2025年Agents与基础应用白皮书（英文版）-谷歌_42页_4mb

报告内容总结分析

本文主要探讨了Generative AI代理的概念、架构和应用。文章定义了代理是一种能够通过工具自主感知、规划、执行和调整行为的应用，其核心结构包括模型、工具和指挥层三层架构。

核心概念

1. 模型: 代理的决策中枢，利用语言模型(LM)进行推理，支持ReAct、思维链(Chain-of-Thought)等多种推理框架。

2. 工具: 桥接代理与外部世界，分为三类：

   • 扩展 (Extensions): 在代理端执行API调用，适合自定义工具集成。
   • 函数调用 (Functions): 在客户端执行，适合API限制或安全需求；
   • 数据存储 (Data Stores): 使用向量数据库，支持检索增强生成（RAG）。

3. 指挥层: orchestration layer：负责维持记忆、规划和决策，使用prompt engineering框架（如ReAct、思维链）指导代理。

工具对比

演示与实现

文章使用LangChain示例展示多步骤代理操作，结合SerpAPI和Google Places API实现多功能查询[1]。提及Google Vertex AI代理平台支持全流程托管，包含开发者工具与性能优化机制。

扩展学习策略

三种增强模型策略提升工具使用效果：

1. 上下文学习 (In-context learning): 模型通过示例快速适应任务；
2. 基于检索的上下文学习 (Retrieval-based In-context Learning): 适应未见过数据；
3. 针对性训练 (Fine-tuning): 基于特定数据域进行预训练。

结论

代理技术通过整合工具与推理框架，逐步扩展语言模型能力边界。重点提及代理链式调用技术（Agent Chaining)可组合不同专业模块，实现复杂任务灵活处理，并强调开发过程中需要迭代式优化。

注：所有文献引用信息及示例代码已从示例栏中移除以符合要求。