Google 11月最新白皮书「Introduction to Agents」—— 作为「Google x Kaggle 5天 AI 智能体强化课程」的开篇，提供从概念验证到生产级智能体系统的指导框架。

Google 这份最新白皮书，聚焦于 AI 智能体的核心架构、分类、构建实践、生产部署、安全治理以及演化学习，客观分析了生成式 AI 从被动预测向自主问题解决的转变，强调智能体是语言模型在软件中的自然延伸，能够通过循环推理、行动和观察来实现目标。

白皮书的核心观点是：构建智能体并非简单集成语言模型，而是设计一个完整的应用系统，需要平衡灵活性和可靠性。

1. 从预测 AI 到自治智能体
AI 正从被动任务（如翻译或生成图像）转向自主智能体，这些系统能独立规划和执行多步任务，而非依赖人类每步指导。智能体结合语言模型的推理能力与实际行动工具，使其成为“语言模型的自然演化，在软件中变得实用”。白皮书强调，从原型到生产级的挑战在于确保安全性、质量和可靠性。

2. 智能体介绍
智能体定义为模型、工具、编排层和运行服务的组合，通过语言模型循环来实现目标。核心组件包括：
· 模型（大脑）：核心推理引擎，如通用模型、微调模型或多模态模型，负责处理信息、评估选项和决策。
· 工具（双手）：连接外部世界的机制，包括 API、代码函数和数据存储，用于获取实时信息或执行行动。
· 编排层（神经系统）：管理操作循环，处理规划、记忆和推理策略（如链式思考或 ReAct）。
· 部署（身体和腿）：从本地原型到安全、可扩展服务器的托管，确保通过 UI 或 API 访问。

开发智能体类似于导演角色：设置指导提示、选择工具并提供上下文。白皮书指出，语言模型的灵活性是双刃剑，需要“上下文工程”来引导可靠输出。智能体本质上是上下文窗口的策展者，能适应新情境解决问题。

3. 智能体问题解决过程
智能体通过连续循环实现目标，分为五个步骤：
1. 获取任务：从用户或触发器接收高水平目标。
2. 扫描场景：感知环境，收集上下文（如用户请求、记忆、工具）。
3. 思考：模型分析任务并制定计划。
4. 行动：执行计划的第一步，如调用工具。
5. 观察与迭代：评估结果，更新上下文并循环。

示例：客户支持智能体处理“我的订单#12345在哪里？”时，先规划多步（查找订单、查询跟踪、合成响应），然后逐一执行。这种“思考-行动-观察”循环使智能体处理复杂任务。

4. 智能体系统分类
白皮书将智能体分为五个级别，每级基于前一级扩展：
· 0级：核心推理系统：孤立语言模型，仅依赖预训练知识，无法实时交互。
· 1级：连接问题解决者：添加工具，能访问外部数据（如搜索 API）。
· 2级：战略问题解决者：支持复杂规划和上下文工程，能主动管理信息。
· 3级：协作多智能体系统：如人类团队，智能体将其他智能体视为工具，实现分工。
· 4级：自演化系统：识别能力差距，动态创建新工具或智能体。

5. 核心智能体架构：模型、工具和编排
· 模型选择：优先考虑特定任务的推理和工具使用能力，而非通用基准。建议多模型路由（如大模型规划、小模型执行）以优化成本和速度。多模态模型处理图像/音频，或使用专用工具转换数据。
· 工具：分为信息检索（如 RAG、NL2SQL）和行动执行（如 API 调用、代码沙箱）。函数调用通过 OpenAPI 或 MCP 连接，确保可靠交互。包括人类交互工具（如 HITL 确认）。
· 编排层：管理循环，决定何时思考或行动。核心选择包括自治程度（确定性 vs. 动态）、实现方法（无代码 vs. 代码优先，如 ADK）和框架（开放、可观测）。

6. 核心设计选择、多智能体系统和设计模式
· 指令与上下文：使用系统提示注入领域知识和角色（如“友好支持智能体”）。增强上下文包括短期记忆（当前会话）和长期记忆（RAG 查询历史）。
· 多智能体：采用“专家团队”模式，避免单一超级智能体。常见模式：协调器（路由子任务）、顺序（流水线）、迭代精炼（生成-批评循环）和HITL（人类审批）。
· 部署和服务：从本地到云托管（如 Vertex AI Agent Engine 或 Cloud Run）。需处理会话历史、安全日志和合规。

7. Agent Ops：结构化处理不确定性
Agent Ops 是 DevOps 和 MLOps 的演化，针对智能体的随机性。关键实践：
· 度量重要指标：如目标完成率、用户满意度、延迟和业务影响。
· 质量评估：使用“语言模型作为评判者”对输出打分，基于黄金数据集。
· 指标驱动开发：自动化测试变化，A/B 部署验证。
· 调试：OpenTelemetry 追踪记录执行路径。
· 人类反馈：将报告转化为新测试用例，关闭循环。

8. 智能体互操作性
· 智能体与人类：通过聊天 UI、计算机使用工具（控制界面）、动态 UI 生成或实时多模态（如 Gemini Live API）交互。
· 智能体与智能体：A2A 协议标准化发现和通信（异步任务）。
· 智能体与金钱：AP2 和 x402 协议处理交易，确保授权和微支付。

9. 安全与扩展
· 单个智能体安全：平衡效用与风险，使用混合防护（确定性护栏 + AI 守卫）。智能体身份作为新主体，使用 SPIFFE 验证。ADK 示例：回调、插件和 Model Armor 检测注入。
· 扩展到企业舰队：处理“智能体蔓延”，通过控制平面（网关 + 注册表）强制政策。关注安全（提示注入、数据泄露）和基础设施（可靠性和成本，如预置吞吐量）。

10. 智能体如何演化和学习
智能体需适应变化，避免“老化”。学习来源：运行经验（日志、HITL 反馈）和外部信号（政策更新）。优化包括上下文工程和工具创建。示例：多智能体工作流学习合规指南。Agent Gym 是前沿：离线模拟平台，使用合成数据和专家咨询优化。

11. 高级智能体示例
· Google Co-Scientist：虚拟研究伙伴，生成并评估假设。通过监督智能体管理专家团队，运行循环改进想法。
· AlphaEvolve：发现算法，结合 Gemini 生成代码和进化评估。人类指导定义问题，确保透明和实用。

12. 结论
智能体将 AI 从工具转变为伙伴，通过模型、工具和编排的集成实现自主性。开发者需从“砖瓦工”转向“导演”，强调评价和治理。这一框架指导构建可靠系统，推动智能体成为团队成员。

Google x Kaggle 5天 AI 智能体强化课程：
https://t.co/0REUoVY2EN
Google 11月最新白皮书「Introduction to Agents」：
https://t.co/Gj7i3a8HGv

点击图片查看原图