Google ADK เผยสูตร 'agent ที่อยู่ได้เป็นสัปดาห์' — durable state machine + persistent session + event-driven webhook แทนการพยายาม stuff conversation history เข้า context

วันอังคารที่ 12 พ.ค. 2026 ทีม Google Developers ปล่อย tutorial ใหม่ — “Build Long-running AI agents that pause, resume, and never lose context with ADK” — เขียนโดย Shubham Saboo (Senior AI Product Manager) และ Eric Dong (Developer Relations Engineer) เนื้อหายาว ครอบคลุมตั้งแต่ architecture pattern, code snippet ภาษา Python, จนถึง deploy command บน Vertex AI Agent Runtime

ประเด็นใหญ่: ส่วนใหญ่ของ agent tutorial วันนี้หยุดอยู่แค่ stateless chatbot — ลูป conversation ที่ลืมทุกอย่างทันทีที่ container restart แต่ workflow จริงในองค์กรไม่ทำงานแบบนั้น HR onboarding ใช้เวลา 2 อาทิตย์, invoice dispute หยุดรอ vendor reply เป็นวัน ๆ, sales sequence ลากข้าม touchpoint หลายเดือน — มี idle time ยาวที่ stateless agent ไม่รอด

ทำไม stateless agent พังกับ workflow จริง

โพสต์ระบุ failure mode 3 ตัวที่เกิดเมื่อพยายามดัน conversation history ของ 2 อาทิตย์เข้า prompt:

1. Prompt context pollution — history หลายร้อย turn ทำให้ irrelevant chatter + tool output เก่า + instruction ซ้ำท่วม model จน confuse ว่าตอนนี้อยู่ step ไหน
2. Token cost explosion — replay full 2-week history ทุก inference call เผางบ token เร็วมาก ส่วนใหญ่ของ turn ไม่เกี่ยวกับ decision ปัจจุบัน
3. Reasoning hallucination on resume — เมื่อ agent หยุด 3 วันรอ document signature แล้วกลับมา resume model มักจะ “จำ” intermediate step ที่ไม่เคยเกิด เช่น สมมติว่า approval ผ่านแล้วทั้งที่ยังไม่เคยอนุมัติ

วิธีแก้ — ตามทีม ADK — ไม่ใช่ context window ใหญ่ขึ้น แต่เป็น architecture ที่ state ของ agent ชัดเจน, durable, decoupled จาก chat history

3 shift ที่แยก production agent จาก demo chatbot

โพสต์เสนอ pattern 3 ชั้น:

1. Durable state schema — แทนที่จะ dump raw JSON ลง vector DB ให้ define explicit step enum:

class OnboardingStep:
    START = "START"
    WELCOME_SENT = "WELCOME_SENT"
    DOCUMENTS_SIGNED = "DOCUMENTS_SIGNED"
    IT_PROVISIONED = "IT_PROVISIONED"
    HARDWARE_DELIVERED = "HARDWARE_DELIVERED"
    COMPLETED = "COMPLETED"

agent อ่าน {current_step}, {new_hire_details}, {pending_signals} ตรงจาก session state เข้า system instruction — model ไม่ต้อง infer step จาก chat history

2. Persistent session ผ่าน DatabaseSessionService — swap in-memory ทิ้ง ใช้ SQLite local (sqlite+aiosqlite:///sessions.db) หรือ Cloud SQL บน production:

session_service_uri = "sqlite+aiosqlite:///sessions.db"
app = get_fast_api_app(
    agents_dir=AGENT_DIR,
    web=True,
    session_service_uri=session_service_uri,
)

ทุกครั้งที่ tool เขียน ToolContext.state จะถูก checkpoint อัตโนมัติ — kill container กลางทาง restart มาแล้ว resume ที่ checkpoint ถูกต้อง บน Cloud Run ที่ scale-to-zero ระหว่าง idle ก็ทำงานได้

3. Event-driven dormancy gate ผ่าน webhook — ไม่ใช้ active polling หรือ blocked thread expose FastAPI endpoint ที่ external system ยิงเมื่อ event เกิดจริง:

@app.post("/webhooks/document_signed")
async def trigger_document_signed_webhook(payload: WebhookPayload):
    await resume_handler.receive_signed_documents_callback(
        user_id=payload.user_id, session_id=payload.session_id
    )

ใน resume_handler มี key mechanism: state_delta ที่ apply state transition ก่อน inference call ถัดไป:

async for event in self.runner.run_async(
    user_id=user_id,
    session_id=session_id,
    new_message=types.Content(...),
    state_delta={
        "current_step": OnboardingStep.DOCUMENTS_SIGNED,
        "pending_signals": [],
    },
):
    ...

model ตื่นมาเห็น current_step = DOCUMENTS_SIGNED ใน system prompt ทันที — รู้ว่าต้อง delegate IT provisioning ไป sub-agent โดยไม่ต้อง replay history

