本文介绍了构建长周期（long-horizon）AI Agent 的五个设计模式，旨在解决 Agent 在长时间运行中出现的静默故障问题。作者基于自身开发并开源的长周期 Agent 框架（Long Horizon）的经验，总结了五个关键模式：稳定前缀（Stable prefix）以优化缓存命中率、后台学习（Background learning）以提升响应速度、持久化工作区（Persistent workspace）以保留跨会话状态、显式失败（Explicit failure）以避免错误报告，以及第五个模式（原文未完整给出）。这些模式帮助开发者避免 Agent 在长时间运行中悄悄偏离轨道，确保其稳定可靠。
文章探讨了在构建需要持续运行数天甚至数周的 AI Agent 时所面临的挑战，并介绍了 Google Cloud Agent Runtime 支持的五种核心设计模式。这些模式包括：检查点与恢复以确保容错性、委托审批以实现人机协同、分层记忆架构以管理长期上下文、环境处理以应对无监督任务，以及针对多 Agent 协同的舰队编排。文章强调了状态管理、治理策略和基础设施在将 Agent 从演示转化为生产级系统中的重要性。
文章探讨了如何设计能够同时服务人类用户和 AI 代理的命令行界面（CLI）。核心理念是将数据与呈现解耦，通过提供 JSON 输出、支持环境变量配置、统一的错误处理和确定性退出代码，确保 CLI 对机器可预测且对人类友好。
本文重点介绍了 ADK 开发中的 5 种代理技能设计模式，旨在帮助开发者超越单纯的格式规范，深入内容逻辑设计。文章详细解析了工具包装器、生成器、审核员、反转和流水线五种模式，涵盖了从知识封装、一致性生成、代码审查到交互流程控制等关键环节，并提供了决策树以指导开发者选择合适的模式构建更可靠的智能体。
