做 agent prototype 很快，做 production agent 很慢。
差別不是模型，而是部署、狀態、權限、監控、版本、評估、成本、錯誤復原。Google 的路線是：用 Agent Development Kit（ADK）建 agent，再用 Vertex AI Agent Engine 管 production runtime。
ADK 和 Agent Engine 各自負責什麼？
| 元件 | 角色 |
|---|---|
| ADK | 開源 agent development framework |
| Agent Garden | 範例、樣板與可重用 agent 資源 |
| Vertex AI Agent Engine | 受管理 runtime，負責部署與 production 管理 |
| Gemini／其他模型 | 模型層，可依需求選擇 |
| A2A／MCP | agent 溝通與工具連接標準 |
ADK 像是本機與框架層，Agent Engine 像是 production platform。
Agent Engine 補的是 production 缺口
Google Cloud 說 Agent Engine 處理：
- Agent context。
- Infrastructure management。
- Scaling。
- Security。
- Evaluation。
- Monitoring。
- Reliability。
- Session memory。
- Long-term memory。
這些正是 prototype 最常忽略、上線時最痛的地方。
和自架 LangGraph／CrewAI 差在哪？
Agent Engine 不一定要求你用 ADK。Google 提到可部署 ADK、LangGraph、CrewAI 或其他 framework 的 agents，也不限定模型供應商。
差異在 deployment layer：
| 路線 | 適合 |
|---|---|
| 自架 LangGraph／CrewAI | 想完全控制 infra 的團隊 |
| ADK 本機開發 | Google 生態、快速做 agent |
| ADK＋Agent Engine | 需要 Google Cloud production 控管 |
| Gemini API Managed Agents | 想用受管理 agent，但不想先搭完整 runtime |
如果你已經在 Google Cloud，Agent Engine 的整合成本較低。如果你在 AWS、Azure 或自架 Kubernetes，則要評估平台綁定。
Production agent 要補哪些工程？
１．狀態管理
Agent 任務常常跨多輪、跨工具、跨檔案。要設計 session memory、long-term memory、清除策略與權限。
２．Observability
Agent 錯了要知道為什麼。需要 trace、log、tool call record、model decision、error retry。
３．安全與權限
要限制 agent 能呼叫哪些 API、讀哪些資料、寫哪些系統。Agent Engine 可提供平台控管，但應用層仍要做最小權限。
４．Evaluation
不能只測 demo prompt。要建立 regression evals、工具使用測試、拒答測試、權限測試、成本測試。
５．Release management
Agent prompt、tools、模型版本、workflow 都會改。每次改動都可能造成行為變化，需要版本管理。
什麼團隊適合？
適合：
- 已深度使用 Google Cloud。
- 要部署多個內部 agents。
- 需要 enterprise monitoring 與 governance。
- Agent 要接企業資料與 API。
- 有平台工程或 MLOps 團隊。
暫時不急：
- 只做個人 prototype。
- Agent 任務很小。
- 不需要長期狀態。
- 沒有 production SLA。
- 還在驗證使用者需求。
結論
Google ADK＋Vertex AI Agent Engine 的重點，是把 agent 從 demo 推向 production runtime。
ADK 幫你建，Agent Engine 幫你跑、管、監控、擴展。真正要評估的是團隊是否已經需要 production agent 平台，還是先用更輕的 Gemini API Managed Agents 或本機 ADK 就夠。
Agent 不是寫出來就能上線。當它開始記憶、呼叫工具、連接企業資料，production 工程才真正開始。