Google ADK 黑客松获奖项目：8 个 agent 产品样本

事件与筛选口径

获奖项目速览

SalesShortcut：把 SDR 流程拆成 34 个 agent

• 奖项 / 团队：总冠军 Grand Prize；Merdan Durdyyev 与 Sergazy Nurbavliyev。Google 的获奖公告把它定义为面向潜客发现、调研、提案生成和外联的 AI Sales Development Representative 系统。1
• 产品形态：项目页称系统由 34 个专门 agent、5 个 Cloud Run 微服务、16+ 工具组成，覆盖 Google Maps 找线索、业务研究、个性化提案、AI 电话外呼、邮件跟进和线索管理。2
• 可验证机会：它不是只给销售写邮件，而是试图端到端替代「找本地商户 → 判断数字化缺口 → 出网站建设方案 → 联系客户」这条链路。若继续创业，最先要验证的是外呼合规、线索质量和成交成本，而不是 agent 数量本身。

Energy Agent AI：能源零售里的客户经营 agent

• 奖项 / 团队：北美区域冠军；David Babu。Google 公告中的一句话定位是「通过 Google ADK 编排改变能源客户管理的 multi-agent AI」。1
• 产品形态：项目页把产品命名为 WattsWise AI，面向能源公司管理 100,000 个模拟客户，结合 7 个 XGBoost 模型与 SHAP 解释，完成客户分群、流失预测、交叉销售、用电计划推荐、营销材料生成等任务。3
• 可验证机会：这里的强信号是「传统行业已有预测模型，但业务人员难以直接用」。agent 的价值不在重新训练模型，而在把模型解释、行动建议和营销执行接到一个可对话界面里。

Edu.AI：围绕巴西 ENEM 考试的多 agent 学习系统

• 奖项 / 团队：拉美区域冠军；Giovanna Moeller。Google 公告称它用自治 agent 评估作文、生成个性化学习计划，并创建跨学科模拟考试。1
• 产品形态：项目页列出 8 个 agent，包括 EssayEvaluatorAgent、PromptBuilderAgent、SimulatedExamAgent、InterdisciplinaryAgent、ContentGeneratorAgent、RephraserAgent、ProgressTrackerAgent 和 PersonalTutorAgent；它还使用 Cloud Vision OCR 处理图片作文。4
• 可验证机会：这类教育产品有明确入口：高频考试、标准化评分规则、学生反复提交作业。创业验证应先盯住评分一致性、教师/学生复用率和地区化内容质量。

GreenOps：把 FinOps 和碳排优化放进云基础设施工作流

• 奖项 / 团队：亚太区域冠军；Aishwarya Nathani 与 Nikhil Mankani。Google 公告给出的定位是自动审计、预测和优化云基础设施的 AI team。1
• 产品形态：Devpost 项目页显示，GreenOps 的 commander agent 会把问题路由给 scout、analyze、recommend、forecast、automate、summarize 等子 agent；项目使用 BigQuery、Climatiq、Cloud Run、Google Docs 和 Drive API 生成报告与演示文稿。5
• 可验证机会：它抓住了一个很硬的预算入口：云成本优化。碳排是差异化叙事，采购更可能先为成本节省买单。项目页也把「执行前预测风险」写成关键设计，这比直接让 agent 改云资源更容易进入企业试点。5

Nexora-AI：让 LLM 直接生成交互式课程体验

• 奖项 / 团队：EMEA 区域冠军；Google 公告列出的团队成员包括 Matthias Meierlohr、Luca Bozzetti、Erliassystems 和 Markus Huber。项目定位是生成带视觉、测验和智能支持的个性化学习体验。1
• 产品形态：项目页称它用 Course Planner、Content Creator、Explainer、Quiz Generator、Interactive Chat、Image 等 agent，把简单学习请求生成课程结构、React 交互组件、Plotly/Recharts 图表和测验。6
• 可验证机会：Nexora 的关键不是「AI 写课」，而是把课程变成交互界面。这里的风险也很直接：AI 生成代码需要验证、沙箱和性能控制，项目页把 ESLint 分析、安全校验和多轮反馈列为管线的一部分。6

Particle Physics Agent：专业科学图示的窄场景自动化

• 奖项 / 团队：荣誉提名 #1；ZX Jin 与 Tianyu Zhang。Google 公告称它把自然语言转换为经过验证的费曼图，结合物理定律和高保真数据。1
• 产品形态：Devpost 项目页描述了 6 个 agent：自然语言解析、知识库检索、物理规则验证、TikZ 代码生成、TikZ 语法检查和反馈迭代；系统使用 PDG 数据、150+ curated examples 与向量检索。7
• 可验证机会：这是「极窄专业工作流」的样本。市场不一定大，但付费理由清楚：研究者、教师和学生需要准确图示，且错误成本高。窄场景 agent 可以用权威数据库和编译校验压低幻觉率。

TradeSage AI：把交易假设拆成研究、反证和提醒

• 奖项 / 团队：荣誉提名 #2；Suds Kumar。Google 公告称它是用 ADK、Agent Engine、Cloud Run 和 Vertex AI 构建的多 agent 金融分析平台。1
• 产品形态：项目页把流程拆为 Hypothesis、Context、Research、Contradiction、Synthesis、Alert 六类 agent；系统把交易想法变成可衡量假设，拉取市场数据、新闻和财务指标，再输出置信度、支持/反对因素和监控提醒。8
• 可验证机会：金融 agent 的需求很强，但合规和数据质量门槛也高。项目后续计划里写到 audit trails、多用户工作区和更多数据源，这些比单次分析报告更接近可卖产品。8

Bleach：用自然语言生成 ADK agent 代码

• 奖项 / 团队：荣誉提名 #3；Vivek Shukla。Google 公告称它是一个视觉 AI agent builder，可用自然语言描述 agent、可视化设计并即时测试。1
• 产品形态：Devpost 页面称 BleachAgentBuilder 是一个开源可视化 agent 创建平台，后端用需求分析、架构规划、agent building、代码生成等 meta-agent，前端提供聊天、agent 图、代码编辑器和实时配置管理。9
• 可验证机会：这是典型「工具造工具」项目。若 ADK 生态继续扩大，降低 agent 开发门槛会有真实需求；难点在于生成代码的正确性、可维护性和部署闭环。项目页声称已生成 50+ 测试 agent，并把一键部署、市场和企业安全列入下一步。9

三个横向信号

下一步跟踪清单

1. 真实客户试点：尤其是 SalesShortcut、GreenOps、Energy Agent AI 这类直接绑定商业流程的项目。
2. 可审计输出：金融、教育和科学图示场景都需要可复核的证据链。
3. 从 demo 到权限系统：一旦进入团队协作，角色权限、日志、回滚和数据隔离会比单次生成能力更重要。
4. 生态依赖：Bleach、Nexora 这类围绕 ADK 或前端运行时构建的产品，要观察它们能否跟随底层框架升级，而不是被框架本身的新功能吞掉。