2025-01-07-谷歌-2025年Agents与基础应用白皮书_42页_4mb

AI代理白皮书总结

核心概念：

• 代理：一种应用场景，通过目标驱动、工具互动、迭代推理实现自主操作，超越纯语言模型能力。
• 认知架构：代理由模型（决策核心）、工具（与外部交互）、编排层（推理规划）三部分组成，类似于厨师备餐、烹饪、调整的循环过程。

工具类型与作用

1. 扩展（Extension）：
   • 原生集成，代理端执行，支持API调用，缓存示例助力动态选择工具，例如航班、搜索引擎。
2. 函数（Function Calling）：
   • 客户端执行，提供API调用灵活性与数据控制，适用于：安全/身份验证限制、异步操作、避免代理直接调用等。
3. 数据存储（Data Storage）：
   • 通过向量数据库提供实时/结构化数据访问，支持检索增强生成（RAG），缓解模型动态知识更新挑战。

优化模型性能

• 上下文学习：通过任务示例和工具示例提升模型应变能力（如ReAct）。
• 检索式上下文学习：动态补充外部信息与工具示例（如RAG架构）。
• 微调：通过大规模领域数据优化模型对特定工具的适用性。

实现框架与_PROD应用

• LangChain：开源工具链，支持链式调用、编排层逻辑（ReAct/Chain-of-Thought），实现复杂多阶段任务，示例为足球赛程与体育馆地址查询。
• Vertex AI代理：托管平台，集成扩展、API调用和数据存储，通过自动化编排层管理代理任务，支持端到端开发。

未来发展

• 专业代理链（Agent Chaining）：通过多Agent协作解决复杂任务。
• 本土化开发：聚焦领域模型微调，提升任务效果。
• 迭代开发：通过测试、评估持续优化，结合流行推理架构与API协同机制。

Conclusion
代理的实现需结合模型能力、动态工具配置和稳健编排框架。工具类型、推理链设计和生产部署策略的选择，应基于特定用例的可控性、安全性及数据策略。 Agent技术正在推动从[通用语言处理]向智能、系统赋权的应用方向进化。