中文译本。原文见同目录 README.md

第 1 课：什么是 AI Agent？

引言

你大概用过 ChatGPT、Gemini 或 Claude 来回答问题或写代码。你输入一些内容，得到回复，然后继续做事。那是语言模型在做它该做的事——根据你的输入预测有用的文本。

AI Agent 则不同。Agent 可以思考、行动和记忆。它不只是回答你的问题——它会弄清要采取哪些步骤，用工具执行这些步骤，并根据过程中发生的情况调整做法。

可以这样想：如果你招了一名新工程师，却只让他们说话，从不碰键盘、开浏览器或读文档，他们就会很受限。那就是单独的 LLM。现在给这名工程师访问你的代码库、终端、公司文档，以及提出澄清问题的能力。那就是 Agent。

本课讲解什么是 AI Agent、它与普通语言模型有何不同、哪些组件让它运转，以及何时该用（和不该用）它们。

用白话说：什么是 AI Agent？

AI Agent 是一个软件系统，以语言模型作为核心推理引擎，并具备在真实世界中采取行动的能力。这些行动可能包括：

  • 搜索网页
  • 查询数据库
  • 调用 API
  • 读写文件
  • 发送邮件
  • 运行代码

关键区别是自主性。普通 LLM 响应单次提示。Agent 接收一个目标，然后独立决定采取哪些步骤、执行这些步骤、观察结果，并持续进行，直到目标达成（或判定目标无法达成）。

新员工类比

想象你招了一名新软件工程师。第一天你不会指望他们什么都懂。但你会期望他们：

  1. 阅读文档以理解代码库
  2. 使用工具，如 IDE、终端和浏览器
  3. 提问当有不清楚的地方
  4. 拆解任务为更小的步骤
  5. 检查自己的工作再说做完了
  6. 从错误中学习并调整做法

AI Agent 以同样方式工作。它有知识基础（语言模型）、工具访问权，以及管理「思考—行动—观察」循环的编排层。

LLM 与 Agent：有何不同？

这是尽早内化的最重要区别。

方面 LLM（单独） AI Agent
做什么 基于提示生成文本 通过多步追求一个目标
交互 单轮（或多轮聊天） 思考与行动的自主循环
工具 无——文本进、文本出 可调用函数、API、搜索等
记忆 限于上下文窗口 可跨步骤持久保存信息
决策 回应你所问 自行决定下一步做什么
错误处理 给你一个答案（对或错） 可观察错误并用新方法重试

一个有用的心智模型：

  • LLM = 大脑
  • Agent = 大脑 + 双手 + 记忆

大脑（LLM）做推理。双手（工具）让它行动。记忆（状态管理）让它跟踪已发生什么、还需要做什么。

一个具体例子

仅 LLM： 你问「GOOG 股票当前价格是多少？」模型可能说「根据我上次训练数据，大约 $140」——可能已过期数月。

Agent： 你问同样的问题。Agent 想：「我需要当前股价数据，应该用金融 API。」它调用股价工具，拿到实时价格，返回准确答案。若 API 调用失败，它可能换一个数据源再试。

那个循环——思考、行动、观察、重复——正是让 Agent 成为 Agent 的东西。

AI Agent 的核心组件

无论框架如何，每个 Agent 系统都有三个基本组件：

1. 模型（大脑）

这是位于 Agent 中心的语言模型。它负责：

  • 理解用户目标
  • 推理要采取哪些步骤
  • 决定使用哪个工具（以及用什么参数）
  • 解释工具调用的结果
  • 生成最终回复

你选的模型很重要。更难的任务（多步推理、复杂代码生成、细腻决策）受益于 Gemini 或 Opus 等前沿模型。更简单的任务（分类、抽取、直白问答）可用 Gemini Flash 等更轻模型以节省成本与延迟。

