中文译本。原文见同目录 README.md

第 19 课：接下来去哪里

简介

你做到了。十九课涵盖了从「什么是 Agent？」到用协议与生产基础设施构建多 Agent 系统。这是扎实的基础。

但基础是用来往上建的。这最后一课是你的起跳板——一张按目标筛选的下一步地图、值得收藏的最佳资源，以及将塑造 Agent 开发未来的新兴领域。

你已经学到了什么

让我们快速飞览整门课。既可当复习，也可标出想重读的部分。

第 1 部分：基础

课次 标题 核心思想
01 What Are AI Agents? Agents 把推理模型、tools 与编排循环结合起来，自主追求目标。它们处在从简单 tool-caller 到自我进化系统的谱系上。
02 How Agents Think LLMs 是推理引擎。理解 tokenization、context windows 与 sampling，有助于预测和控制 Agent 行为。
03 Tools - Giving Agents Hands Tools 让 Agents 与世界交互。好的 tool 设计——清晰名称、类型化参数、有用描述——直接影响 Agent 可靠性。
04 Agentic Design Patterns ReAct、reflection、planning、tool-use 等模式给 Agents 如何解题提供结构。选最简单能用的模式。
05 Memory and Context Agents 需要多层 memory——短期（context window）、会话级（对话状态）、长期（持久存储）——才能处理复杂任务。
06 Planning and Reasoning Agents 通过规划策略把复杂目标拆成步骤。Chain-of-thought、tree-of-thought 与动态重规划各有用武之地。
07 Multi-Agent Systems 当一个 Agent 搞不定一切时，多个专门 Agents 可通过 hierarchical、peer-to-peer、blackboard 等编排模式协作。
08 Agentic RAG 超越基础检索：让 Agents 决定搜什么、评估结果，并在回答前迭代精炼其知识。
09 Evaluating and Testing Agents 衡量 Agent 质量需要任务特定指标、轨迹分析与系统化用例。评估不是可选项——它是你知道 Agent 是否有效的方式。
10 Guardrails and Safety Agents 需要边界——输入校验、输出过滤、范围限制与 human-in-the-loop 控制——才能安全可信。

第 2 部分：构建与上线

课次 标题 核心思想
11 From Prototype to Production 能跑的 demo 与生产 Agent 之间的鸿沟，要靠 CI/CD、监控、优雅降级与运维实践来填平。
12 Getting Started with Vertex AI and ADK Google Cloud 提供 Vertex AI Agent Engine 做托管部署、Gemini 模型做推理，以及 ADK 作为构建 Agents 的开源工具包。
13 Building Your First Agent ADK Agents 需要名称、模型与说明。从 LlmAgent 开始，逐步加 tools，并用 adk web 与 adk eval 测试。
14 Agent Protocols - MCP and A2A MCP 标准化 Agent 到 tool 的通信。A2A 标准化 Agent 到 Agent 的协作。合起来解决集成问题。

内容很多。若哪条摘要感到陌生，前进前先回去重读那一课。

ELI5：学会开车之后去哪里？

想想学开车。你上了课（基础），通过了笔试（理解理论），又过了路考（构建第一个 Agent）。你现在会开车了。

但「会开车」打开了无数选择。有人想每天开车上班（构建实用 Agents）。有人想当机修工、深入理解发动机（钻研理论）。有人想自驾穿越全国（大规模部署）。还有人想竞技赛车（把 Agents 能做的事推到边界）。

这一课是你的道路地图册。它不替你决定去哪——它展示所有道路，帮你挑出匹配目的地的那一条。

推荐学习路径

不是每个人的下一步都一样。下面按常见目标给出四条路径。

路径 1：「我想构建第一个 Agent」

你读完了理论，想动手。

从这里开始：

  1. 完整跟完 ADK Quickstart。构建示例 Agent，本地跑通，确认一切正常。
  2. 改动 quickstart Agent。改 system instructions。加一个自定义 tool。弄坏它、修好它，弄清各部件如何配合。
  3. Clone Agent Starter Pack，获得已配置好 CI/CD、监控与部署的生产级模板。
  4. 选一个小而真实的问题，构建 Agent 来解决。控制范围——一个 Agent、两到三个 tools、清晰的成功指标。

