从预测到行动：Google 5 天 AI 智能体 (AI Agents) 强化课程完全指南

写在前面 ​

本文核心内容严谨基于 Google 与 Kaggle 联合推出的 5-Day AI Agents Intensive Course 及其配套白皮书。这是 Google 官方为全球开发者提供的关于 AI 智能体设计、构建与部署的权威指南。

🎧 更喜欢听？试试本文的音频版本

# Google 5 天 AI Agents 强化课程
## Day 1：智能体基础
- 什么是 AI Agent
- 三大核心组件
  - 模型 (Model)
  - 工具 (Tools)
  - 编排层 (Orchestration)
- 智能体分级体系 (Level 0-4)
- 认知架构
  - ReAct (推理+行动)
  - Chain-of-Thought
  - Tree-of-Thought
- 实验：使用 ADK 构建第一个 Agent
## Day 2：工具与 MCP
- 工具调用机制
- MCP 协议详解
  - Host / Client / Server
  - 工具发现与调用
- Extensions vs Functions
- 长时间运行任务
- 实验：MCP Server 开发
## Day 3：上下文工程
- 提示工程 vs 上下文工程
- 会话管理 (Sessions)
- 记忆系统
  - 短期记忆 (Context Window)
  - 长期记忆 (Vector DB)
  - 情景记忆 (Episodic)
- RAG 检索增强生成
- 实验：ADK 记忆管理
## Day 4：智能体质量
- 为什么传统测试失效
- 评估框架
  - LLM as a Judge
  - Human-in-the-Loop
- 黄金数据集构建
- 轨迹追踪 (Tracing)
- 日志、指标与监控
## Day 5：生产与多智能体
- 从原型到生产
- Multi-Agent 系统
  - Router 路由
  - Specialists 专家团队
- A2A 协议
  - Agent Card
  - 任务委托
- Vertex AI Agent Engine
- 实验：部署到 Google Cloud

课程背景 ​

这门课程于 2025 年 11 月 10-14 日在 Kaggle 平台进行了 5 天的直播教学，目前已转为自学指南形式开放，全球开发者可随时免费学习。

课程的核心理论基础来自 Google 于 2024 年 9 月发布的权威白皮书《Agents》，作者为 Google 的 Julia Wiesinger、Patrick Marlow 和 Vladimir Vuskovic。该白皮书系统性地阐述了 AI Agent 的架构设计、工具集成与编排策略。

从 ChatBot 到 Agent ​

人工智能正在经历一场从 "ChatBot" 到 "Agent" 的范式转移。

多年来，我们习惯了预测型 AI（如推荐系统）和生成式 AI（单纯的问答）。这种模式虽然强大，但通常需要人类一步步地指引（Prompting）。

现在，我们正迈向智能体 AI (Agentic AI) 的新时代。AI 不再仅仅是回答问题或生成图片的工具，而是变成能够自主解决问题、制定计划并执行任务的智能软件。

AI 智能体 (AI Agent) = 大语言模型 (推理) + 工具 (行动) + 编排 (规划)

简而言之，智能体是为了达成目标，在循环中主动使用工具的大语言模型。

本文将为您详细还原这门由 Google 顶级专家打造的 5 天强化课程，带您从理论到实践，掌握构建生产级智能体系统的全貌。

课程全景图 (The 5-Day Roadmap) ​

这门课程的设计非常精妙，它并不是简单地堆砌技术，而是模拟了一个开发者的成长路径：

课程工具栈 ​

本课程使用以下核心技术栈：

Day 1: 智能体基础与架构 (Agents & Architectures) ​

什么是 AI Agent？ ​

在深入技术细节之前，让我们先明确定义：

AI Agent（智能体） 是一种软件系统，它利用 AI（通常是大语言模型）来实现目标并为用户执行任务。与传统的聊天机器人不同，Agent 具备推理、规划、记忆能力，能够自主决策并适应环境变化。

Agent vs ChatBot 的核心区别：

核心解剖学：三大支柱 ​

如果把 AI 智能体比作一个人，我们可以拆解为三大核心组件：

智能体分级体系 (Level 0 - Level 4) ​

Google 在课程中提出了一个5 级智能体分类体系，帮助开发者理解不同复杂度的 Agent 系统：

认知架构：Agent 如何"思考" ​

Google 在白皮书中介绍了几种主流的认知架构，它们决定了 Agent 如何处理复杂任务：

1. ReAct (Reasoning + Acting) ​

ReAct 是目前最流行的 Agent 架构之一，它将推理 (Reasoning) 和行动 (Acting) 交织在一起：

思考 (Thought) → 行动 (Action) → 观察 (Observation) → 思考 → ...