2. 工具（双手）

工具让 Agent 能与文本生成之外的世界交互。没有工具，Agent 只是聊天机器人。有了工具，它可以：

  • 检索信息：搜索网页、查询数据库、读文件
  • 采取行动：发邮件、建工单、部署代码
  • 计算：跑计算、执行代码、转换数据

工具通常定义为带有清晰名称、描述和参数 schema 的函数。模型决定何时以及如何调用它们。我们将在第 3 课深入讲工具。

3. 编排层（控制循环）

这是把模型与工具连成可运行系统的胶水。编排层管理：

  • Agent 循环：思考 -> 行动 -> 观察 -> 重复
  • 状态管理：目前发生了什么、模型需要什么上下文
  • 错误处理：工具调用失败时怎么办
  • 终止条件：何时停止循环并返回结果
  • 护栏：安全检查、输出校验、范围限制

最简单的编排模式大致如下：

1. Receive user goal
2. Send goal + available tools to the model
3. Model returns either:
   a. A final answer -> Return to user
   b. A tool call -> Execute the tool, add result to context, go to step 2

这常称为 ReAct 循环（Reasoning + Acting）。还有更复杂的模式——我们会在后续课程中探讨。

组件如何协同

User Goal
    |
    v
+-------------------+
| Orchestration     |
| Layer             |
|                   |
|  +-------------+  |
|  |   Model     |  |    "I need to search for X"
|  |  (Brain)    |--+--->  Tool Call
|  +-------------+  |         |
|        ^          |         v
|        |          |  +-------------+
|        +----------+--+   Tools     |
|     Tool results  |  |  (Hands)   |
|                   |  +-------------+
+-------------------+
    |
    v
Final Response

Agent 系统的分类

并非所有 Agent 都一样。按自主性与能力，从 Level 0 到 Level 4 来看很有帮助。

Level 0：基础推理（简单 LLM）

是什么： 语言模型回答问题，无工具、无记忆。

例子： 你问 Gemini「解释 CAP 定理」，它根据训练数据给出清晰解释。

能力：

  • 文本生成与理解
  • 单轮或多轮对话
  • 无外部数据访问
  • 无法采取行动

何时效果好： 常识问题、创意写作、头脑风暴、对已提供文本的摘要。

Level 1：联网问题解决者（使用工具的 Agent）

是什么： 能调用工具以检索信息或执行简单行动的模型。这是从「聊天机器人」跨到「Agent」的分界。

例子： 可通过调用订单 API 查订单状态的客服机器人，或可搜索文档的编程助手。

能力：

  • Level 0 的全部
  • 函数调用（工具）
  • Retrieval-Augmented Generation（RAG）以锚定真实数据
  • 简单的单步或少步任务完成

