今天先来大致了解一下这份新的Agent白皮书里有哪些内容。
1.什么是AI Agent： Agent被定义为一个完整的应用程序，它结合了四个要素：
模型 ： 核心的推理引擎。
工具： 连接世界、执行操作的机制（如API、数据库）。
编排层 ： 管理操作循环（如规划、记忆）。
部署 ： 使其成为可靠服务的生产环境。
（通用Agent架构和组件）
2.Agent解决问题的过程：Agent通过一个五步循环来工作：
第一步，获取任务 (Get the Mission)： 收到一个高层目标。
第二步，扫描场景 (Scan the Scene)： 收集环境和记忆中的上下文。
思考 (Think It Through)： 制定或调整一个多步骤计划。
采取行动 (Take Action)： 执行计划中的一步（例如调用一个工具）。
观察与迭代 (Observe and Iterate)： 观察行动结果，更新记忆，然后重复思考步骤。
3.Agent系统分类法：这份白皮书提出了一个5级分类法来界定代理的能力：
级别 0： 核心推理系统（单独的LM，没有工具） 。
级别 1： 互联的问题解决者（能使用工具获取实时信息） 。
级别 2： 战略性的问题解决者（能为复杂的多步骤目标制定计划）。
级别 3： 协作式多代理系统（由“专家”代理组成的团队协同工作）。
级别 4： 自我进化的系统（能动态创造新工具或新代理来填补能力空白）。
4.Multi-Agent 系统
解决复杂任务的最佳方式不是构建一个Super Agent，而是采用专家团队的模式 。包括使用“协调器”模式（一个“Manage” Agent分配任务）或“迭代优化”模式（一个“Generator Agent”和一个“Critic Agent”）。
5.Agent部署
这份白皮书里讨论了如何将代理部署到服务器上，例如使用Vertex AI Agent Engine或Cloud Run/GKE等容器化服务 。
6.Agent Ops（Agent运维）
这是管理Agent系统“不可预测性”的结构化方法，是DevOps和MLOps的演进 。
7.Agent评估
确定Agent评估指标：如目标完成率、成本。
评估方式LM-as-Judge：由于代理的输出是概率性的，不能用简单的“通过/失败”测试，而是使用一个强大的模型根据预定义的标准来评估输出质量。
8.Agent交互性
Agent与人的交互：通过聊天界面、动态UI或实时的“实时模式”进行多模态通信 。
Agent之间的交互： 使用 A2A（Agent2Agent）协议，代理可以通过发布“代理卡”（Agent Card）来被发现，并通过异步任务进行通信。
Agent与Money的交互: 讨论了新兴的支付协议（如AP2），以实现安全的代理交易 。
9.Agent安全性
对于单个Agent，安全性是在效用和风险之间进行权衡 。这份白皮书推荐采用混合方法：
确定性护栏： 硬编码的规则（例如，阻止超过100美元的购买）。
基于推理的防御： 使用专门的“护卫模型”来审查Agent的计划 。
对于企业级安全性：
Agent身份： Agent是继人类用户和服务账户之后的第三类主体。它们需要自己可验证的身份（如SPIFFE），以实现最小权限的精细化控制 。
治理： 为防止“Agent sprawl”（代理泛滥），企业需要一个中央网关或控制平面来管理所有Agent的流量、身份验证和策略执行 。
10. Agent学习和进化
Agent通过运行时经验（如日志、人类反馈）和外部信号（如更新的公司政策）进行学习 。通过增强上下文工程（优化提示）或工具优化（动态创建新工具）来进化 。
示例：
AlphaEvolve Agent： 一个使用进化过程来发现和优化算法的AI Agent。
本文由公众号“草莓派”授权转载｜ https://mp.weixin.qq.com/s/bHj_YLtzGWtQguUHrP_tvA ｜（编辑：ZN）
⬆ 扫码加入AI产品交流社群，你有机会得到：
- 最值得关注的AI产品；
- 最新鲜的 AI 产品资讯；最实用的AI产品使用经验；
- 还有不定期赠送热门新品的邀请码、会员码。