能体设计模式本章探讨了多智能体协作模式，展示了在系统内协同多个专长不同的智能体所带来的优势。我们分析了多种协作模型，强调了该模式在不同领域应对复杂、多阶段问题的重要性。对智能体协作的理解还引出了对它们如何与外部环境交互的进一步思考。

在人工智能的语境中，不妨将规划智能体视为一位你委以复杂目标的专家。当你要求它“组织一次团队外出”时，你定义的是“什么”——目标及其约束——而非“怎么做”。该智能体的核心任务是自主规划通往该目标的路线。它必须先理解初始状态（如预算、参与人数、期望日期）与目标状态（一次成功预订的外出），然后发现连接二者的最优行动序列。计划并非预先知晓，而是在收到请求时即时生成。这一过程的一大标志是适应性。初始计划仅仅

到目前为止，我们讨论的智能体模式主要涉及编排语言模型之间的交互，并管理代理内部工作流中的信息流（链式调用、路由、并行化、反思）。然而，要使智能体真正有用并与现实世界或外部系统交互，它们必须具备使用工具的能力。工具使用模式通常通过一种称为“函数调用”的机制实现，使智能体能够与外部 API、数据库、服务交互，甚至执行代码。它让智能体核心的 LLM 能够根据用户请求或任务当前状态，决定何时以及如何调用特

和。