何时效果好： 需要当前数据、API 集成、步骤不多的直白工作流。

Level 2：战略型 Agent（带上下文的自主）

是什么： 能规划多步方案、在更长会话中保持上下文，并根据中间结果调整策略的 Agent。

例子： 研究型 Agent，接到「比较三大云厂商的 serverless 定价」后，搜索定价页、抽取数据、建对比表并总结发现。

能力：

  • Level 1 的全部
  • 多步规划与执行
  • 情况变化时动态重规划
  • 跨步骤的工作记忆
  • 自我评估（「这个结果够好吗？」）

何时效果好： 研究任务、复杂排障、路径依赖中间结果的多步工作流。

Level 3：协作式多智能体系统

是什么： 多个专业化 Agent 一起工作，各自处理更大任务的不同方面。可能有一个 Agent 协调其他 Agent。

例子： 软件开发系统中，一个 Agent 写代码，一个写测试，一个做代码审查，编排 Agent 管理工作流。

能力：

  • Level 2 的全部
  • Agent 间通信
  • 专业化角色与委派
  • 子任务并行执行
  • 用于质量的共识或投票机制

何时效果好： 受益于专业化的复杂项目、需要多视角或质量门禁的任务。

Level 4：自我演进 Agent

是什么： 能反思自身表现、从过往运行中学习、更新策略，并在无人工干预下随时间改进的 Agent。

例子： 部署 Agent 跟踪历史上哪些回滚策略效果最好，并据此调整未来部署方式。

能力：

  • Level 3 的全部
  • 长期记忆与学习
  • 基于过往结果的策略优化
  • 对提示或工具选择的自我修改
  • 性能监控与自我纠正

何时效果好： 随时间出现模式的重复性任务、受益于持续改进的系统。

汇总表

Level 名称 关键特征 例子
0 基础推理 文本进、文本出 聊天机器人、问答
1 联网问题解决者 工具使用 订单查询机器人
2 战略型 Agent 多步规划 研究助手
3 协作式多智能体 Agent 协调 开发团队模拟
4 自我演进 从经验中学习 自适应运维 Agent

当今多数生产 Agent 系统运行在 Level 1 或 Level 2。Level 3 与 4 是活跃研究领域，正变得更实用，但也显著增加复杂度。从简单开始，只有明确理由时才上移。

交互式 Agent 层级探索器

点击某个层级，查看其能力、架构与示例。

自主程度

何时用 Agent，何时简单提示就够

Agent 带来能力，也带来复杂度、成本与延迟。不是每个问题都需要 Agent。这里是一份实用指南。

适合用简单提示的情况：

  • 任务可在单步完成
  • 不需要外部数据或行动
  • 答案存在于模型训练数据中
  • 低延迟至关重要（Agent 会增加多轮往返）
  • 多次模型调用的成本不值得

例子：

  • 「总结这段话」
  • 「把这段 JSON 转成 Python dataclass」
  • 「写一个匹配邮箱地址的正则」
  • 「解释 TCP 与 UDP 的区别」

适合用 Agent 的情况：

  • 任务需要相互依赖的多个步骤
  • 需要外部数据或工具（API、数据库、搜索）
  • 任务需要实时或当前信息
  • 做法可能需根据中间结果改变
  • 任务涉及采取行动（不只是生成文本）

例子：

  • 「找出问题跟踪器里最近的三个 bug，并为团队站会起草摘要」
  • 「查客户订单、核对物流状态，并给他们发一封更新邮件」
  • 「调研竞品定价并做一张对比表」
  • 「审查这个 pull request、跑测试并提出改进建议」

决策流程图

Does the task require external data or actions?
  |
  +-- No --> Can the model answer from its training data?
  |            |
  |            +-- Yes --> Use a simple prompt
  |            +-- No  --> Consider RAG (retrieval) first, then an agent
  |
  +-- Yes --> Is it a single tool call?
               |
               +-- Yes --> A simple function-calling setup may suffice
               +-- No  --> Use an agent with orchestration

成本与延迟考量

Agent 循环中的每一步都涉及一次模型调用。5 步的 Agent 工作流意味着 5 次或更多模型调用，外加工具执行时间。这会累积：

  • 延迟：每次模型调用约需 1-10 秒，取决于模型与提示大小。5 步 Agent 可能要 15-30 秒。
  • 成本：每次模型调用消耗 token。Agent 工作流可能比单次提示多用 10-50 倍 token。
  • 可靠性：步骤越多，出错或幻觉的机会越多。

工程原则与别处一样：用能把事做完的最简单方法。

真实世界例子

客服 Agent

目标： 端到端处理客户咨询。

如何工作：

  1. 客户写道：「我的订单 #12345 在哪？」
  2. Agent 用订单 ID 调用订单查询工具
  3. 得到状态：「已发货，运单号 XYZ，预计送达 3 月 20 日」
  4. Agent 格式化为带跟踪链接的友好回复
  5. 若客户要求改收货地址，Agent 调用地址更新工具

层级： 1-2（工具使用，带一些多步逻辑）

编程助手 Agent

目标： 帮助开发者编写、调试与改进代码。

如何工作：

  1. 开发者问：「为什么这个函数返回 null？」
  2. Agent 读取相关源文件
  3. 搜索相关测试
  4. 定位 bug（第 42 行缺少 null 检查）
  5. 用代码建议修复
  6. 可选地跑测试以验证修复有效

