看完 Google ADK 的 Demo，我為什麼還是繼續用自己的七位一體
Google Cloud 剛 demo 的 ADK + MCP + Agent Engine + A2A，被中文圈包裝成「Anthropic 公開了 AI 公司藍圖」的爆款帖。我把整場 demo 看完，對照自己這一年在家裡跑的七位一體系統，記下幾個結論——ADK 跟 MCP 可以拿來用，Agent Engine 才是 GCP 真正想賣你的綁定。
最近群組裡瘋傳一段話，開頭是這樣：
兄弟們！Anthropic 剛剛把「用 AI 建一家公司」的完整藍圖正式公開了。CEO 只有 1 個人（而且可以去睡覺），剩下的全部員工都是 AI。
我本來想直接劃過去，後來看到附的逐字稿是 Google Cloud DevRel Ivan Nardini 的 ADK 演講——那段「兄弟們」的爆款帖，把它包裝成 Anthropic 自己發的官方藍圖，順便把「AI 替你上班」的焦慮值拉滿。
實際上它是 Google 的東西，整合了 Anthropic 模型，只是這個事實對流量不友好。
我把整場 demo 看完，再對照自己這一年在家裡跑的「七位一體」協作系統，想記下幾個結論——既給自己，也給跟我一樣每天被 X 上 hype 帖洗版的人。
一、Google 的 Agentic Stack 到底是什麼
Ivan 講的其實是一個四件組，每一件都解一個具體痛點：
| 元件 | 解決的問題 | 本質 |
|---|---|---|
| ADK (Agent Development Kit) | 怎麼寫 agent | open source 的 Python 框架，3 個檔（agent.py + .env + __init__.py）就能跑 |
| MCP | 怎麼讓 agent 用工具 | 標準化的 tool 協定，ADK 兩行 code 接上現成 MCP server |
| Vertex AI Agent Engine | 怎麼把 agent 部署到 production | GCP 的 managed runtime，幫你處理 container / scaling / monitoring |
| A2A (Agent-to-Agent) | 怎麼讓不同框架的 agent 互相講話 | open protocol，HTTP + JSON-RPC，附 agent card / agent skill 描述 |
ADK 跟 A2A 是 open source，MCP 是 Anthropic 主推的開放協定，Agent Engine 是 GCP 的付費服務。真正會把你綁進 Google Cloud 的那一塊，是 Agent Engine。其他三件你自己 host 都做得到。
這個事實在 demo 裡藏得很乾淨。Ivan 說「你三個檔就能跑」是真的，但下一句「然後我們把它部署到 Vertex AI Agent Engine」才是這場簡報的商業目的。DevRel 的工作就是把 GCP 的 lock-in 點包裝成體驗順滑——這沒錯，只是看的人要知道自己在看什麼。
二、那段「兄弟們」的爆款帖錯在哪
爆款帖寫得很聳動，但有幾個事實層級的問題：
- 不是 Anthropic 公開的。是 Google Cloud DevRel 在 demo Google 的 stack。Anthropic 的角色是「Claude 模型在 Vertex AI Model Garden 上面被支援」。
- 「一個 CEO + AI 員工」不是這場 demo 的內容。Ivan demo 的是 birthday planner agent + calendar agent + orchestrator——一個生日派對助理，三個 agent 路由請求。距離「AI 公司」差了大概 50 個工程決策。
- Sequential / Parallel / Loop / Session / Memory 這些「工作流模式」，是 ADK 文件裡的基本元件，每一個多 agent 框架（LangGraph、CrewAI、AutoGen、Semantic Kernel）都有對應的東西。不是 ADK 獨有，更不是「AI 替你上班」的核武。
簡單說，這個 stack 是好東西，但它不是讓你「人類去睡覺」的 push button。它是給有工程團隊、要把 agent 服務部署到 production的人用的。
三、跟我自己的七位一體比，差在哪
我在家裡這套系統長這樣：
- Mac mini M4 跑 OpenClaw Gateway / nginx / mem0 MCP / memhall（自寫的記憶大廳）
- DGX Spark 跑 Ollama + gemma4:31b（local brain）