重温： 第 3 课（Tools）、第 13 课（Building Your First Agent）

路径 2：「我想改进现有 Agent」

你已有 Agent，但表现不够好。

从这里开始：

  1. 回到第 9 课，为你的 Agent 建评估套件。测不了就改不好。
  2. 阅读 Google Cloud 关于 "Agent Quality" 的白皮书，系统提升 Agent 可靠性与准确性。
  3. 用第 13 课的指南审计你的 system instructions。含糊说明是差劲行为最常见的来源。
  4. 检查 tool 设计。名称清晰吗？描述准确吗？错误情况处理了吗？
  5. 若尚未添加，加上 guardrails（第 10 课）。可靠性与安全相辅相成。

重温： 第 9 课（Evaluation）、第 10 课（Guardrails）、第 4 课（Design Patterns）

路径 3：「我想大规模部署 Agents」

你有能工作的 Agent，需要在生产中运行。

从这里开始：

  1. 带着运维关切重读第 11 课（From Prototype to Production）：监控、日志、错误处理与回滚。
  2. 探索 Vertex AI Agent Engine，用托管部署处理扩缩、会话管理与基础设施。
  3. 研读 Google Cloud "From Prototype to Production" 白皮书，深入部署生命周期。
  4. 为 Agent 建立 CI/CD。把 prompt 变更与代码变更同等严肃对待——版本化、评审、测试。
  5. 实现全面可观测性。你需要看到生产中 Agent 在做什么，而不只是它有没有返回响应。

重温： 第 11 课（Production）、第 12 课（Vertex AI and ADK）

路径 4：「我想更深入理解理论」

你想要研究级理解。

从这里开始：

  1. 阅读下方列出的 Google Cloud 白皮书。它们对本课程每个主题都有深入技术处理。
  2. 跟进白皮书引用的规划、推理与多 Agent 协调相关论文。
  3. 试验高级模式——多 Agent 系统（第 7 课）、agentic RAG（第 8 课）、基于循环的精炼 Agents。
  4. 直接研读 MCP 与 A2A 协议规范，深入理解线级 Agent 通信如何工作。

重温： 第 2 课（How Agents Think）、第 6 课（Planning）、第 7 课（Multi-Agent Systems）

Learning Path Recommender

Answer two questions or pick a path directly to get a personalized roadmap.

Step 1 of 2
What is your primary goal?

Google Cloud 资源

Codelabs

可在浏览器中完成的动手引导教程：

文档

构建时的主要参考：

资源 涵盖内容 链接
Vertex AI Docs Agent Engine、模型服务、评估，以及完整 Vertex AI 平台 docs.cloud.google.com/vertex-ai/docs
ADK Docs Agent Development Kit —— 构建、测试与部署 Agents adk.dev
Gemini API Docs 模型能力、function calling、context caching 与 API 参考 ai.google.dev/gemini-api/docs
Google Cloud AI Google Cloud 上全部 AI 服务概览 cloud.google.com/ai

模板与起步项目

不必从零开始：

社区

与其他 Agent 构建者连接：

  • Google Cloud Community forums —— 提问并分享你在构建什么
  • Stack Overflow —— 用 google-cloud-vertex-ai 或 google-adk 标签提问
  • GitHub Issues —— 在 ADK 仓库报告 bug 与请求功能
  • Google Cloud Discord —— 与其他开发者实时交流

当你是团队里唯一做 Agents 的人时，构建可能感到孤立。社区里有遇到同样问题的人。别犹豫提问——生态还年轻，大家都在学。

教程与示例

官方文档之外，还可看：

  • ADK 仓库中的示例 Agents —— ADK GitHub 仓库包含演示常见模式的示例，如多 tool Agents、顺序工作流与 Agent 团队
  • Google Cloud 博客文章 —— Google Cloud 博客定期发布 Agent 架构与部署模式的演练
  • 大会演讲 —— Google I/O 与 Google Cloud Next 关于 Agents 与 AI 的环节常有录像发布

