为期五天的AI智能体强化课程是由谷歌研究人员和工程师创建的实践学习项目。它旨在帮助开发者理解AI智能体的基础知识，并学习如何构建可用于生产环境的智能体系统。课程涵盖模型、工具、编排、内存和评估等核心组件，并展示智能体如何从简单的LLM原型演化为能够在真实环境中运行的可靠系统。
第一天：智能体简介
第一天的白皮书介绍了人工智能智能体的基础知识。它解释了不同的智能体功能，以及智能体运维（Agent Ops）对于可靠性和治理的重要性。它强调了身份和策略约束对于安全性的重要性。
学员将学习到什么？
- 什么是人工智能智能体
- 智能体与普通学习生命周期管理（LLM）提示的区别
- 智能体的核心功能
- 智能体运维的作用
- 身份、策略和安全的重要性
- 如何使用 ADK 和 Gemini 构建一个简单的智能体
第二天：智能体工具及与 MCP 的互操作性
本白皮书探讨了外部工具的使用。它解释了工具如何帮助智能体访问实时数据并执行操作。它还介绍了模型上下文协议（MCP）。该白皮书涵盖了 MCP 架构、通信层以及企业就绪方面的差距。
学员将学习到什么？
- 智能体如何使用工具执行操作
- 如何将 Python 函数转换为智能体工具
- 模型上下文协议 (MCP) 的工作原理
- MCP 如何支持互操作性
- 如何设计安全有效的工具
- 如何构建等待用户批准的智能体
- 长时间运行的工具调用如何运作
第三天：上下文工程、会话和记忆
第三天的白皮书解释了上下文工程。它将会话描述为短期对话历史记录，将记忆描述为长期存储的信息。重点在于构建在多次交互中保持一致的智能体。
您将学习到什么？
- 智能体如何管理上下文信息
- 会话如何存储短期对话历史记录
- 记忆如何存储长期知识
- 上下文工程如何改进多轮对话
- 如何赋予智能体跨会话的持久记忆
- 上下文窗口的结构
- 如何设计更个性化的智能体体验
点击此处访问 Google 关于上下文工程和记忆的研究论文！
第四天：智能体质量
本白皮书重点介绍评估和质量保证。本文将日志、追踪和指标作为可观测性的三大支柱。此外，本文还解释了这些信号如何帮助开发者理解智能体的行为。它还涵盖了可扩展的评估方法，例如使用 LLM 作为评判标准以及人机交互测试。
您将学到什么？
- 如何衡量智能体的可靠性
- 日志、追踪和指标的含义
- 如何调试智能体的行为
- 如何分析工具的使用情况
- 如何使用 LLM 作为评判标准来评估响应
- 如何引入人工评估
- 如何监控智能体的性能变化
第五天：从原型到生产
最终的白皮书描述了 AI 智能体的运行生命周期。它涵盖了部署、扩展以及从原型到企业解决方案的转变。它解释了 Agent2Agent 协议以及该协议如何实现独立智能体之间的通信。
您将学到什么？
- 部署管道的工作原理
- 如何在实际环境中扩展智能体
- Agent2Agent 协议的工作原理
- 智能体如何大规模协作
- 如何使用 Vertex AI 智能体引擎部署智能体
- 如何构建企业级智能体系统
点击此处访问 Google 关于从原型到生产环境的研究论文！
您可以在这里找到 Google 免费 AI 智能体课程的全部信息。
小结
有了正确的指导，学习 AI 智能体比以往任何时候都更加轻松。谷歌的 5 天 AI 智能体强化课程为开发者提供了智能体架构、工具、内存、评估和生产部署方面的完整基础知识。
评论留言