谷歌｜Agents（智能体）白皮书

一、什么是智能体（Agent）？

• 智能体是一个自主的程序，能够通过观察环境、使用工具、执行动作来实现目标。

• 它超越了大语言模型（LLM）本身的能力，具备推理、规划和自主行动的能力。

• 智能体的核心是认知架构（Cognitive Architecture），包括模型、工具和协调层。

二、智能体的三大核心组件

1. 模型（Model）

• 作为智能体的“大脑”，负责推理和决策。

• 可以使用多种推理框架（如 ReAct、Chain-of-Thought、Tree-of-Thoughts）。

• 模型可以是通用型或多模态模型，也可针对特定任务进行微调。

2. 工具（Tools）

• 工具是智能体与外部世界交互的桥梁，包括：

• Extensions（扩展）：让智能体直接调用外部 API（如 Google Flights API）。

• Functions（函数）：由模型生成函数调用参数，实际执行由客户端完成。

• Data Stores（数据存储）：提供动态数据源（如 RAG 应用中的向量数据库）。

• 工具使智能体能够获取实时信息、执行操作（如发送邮件、查询天气等）。

3. 协调层（Orchestration Layer）

• 管理智能体的记忆、状态、推理循环。

• 通过循环流程（观察-思考-行动）逐步推进任务，直到达成目标。

• 支持多轮对话和上下文管理。

三、智能体 vs 传统模型

四、工具类型详解

1. Extensions

• 提供标准化的 API 连接方式。

• 智能体通过示例学习如何调用 API。

• 示例：Gemini 应用中的 Google Flights 扩展。

2. Functions

• 模型生成函数名和参数，由客户端执行。

• 适用于需要客户端控制、安全限制或异步处理的场景。

3. Data Stores

• 通过向量数据库实现检索增强生成（RAG）。

• 支持结构化与非结构化数据（PDF、网站、数据库等）。

• 流程：查询 → 向量化 → 匹配 → 检索 → 生成回答。

五、提升模型性能的方法

• 上下文学习（In-context Learning）：通过提示词和示例让模型快速适应任务。

• 基于检索的上下文学习：动态从外部存储中获取相关示例和数据。

• 微调（Fine-tuning）：使用特定数据集对模型进行预训练，提升专业领域能力。

六、实战示例

• 使用 LangChain + LangGraph 构建智能体，结合 SerpAPI 和 Google Places API 回答复杂查询。

• 展示了智能体如何通过多步推理（ReAct）调用工具完成目标。

七、生产级应用：Vertex AI Agents

• Google Vertex AI 提供全托管环境，支持快速构建、测试和部署智能体。

• 包含 Agent Builder、Extensions、Function Calling、Example Store 等功能。

• 示例架构展示了如何将 UI、模型、工具、API 等组件集成在一起。

八、总结与展望

• 智能体通过工具和推理架构极大扩展了 LLM 的能力。

• 未来趋势包括：工具更智能、推理能力更强、多智能体协作（Agent Chaining）。

• 建议采用迭代方式开发智能体，结合业务需求选择合适的工具和架构。