内容提要
本文介绍Kaggle与谷歌联合推出的免费自定进度课程“5天AI智能体强化课”,课程基于Gemini和谷歌开源框架ADK,每天配有白皮书与实操笔记本,内容涵盖:何时需要智能体及多智能体编排模式;用工具与MCP协议连接外部世界;会话与长期记忆提供上下文;可观测性与评估衡量智能体质量;以及Agent2Agent协议和Vertex AI部署。作者强调应同时评估最终答案与执行路径,并建议优先采用顺序流水线架构。
延伸解读
从单次调用到循环:智能体的本质变化
文章指出,智能体在单次提示-响应之外增加了一个循环:模型选择动作、调用工具、读取返回结果并决定下一步。这带来了单次调用不会出现的问题,例如如何记住上一轮对话、如何判断工具选择是否正确,以及如何让智能体在笔记本之外运行。理解这个循环是学习后续工具、记忆和评估等内容的基础。
多智能体编排:优先选择顺序流水线
课程介绍了多种多智能体连接方式,包括父智能体选择子智能体、顺序流水线、并行分支和循环。作者建议优先采用顺序流水线,因为它按固定顺序运行,一旦失败可以定位到具体阶段;而让模型在子智能体之间做选择时,需要先进行追踪才能知道发生了什么。这一建议对实际搭建多智能体系统有参考价值。
工具描述质量直接影响调用准确性
模型仅根据工具描述来决定如何调用函数工具,因此课程的最佳实践笔记本重点讲解文档字符串、类型提示和结构化返回值。作者的经验法则是:当智能体选错工具时,先检查工具描述,再考虑修改提示词。这说明工具接口的清晰度比反复调整提示词更能减少错误调用。
评估智能体:同时关注答案与执行路径
智能体具有非确定性,相同输入可能走不同路径,因此仅靠最终抽查不够。课程强调可观测性(日志、追踪、指标)和评估,评估既要给最终响应打分,也要给过程打分,例如调用了哪些工具、顺序如何。作者指出,正确答案可能掩盖糟糕路径:一个智能体本可调用一次工具却调用了三次,答案相同但成本翻三倍。
Q&A
Kaggle和谷歌的5天AI智能体课程是免费的吗?现在还能学吗?
是的,该课程免费,最初于2025年11月10日至14日直播,现在作为自定进度课程在Kaggle上提供,包含白皮书、实操笔记本、播客和直播录像,可随时按自己的节奏学习。
在ADK中,一个智能体由哪些部分组成?
在ADK中,智能体是一个小包,包含名称、模型、供其他智能体阅读的描述、设定行为的指令以及工具列表。由运行器执行,实验可用内存运行器,实际应用需要持久化运行器。
多个智能体协作有哪些编排模式?作者推荐哪种?
课程涵盖四种模式:父智能体选择调用子智能体、顺序流水线、并行分支、循环直到满足条件。作者推荐优先采用顺序流水线,因为固定顺序运行,失败时能定位到具体阶段,而模型选择子智能体需要追踪才能知道发生了什么。
智能体工具分为哪几类?如何提高函数工具的调用准确性?
工具分四类:内置工具(如谷歌搜索)、函数工具(包装Python函数)、智能体工具(将子任务交给另一个智能体)、MCP工具(通过协议连接外部服务)。提高函数工具准确性需注重文档字符串、类型提示和结构化返回值,描述越清晰,错误调用越少。
ADK中的短期记忆和长期记忆有什么区别?
短期记忆是会话,即对话历史,由会话服务管理;长期记忆在会话之外,通过记忆服务搜索,使事实能保留到下一次对话。记忆服务有不同形式:内存版按关键词搜索,托管服务可按语义搜索。随着会话增长,上下文压缩和缓存可控制成本与上下文大小。
为什么评估智能体时既要看最终答案也要看执行路径?
因为智能体是非确定性的,相同输入可能走不同路径,仅检查最终答案可能掩盖低效或错误路径。例如智能体本可一次调用工具却调用了三次,答案相同但成本三倍。评估应同时评分最终响应和执行过程(如调用了哪些工具及顺序),并持续运行以尽早发现回归。
智能体部署到生产环境需要考虑哪些方面?
课程最后一天涵盖部署:使用Agent2Agent协议让不同团队、框架和语言的智能体通过代理卡互相发现和通信;将智能体部署到托管运行时Vertex AI Agent Engine;引入CI/CD和AgentOps实践以保持智能体运行。ADK还支持Go和Java。