关于 Agents 的关键 Google Cloud 白皮书

Google Cloud 发布了一系列深入白皮书，覆盖 Agent 版图。比本课更深入，对实践者与决策者都是优秀参考。

白皮书 涵盖内容
Introduction to Agents 基础概念——Agents 是什么、核心组件、认知架构，以及 Agent 能力谱系
Agent Quality 系统测量与提升 Agent 表现的方法——评估方法论、指标与质量保障策略
Agent Tools and Interoperability with MCP 深入 tool 设计、Model Context Protocol，以及如何构建可互操作的 Agent-tool 生态
Context Engineering: Sessions and Memory Agents 如何管理 context——会话状态、memory 架构、context window 优化与长期知识保留
From Prototype to Production 把 Agent 从 demo 带到部署的完整生命周期——基础设施、CI/CD、监控、扩缩与运维最佳实践
Agents Companion 把所有白皮书串起来的实用参考指南，含可执行指引与决策框架

无论是否在 Google Cloud 上构建，这些白皮书都有价值。其中的概念与模式具有广泛适用性。

值得探索的开源项目

Google 项目

项目 是什么 链接
ADK (Agent Development Kit) Google 开源、代码优先的工具包，用于构建、评估与部署 Agents github.com/google/adk-python
Agent Starter Pack Google Cloud 上 Agent 项目的生产级模板 github.com/GoogleCloudPlatform/agent-starter-pack

社区框架

Agent 生态比任何单一厂商都更广。这些社区框架提供不同路径，值得了解：

框架 方式 最适合
LangChain 用 chains 与 agents 构建 LLM 应用的模块化组件 快速原型、广泛集成生态
LangGraph 建在 LangChain 上的基于图的 Agent 编排 复杂多步工作流、有状态 Agents
CrewAI 基于角色的多 Agent 协作框架 专门 Agents 组成的团队合作

每个框架有不同权衡。ADK 强调 Google Cloud 集成、代码优先设计与生产部署。LangChain 强调集成广度。CrewAI 强调多 Agent 团队隐喻。没有唯一「最好」的框架——正确选择取决于你的需求、现有基础设施与团队偏好。

关于框架选择的一点： 不要花几周评估框架。选一个适配你生态的，用它做出东西，需要时再换。概念可跨框架迁移。你在 ADK 里学到的 tool 设计，在 LangChain 里同样适用。在一个框架里学到的评估，在所有框架里都适用。框架是载具，不是目的地。