ReAct 的优势：

• 可解释性强：每步都有明确的思考过程
• 动态适应：能根据观察结果调整策略
• 错误恢复：发现问题可以重新规划

2. Chain-of-Thought (CoT) 思维链 ​

将复杂问题分解为逻辑步骤，逐步推理：

问题 → 步骤1 → 步骤2 → 步骤3 → 答案

适用场景：数学问题、逻辑推理、多步骤计算

3. Tree-of-Thought (ToT) 思维树 ​

探索多个推理路径，评估并选择最优解：

          问题
         /  |  \
      路径A 路径B 路径C
      /  \    |    \
    ...  ... ...   ...
          ↓
       最优路径

适用场景：创意写作、策略游戏、需要探索多种可能的任务

智能体的思考模式：Think-Act-Observe 循环 ​

人类解决问题通常遵循 "OODA Loop"（观察-调整-决策-行动）。智能体也类似，通常遵循 Think-Act-Observe Loop：

实际案例：

1. 接收任务 (Get the Mission)："帮我安排下周去上海的差旅"。
2. 扫描环境 (Scan the Scene)：检查记忆（用户偏好）和工具（携程 API）。
3. 思考规划 (Think it Through)："第一步，先查下周一的航班..."
4. 执行行动 (Take Action)：调用 search_flights(dest="Shanghai")。
5. 观察结果 (Observe and Iterate)：获得航班列表，存入记忆，开始规划下一步。

Day 1 实验：使用 ADK 构建第一个 Agent ​

课程在第一天就让学员动手实践，使用 ADK (Agent Development Kit) 构建 Agent：

ADK (Agent Development Kit) 是 Google 于 2025 年 4 月在 Google Cloud NEXT 大会上发布的开源框架，专门用于构建、管理、评估和部署 AI Agent。

ADK 核心特性：

Day 1 Codelab 任务：

1. 使用 ADK 创建一个简单的 Agent
2. 构建第一个 Multi-Agent 系统

Day 2: 工具与互操作性 (Tools & MCP) ​

这一天是关于如何让智能体"走出真空"，与现实世界交互。而其中的核心技术就是 MCP (Model Context Protocol)。

工具调用机制 ​

在 Agent 系统中，工具 (Tools) 是连接 AI 与外部世界的桥梁。Google 将工具分为三类：

什么是 MCP？(Model Context Protocol) ​

对于初学者来说，MCP 就像是 AI 时代的 USB 接口。

• 没有 MCP 之前：如果你想让 AI 连接 Google Drive，你需要写一段专门的代码；想连接 Slack，又要写一段代码；想连接本地数据库，还得写一段代码。每接一个新工具，就像要配一根专用的数据线。
• 有了 MCP 之后：大家约定好一种通用的插口标准。Google Drive 提供一个 MCP Server，Slack 也是，数据库也是。你的 AI (作为 MCP Client) 只需要支持 MCP 标准，就可以即插即用，轻松连接所有这些工具。

🔍 深度解释： MCP 是一个开放标准，用于在 LLM 应用程序（如 Claude Desktop, Cursor, 或你的 Agent）和 外部数据源/工具 之间建立安全、双向的连接。 它主要包含三个角色：

1. MCP Host (主机)：AI 应用程序（如你的 Agent）。
2. MCP Client (客户端)：Host 内部的连接器。
3. MCP Server (服务端)：提供数据或工具的一方（如一个读取本地文件的服务）。

为什么 MCP 如此重要？ ​

它解决了 AI 落地的**"最后一公里"**问题：

实际价值：你可以快速写一个 MCP Server 来查询你公司的内部库存系统，任何支持 MCP 的 AI 助手都能立刻获得查询库存的能力，而无需重新训练模型。

Day 2 实验：MCP Server 开发 ​

课程第二天的 Codelab 任务：

1. 理解 MCP 协议的工作原理
2. 开发一个自定义 MCP Server
3. 将 MCP Server 集成到 Agent 中
4. 处理长时间运行的异步操作

Day 3: 上下文工程 (Context Engineering) ​

Prompt Engineering (提示工程) 是教 AI "怎么说话"，而 Context Engineering (上下文工程) 是给 AI "植入记忆"。

提示工程 vs 上下文工程 ​

会话管理 (Sessions) ​

在 ADK 中，Session（会话） 是管理短期状态的核心机制：

Session 的作用：

• 维护当前对话的上下文
• 存储临时状态（如购物车内容）
• 追踪对话历史

记忆的层级 ​

在 Google 的架构中，智能体的记忆不仅仅是聊天记录，它被设计为多层结构：

1. 短期记忆 (Short-term Memory) ​

• 即 Context Window (上下文窗口)。
• 存储当前的对话历史、临时的思考过程。
• 就像你的大脑内存，关机（结束会话）即忘。
• ADK 实现：Session State 自动管理

2. 长期记忆 (Long-term Memory) ​

• 通常通过 Vector Database (向量数据库) 实现。
• 存储用户画像、历史偏好、知识库文档。
• 就像你的笔记本或硬盘，永久保存。
• ADK 实现：通过 Memory Service 集成

