Google 白皮书《Introduction to Agents》与 Agent 生态更新

Google 发布白皮书《Introduction to Agents》,阐述从概念验证到生产级智能体的构建框架。 - 白皮书发布时间:11月,作为 Google x Kaggle 课程开篇。 - 智能体定义:模型、工具、编排层与运行服务的组合。 - 核心组件:模型(推理)、工具(API/代码/存储)、编排层、部署。 - 智能体流程:获取任务→扫描场景→思考→行动→观察与迭代。 - 系统分级:0到4级(从孤立模型到自演化系统)。 - 架构建议:多模型路由、优先工具使用能力、支持多模态。 - 工具类型:信息检索(RAG/NL2SQL)与执行类(API、代码沙箱、人类交互)。 - 编排选择:自治程度、无代码/代码优先、ADK 等框架。 - 设计模式:系统提示、短期/长期记忆、多智能体协作模式(协调器/顺序/迭代/HITL)。 - 部署选项:本地原型到 Vertex AI Agent Engine、Cloud Run 等云托管。 - Agent Ops:度量(完成率、满意度、延迟)、质量评估、自动化测试与调试(OpenTelemetry)。 - 互操作性:智能体—人类、智能体—智能体(A2A 协议)、智能体—金钱(AP2/x402)。 - 安全与扩展:混合防护、智能体身份(SPIFFE)、控制平面与注册表、防止“智能体蔓延”。 - 演化与学习:运行日志、HITL 反馈、Agent Gym 离线模拟用于持续优化。 - 高级示例:Co-Scientist(研究伙伴)、AlphaEvolve(算法发现与进化评估)。
Key insights
白皮书提出智能体为多组件系统
白皮书将智能体定义为模型、工具、编排层与运行服务的组合,强调智能体不是单一语言模型的简单集成,而是通过循环推理、行动与观察实现目标。白皮书列举核心组件:模型(通用或微调、多模态)、工具(API、代码函数、数据存储)、编排层(规划、记忆、推理策略)与部署(从本地原型到云托管),并举例说明智能体处理多步任务的“思考—行动—观察”循环过程。
智能体系统分为五个级别
白皮书将智能体系统划分为 0 到 4 级:0级为孤立推理模型,1级为接入工具的信息连接型,2级支持复杂规划与上下文工程,3级为协作多智能体系统(以其他智能体为工具),4级为自演化系统(能识别能力差距并创建新工具或智能体)。该分级用于指导从原型到复杂生产系统的设计与治理选择。
架构与实现要点:多模型路由与工具优先
白皮书建议在模型选择上优先考虑任务推理与工具调用能力,提出多模型路由策略(如大模型做规划、小模型做执行)以优化成本与速度。对工具设计提出信息检索(RAG、NL2SQL)与动作执行(API 调用、代码沙箱、人类交互)两类区分,函数调用通过 OpenAPI 或 MCP 集成,并强调多模态处理可通过专用转换工具或多模态模型完成。
Agent Ops:为智能体不确定性建立运维实践
白皮书提出 Agent Ops 概念,作为 DevOps/MLOps 延伸,专注智能体随机性与质量保障。关键实践包括设定目标完成率、用户满意度、延迟等指标;使用语言模型作为评判器做质量评估;通过自动化测试与 A/B 部署验证改动;使用 OpenTelemetry 做执行路径追踪;并把人类反馈转化为新的测试用例以闭环质量改进。
安全、身份与企业级治理要求
白皮书指出单体智能体与企业舰队扩展都需强治理:采用混合防护(确定性护栏 + AI 守卫)、将智能体视为新主体并使用 SPIFFE 做身份验证,示例中包含 ADK 的回调、插件与 Model Armor 注入检测。扩展到企业等级别,需要控制平面(网关与注册表)来防止“智能体蔓延”,并在提示注入与数据泄露方面实施策略与监控。
Google 发布 Go 语言 ADK,支持纯 Go 构建智能体
Google 开源了基于 Go 的 Agent 开发框架 adk-go,允许开发者使用纯 Go 构建与部署智能体应用。该框架符合 Go 习惯的 API 设计,支持模块化多代理系统、容器化与云原生部署(如 Cloud Run),并保持模型无关(针对 Gemini 优化但兼容其他模型),同时提供 Python 与 Java 版本以便跨语言支持。
智能体演化与学习依赖运行数据与离线模拟
白皮书强调智能体需持续学习以避免“老化”,学习源包括运行日志、HITL(人类在环)反馈与外部信号(如政策更新)。提出 Agent Gym 作为离线模拟平台示例,通过合成数据和专家咨询进行离线优化与评估,从而支持工具创建和上下文工程的持续改进。