层级： 2（多步推理 + 工具使用）

研究 Agent

目标： 从多个来源收集并综合信息。

如何工作：

  1. 用户问：「2026 年服务端渲染的利弊是什么？」
  2. Agent 搜索近期文章与基准
  3. 从多个来源阅读并抽取要点
  4. 交叉核对主张并检查一致性
  5. 产出带引用的结构化摘要

层级： 2（跨多步搜索、阅读、综合）

DevOps 事件响应 Agent

目标： 帮助诊断与解决生产事件。

如何工作：

  1. 告警触发：「service-auth 上 API 延迟飙升」
  2. Agent 查询过去 30 分钟的监控看板
  3. 检查近期部署的变更
  4. 检查日志中的错误模式
  5. 关联发现：「延迟飙升在部署 #789 后 5 分钟开始，该部署改了 auth token 缓存 TTL」
  6. 建议回滚并起草事件报告

层级： 2-3（多步调查，可能与其他 Agent 协调）

ELI5：什么是 AI Agent？

把 Agent 想成非常能干的实习生

想象你有一个第一天上班的全新实习生。他们很聪明——班级顶尖毕业——但从未见过你的代码库。

单独的 LLM 就像这个实习生坐在没有电脑的房间里。 你可以问他们问题，他们会根据在学校学到的知识给出深思熟虑的答案。但他们无法查资料、无法跑代码、无法发邮件。他们只能说话。

Agent 就像配备完整工位的实习生。 他们有笔记本、内部工具访问权、浏览器和公司 Slack。现在当你提问时，他们可以：

  • 不知道答案时去查
  • 试着跑代码验证想法
  • 查文档确认是否正确
  • 向同事（另一个 Agent）求助
  • 带着已核实的答案回来找你

实习生仍会偶尔犯错——毕竟是新人。但他们能发现多数错误，因为能检查自己的工作。卡住时，他们知道求助而不是瞎猜。

关键洞察： 实习生的脑子没变。变的是他们能访问什么，以及如何开展工作。这正是 LLM 与 Agent 的区别。同样的大脑，更多能力，更好流程。

Google Cloud 如何切入

Google Cloud 通过多项服务为构建与部署 Agent 提供基础设施：

  • Vertex AI Agent Engine（2026 年更名为 Agent Runtime，属于 Gemini Enterprise Agent Platform）- 用于在生产中构建、部署与管理 AI Agent 的托管平台。它处理编排、工具管理、会话状态与扩缩容，让你专注于 Agent 逻辑而非基础设施。

  • Gemini Models - 作为 Agent「大脑」的语言模型，有不同规格适配不同用例。

  • Agent Development Kit (ADK) - 开源、代码优先的 Agent 构建工具包，具备多智能体编排、内置工具支持，以及轻松部署到 Agent Engine 等特性。

我们会在整门课程中使用这些工具。现在只需知道它们存在。

了解更多： Vertex AI Agent Engine Overview

关键要点

  1. AI Agent 是一个系统：用语言模型推理、用工具行动，并用编排层管理思考与行动之间的循环。

  2. LLM = 大脑。Agent = 大脑 + 双手 + 记忆。 模型提供推理。工具提供行动。编排层提供控制流。

  3. Agent 处于一条光谱上，从简单的工具型助手（Level 1）到自我演进系统（Level 4）。从能解决问题的最低层级开始。

  4. 并非事事都需要 Agent。 若单次提示就能完成，就用单次提示。仅当任务确实需要工具、多步推理或真实世界行动时，再加 Agent 能力。

  5. 核心循环很简单： 接收目标 -> 思考做什么 -> 使用工具 -> 观察结果 -> 重复直到完成。

接下来？

下一课我们将深入 Agent 的「大脑」——语言模型。你将了解 LLM 如何处理信息、不同推理策略如何影响 Agent 表现，以及如何为任务选择合适的模型。

下一课：第 2 课 - Agent 如何思考：LLM 作为推理引擎 -->