3. 情景记忆 (Episodic Memory) ​

• 这是更高级的形态。
• 它能记住事件的因果关系和时间线，而不仅仅是零散的知识点。
• 例如：记住"用户上次订了意大利餐厅后说太辣了"这个完整事件。

RAG (Retrieval-Augmented Generation) ​

RAG 是上下文工程中最重要的技术之一：

RAG 的价值：

• 扩展 LLM 的知识范围（超越训练截止日期）
• 接入私有数据（企业文档、产品手册）
• 减少幻觉（基于检索的事实生成）

Day 3 实验：ADK 记忆管理 ​

课程第三天的 Codelab 任务：

核心学习目标：

1. 使用 ADK 的 Session 机制管理对话历史
2. 实现 Memory 服务，让 Agent 记住用户偏好
3. 掌握上下文窗口优化技巧，避免 Token 浪费

Day 4: 智能体质量 (Agent Quality / Agent Ops) ​

这是从"玩具"迈向"产品"最关键的一步。传统的软件测试（Output == "Hello"）在 AI 时代失效了，因为 LLM 的输出是概率性的。我们需要新的方法论。

为什么传统测试失效？ ​

Agent 评估的三大支柱 ​

1. 黄金数据集 (Golden Dataset) ​

你需要建立一套考题库：

最佳实践：

• 覆盖正常场景、边界情况、恶意攻击
• 定期更新，反映真实用户行为
• 包含不同难度级别

2. LLM as a Judge (让 AI 当裁判) ​

既然人工评分太慢，那就用另一个强大的模型来给智能体的回答打分：

# 伪代码示例
judge_prompt = """
请评估以下 Agent 回复的质量：

问题：{question}
回复：{response}
参考答案：{reference}

评分维度（1-5 分）：
1. 准确性：回答是否基于事实？
2. 有用性：是否解决了用户问题？
3. 安全性：是否包含有害信息？
4. 完整性：是否遗漏关键信息？

请给出每个维度的分数和理由。
"""

常用评估维度：

3. 链路追踪 (Tracing) ​

当 Agent 出错时（例如死循环），你不能只看结果。你需要像看电影回放一样，查看它的思考轨迹 (Trajectory)：

追踪需要回答的问题：

• 它第一步想了什么？
• 它调用了哪个工具？参数传对了吗？
• 工具返回了什么错误信息？
• 它是如何根据错误信息修正计划的？

推荐工具：

• OpenTelemetry：分布式追踪标准
• LangSmith：LangChain 生态的追踪工具
• Weights & Biases：ML 实验追踪

日志、指标与监控 ​

生产环境中需要监控的关键指标：

Day 4 实验：可观测性与评估 ​

课程第四天的 Codelab 任务：

核心学习目标：

1. 使用 ADK 内置的追踪功能，记录每一步决策过程
2. 构建针对你的业务场景的黄金测试数据集
3. 实现自动化评估流水线，持续监控 Agent 质量
4. 设置告警规则，及时发现性能下降

Day 5: 生产环境与未来 (Production & Scaling) ​

最后一天，我们探讨如何把 Agent 真正部署到生产环境，以及未来的 Multi-Agent (多智能体) 形态。

从原型到生产 ​

将 Agent 部署到生产环境需要考虑的因素：

从单打独斗到团队协作 (Multi-Agent Systems) ​

随着任务变复杂，一个全能的 Agent 往往会顾此失彼。Google 提倡 "专家团队" 模式：

角色分工：

Agent2Agent (A2A) 协议 ​

这是 Google 对未来的愿景——让不同公司、不同平台的 Agent 能够互相协作。

A2A 协议 是 Google 于 2025 年 4 月发布的开放标准，旨在让 AI Agent 能够互相发现、认证并委托任务，形成一个巨大的智能体互联网络。

A2A vs MCP：

A2A 核心概念：

想象一下：你的 "私人助理 Agent" 可以直接与 "携程的订票 Agent" 对话。它们之间传输的不是自然语言，而是结构化的 Tasks (任务) 和 Handshakes (握手信号)。

Vertex AI Agent Engine ​

Google Cloud 提供的生产级 Agent 部署平台：

Day 5 实验：生产部署与 A2A 协作 ​

课程最后一天的 Codelab 任务：

核心学习目标：

1. 使用 A2A 协议让多个 Agent 互相发现和协作
2. 编写 Agent Card 描述你的 Agent 能力
3. 将 Agent 部署到 Vertex AI Agent Engine
4. 配置生产级监控、日志和告警

总结 ​

Google 的这门 5 天课程不仅是技术的教学，更是一种思维的升级。它告诉我们：

构建 Agent 不仅仅是写好 Prompt，而是在构建一个完整的软件系统。

核心 Takeaways：

踏出这一步，你就不再只是 Prompt Engineer，而是 Agent Architect (智能体架构师)。

权威参考资料 ​

您可以通过以下链接获取课程的原始资料和更深度的内容：

课程与白皮书 ​

开发工具 ​

Google Cloud 平台 ​