- 七個 agent 各司其職：Maki（chair）、Claude（architect）、Codex（engineer）、Gemini（analyst）、Perplexity Max（scout-1，深度研究）、SuperGrok（scout-2，即時 X 情報）、gemma4（本地 brain）
- agent 間溝通走 file I/O（
~/Documents/agent-council/），不走任何中介層 - mk-council 做 routing / circuit breaker / fallback，但合約裡明文允許 client 在中介層 degraded 時直連——不是壟斷路徑
對比 Google 的方案，差別是這個：
| Google Agentic Stack | 我的七位一體 | |
|---|---|---|
| 框架 | ADK（綁 GCP runtime 體驗最好） | 沒有框架，CLI + 檔案 |
| Tool 協定 | MCP（用） | MCP（用，但只給短操作） |
| Agent 通訊 | A2A protocol（HTTP/JSON-RPC） | file I/O（briefing.md / answer.md） |
| 部署 | Vertex AI Agent Engine | Mac mini + launchd |
| Observability | GCP 內建 logging / monitoring | 沒有 dashboard，週報式 audit |
| 成本 | per-request 計費 + GCP 基礎建設 | 電費 + Claude/OpenAI/Anthropic API |
我不是在說我的比較好——我的 scale 是個人，Google 的 scale 是企業。Vertex AI Agent Engine 真的可以幫你省掉 80% 的部署痛苦，前提是你接受被 GCP 綁定。
但如果你跟我一樣是個人開發者、家庭 AI 中心、或小團隊：
- ADK 可以拿來用（open source，本地跑沒問題）
- MCP 可以拿來用（協定本身中立）
- A2A 可以參考它的 agent card 設計（資料結構不錯）
- Agent Engine 你真的不需要
四、我從這場 demo 真正學到的東西
撇開 GCP 的銷售包裝，有三個技術點值得收下：
1. Agent Card 的設計
A2A 把 agent 的「能力描述」（agent skill）跟「身份卡」（agent card）拆開，前者是「我能做什麼」，後者是「別的 agent 怎麼跟我講話」。這個拆法比 LangChain 把 description 跟 endpoint 混在一起乾淨。我自己的 file I/O briefing 模板可以參考這個結構。
2. ADK 的 LLM Agent / Sequential / Loop / Parallel pattern
雖然不是新東西，但 ADK 把這四個 pattern 做成 first-class class，而不是讓你自己組 graph，對快速 prototype 是好事。LangGraph 比較強大但學習曲線高一個檔次。
3. 「session 跟 memory 分開」這個區分
ADK 的 session = 短期對話狀態，memory = 跨 session 的長期記憶。這個分法跟我自己 mem0 → memhall 的演進方向一致。短期狀態存 session、長期才寫 memhall——值得 enforce 成設計原則，不要讓所有東西都進長期記憶。
五、結論：別看 hype，看 stack
那段「兄弟們」的爆款帖會繼續流傳，因為它賣的是焦慮。但你真的要做事的時候，看 stack 比看口號重要：
- ADK + MCP + A2A 是 open source，可以拿來用，不會被綁
- Agent Engine 是 GCP 的付費服務，是這場 demo 真正想賣你的東西
- 「一個 CEO + AI 員工」這種敘事，2026 年了還在賣，是因為它從來不需要兌現
我繼續用我的七位一體跑日常，不是因為它比 Google 的方案先進，而是因為它符合我的四層北極星——省 Claude API 成本、去 vendor 綁定、長期存續、保護我自己的注意力。Google 的 stack 在企業場景打勾打到爆，但每打中一個勾，就要綁定一次。
工程決策不是看誰的 demo 好看，是看你願意被誰綁多久。
我是江中喬，一位具有 TPM 與產品管理背景的 AI 系統建構者，目前專注於 AI 認知增強系統與多 Agent 協作架構的設計與實踐。