Multi-agent delegation ลด prompt bloat

แทน monolithic prompt ที่อัด tool ทั้งหมด tutorial แยก it_agent ออกเป็น sub-agent มี prompt + tool ของตัวเอง:

it_agent = Agent(
    name="it_agent",
    model=Gemini(model="gemini-3.1-flash-lite"),
    instruction="""You are an IT Provisioning Agent...""",
    tools=[provision_software_accounts],
)

root_agent = Agent(
    name="hr_onboarding_coordinator",
    model=Gemini(model="gemini-3.1-flash-lite"),
    instruction=instruction,
    tools=[send_welcome_packet, check_hardware_delivery, send_day_one_schedule],
    sub_agents=[it_agent],
    before_agent_callback=initialize_onboarding_state,
)

before_agent_callback รัน initialize_onboarding_state ครั้งแรกที่ user คุยกับ agent — set default ทุกตัวก่อน inference

ทั้ง root agent และ it_agent ใช้ Gemini 3.1 Flash-Lite เป็น default — สอดคล้องกับ GA ของ Gemini 3.1 Flash-Lite ที่ Google ปล่อยใน Vertex AI Agent Platform เมื่อ 9 พ.ค.

Golden eval สำหรับทดสอบ idle time

ส่วนสำคัญที่หลายคนข้าม — โพสต์เสนอ ADK evaluation set ที่ simulate idle time โดย pre-seed state ทำให้ test “agent รอ 48 ชม. แล้ว resume จะ remember ชื่อ new hire ไหม” รันใน CI ได้ในไม่กี่วินาที test เคสที่โชว์: agent ใน WELCOME_SENT ปฏิเสธคำขอ “ข้าม document signing แล้ว provision ก่อน” — ต้องตอบ “waiting for the employee to sign” และไม่เรียก tool ใด ๆ

รันด้วยคำสั่ง:

.venv/bin/adk eval ./app tests/eval/evalsets/idle_time_delay_eval.json \
  --config_file_path tests/eval/eval_config.json

Deploy ขึ้น Agent Runtime

ส่วน production: wrap ด้วย AgentEngineApp(AdkApp) แล้วรัน agents-cli deploy ที่จะจัดการ session persistence, auto-scaling (รวม scale-to-zero), Cloud Trace integration ให้เอง — code เดียวกันที่รันบน SQLite local รันบน managed cloud storage โดยไม่ต้องแก้

source code เปิดให้ clone ที่ GoogleCloudPlatform/generative-ai

มุมมอง AI Curator

โพสต์นี้สำคัญกว่าที่หน้าตาเป็น “tutorial” เพราะมันคือ คำตอบของ Google ต่อ Microsoft Agent Framework + Anthropic Managed Agents ที่ทั้งคู่ shipped pattern คล้าย ๆ กันในช่วง 1-2 เดือนที่ผ่านมา:

Microsoft ใช้ Durable Workflow ผ่าน Microsoft Agent Framework + Durable Task Framework (.NET background) — pattern เดียวกัน: checkpoint + resume + event-driven step Anthropic เปิด Managed Agents beta + Claude Skills/Plugins ที่ Anthropic managed infra หยุดและปลุกได้เอง pattern เดียวกัน ทั้งสาม vendor มาถึง conclusion ตรงกัน: AI agent คือ background process, ไม่ใช่ chat session

สำหรับ developer ไทย 3 สิ่งที่ควรเริ่ม:

1. เลิกเขียน agent ใหม่บน stateless pattern ถ้า workflow มี idle time > 5 นาที state machine + persistent session คือ default ไม่ใช่ “optimization ทีหลัง” — refactor ทีหลังแพงกว่าทำตั้งแต่ต้นมาก
2. เลือก SDK ตาม cloud lock-in ที่ยอมรับได้ ADK + Agent Runtime lock เข้า Vertex AI; Agent Framework lock เข้า Foundry; Anthropic Managed Agents lock เข้า Claude API ทั้งสาม pattern API คล้ายกัน แต่ migration cost ไม่ใช่ศูนย์ — startup ไทยที่ run agent ใน production เริ่มต้องเลือก primary cloud จริงจังแล้ว ไม่ใช่ multi-cloud แบบลอย ๆ
3. Eval framework ที่ simulate idle time = de-risk การ ship จริง สิ่งที่ Google สอนใน tutorial นี้ — pre-seed state แล้ว assert behavior — เป็น regression test pattern ที่ทีม Thai SaaS ที่ใช้ agent ใน production ขาดมาตลอด ตั้งแต่วันนี้ควรเริ่มเขียน golden eval ทุก workflow ก่อน deploy

---

แหล่งข่าว:

• Build Long-running AI agents that pause, resume, and never lose context with ADK — Google Developers Blog (12 พ.ค. 2026)
• GoogleCloudPlatform/generative-ai — new-hire-onboarding sample
• ADK Documentation — adk.dev