协议实现

值得关注的新兴领域

Agent 领域变化很快。以下领域在不久的将来可能产生重大影响。

Computer use agents（计算机使用 Agents）

能看见并与图形用户界面交互的 Agents——点按钮、填表单、浏览网站——就像人类用户一样。这为没有 API、只有可视化界面的应用打开了自动化空间。

为什么重要： 多数企业软件是为人通过 GUI 交互而设计的。Computer use agents 能自动化以往必须做定制集成才能自动化的工作流。

关注什么： 视觉-语言模型的改进、GUI 交互的标准化框架，以及控制桌面与浏览器环境的 Agents 的安全模型。

Self-Evolving Agents（自我进化 Agents）

从自身过往表现中学习的 Agents——分析什么有效、什么失败、为什么。它们更新策略、精炼 prompts，并随时间改进 tool 用法，无需人工干预。

为什么重要： 今天，改进 Agent 需要人去审日志、找问题、做改动。自我进化 Agents 可大幅降低这类维护负担。

关注什么： 更好的 Agent 自我反思方法、自动化 prompt 优化，以及让 Agents 尝试新方法而不把事情搞砸的安全探索策略。

Agentic commerce（Agent 商务）

能代表用户发现产品与服务、谈判条款、下单并管理交易的 Agents。想象一个旅行 Agent，不只规划行程，还实际订票——比价、用折扣、处理支付。

为什么重要： 这把 Agents 从「信息助手」推进为经济活动中的「行动者」。信任与安全含义重大。

关注什么： Agent 到商户通信的标准、支付授权框架，以及 AI 中介交易的消费者保护模型。

Continuous learning in production（生产中的持续学习）

基于生产交互更新知识与能力、无需重新部署的 Agents。包括学习新事实、适应用户需求变化，以及纳入反馈循环。

为什么重要： 今天，更新 Agent 知识需要带着新说明重新部署，或更新知识库。持续学习可让 Agents 自动保持最新。

关注什么： 安全的在线学习技术、所学信息的质量控制，以及把稳定能力与演化知识分开的架构。

Multi-Modal Agents（多模态 Agents）

除文本外还能处理图像、音频、视频与文档的 Agents。多模态 Agent 可能分析错误截图、听客服通话，或处理 PDF 发票——都作为同一工作流的一部分。

为什么重要： 真实世界不是纯文本。许多业务流程涉及文档、图像与录音。多模态 Agents 可处理这些工作流，而无需人手工转写或描述非文本内容。

关注什么： 视觉-语言模型的改进、经 Agent 协议传递多模态内容的标准方式，以及原生处理多模态 tool 输入输出的框架。

Agent observability and debugging（Agent 可观测性与调试）

随着 Agents 更复杂，理解它们在做什么以及为什么变得更难。用于追踪 Agent 决策、可视化多步执行、诊断生产故障的新工具与实践正在出现。

为什么重要： 看不见就修不好。今天调试 Agent 往往意味着逐行读日志。更好的可观测性工具将让 Agent 开发更像带有合适调试器与性能分析器的现代软件开发。

关注什么： 专用 Agent 追踪平台、Agent 执行的标准化遥测格式，以及多 Agent 交互的可视化工具。

第一个真实项目的常见模式

走出教程后，这些实用项目模式很适合作为第一次真实构建：

内部知识 Agent

做什么： 回答关于团队文档、runbooks 或代码库的问题。

为什么适合作为第一个项目： 范围清晰、数据可及，且容易衡量成功（答对了吗？）。它结合 RAG 与 tool 使用，并立刻给团队带来价值。

需要的 tools： 文档检索 tool（向量搜索或对接文档的 API），可选 Google Search 作回退。

分流 / 分诊 Agent

做什么： 读取传入事项（bug 报告、支持工单、pull requests），进行分类、优先级或路由。

为什么适合作为第一个项目： 分类任务发挥 LLM 长处。输出结构化、易评估。多数组织事项量大，真正有用。

需要的 tools： 从 issue tracker 或工单系统读取事项的 API tool，以及更新标签或指派人的 tool。

每日摘要 Agent

做什么： 从多个来源（邮件、Slack、日历、项目管理工具）收集信息并产出摘要。

为什么适合作为第一个项目： 练习多个 tools 与基础综合，无需复杂多步推理。输出易于人审阅。

需要的 tools： 各数据源的 MCP servers 或自定义 tools，以及输出格式化 tool。

Code review 助手

做什么： 审查 pull requests 中的常见问题——缺测试、风格违规、潜在 bug、命名不清。

为什么适合作为第一个项目： 开发者能立刻用自己的判断校验输出。低风险（建议而非自动改动）、高价值。

需要的 tools： 从源码控制系统读取 PR diffs 的 tool，可选发布审查评论的 tool。

下一个 Agent 项目检查清单

开始下一次构建时，用它作规划工具：

开始之前

  • 清晰定义目标——Agent 应完成什么？
  • 确认 Agent 是正确方法（第 1 课决策流程图）
  • 识别 Agent 需要的 tools 与数据源
  • 选择与任务复杂度匹配的模型
  • 搭建开发环境（ADK、API 访问、凭证）

开发期间

  • 写详细的 system instructions（角色、范围、边界、示例）
  • 先单独构建并测试 tools，再接到 Agent
  • 尽早创建评估用例——起步至少 5–10 个
  • 用 adk web 本地测试后再部署到任何地方
  • 为安全与可靠性添加 guardrails

部署之前

  • 跑彻底的评估套件并处理失败
  • 建立监控与日志
  • 定义回滚流程
  • 规划错误处理与优雅降级
  • 审查安全——鉴权、授权、数据处理

部署之后

  • 监控 Agent 表现指标（延迟、成功率、成本）
  • 定期审日志，发现意外行为
  • 收集用户反馈并纳入评估用例
  • 基于生产数据迭代说明与 tools
  • 保持依赖（模型、tools、MCP servers）最新

可收藏的资源列表

把这些链接放在手边。它们是你会反复回来的主要参考：

学习与构建：

Google Cloud Platform：

协议：

开源：

保持跟上

Agent 生态变化很快。下面是一套实用策略，既能跟上又不被信息淹没。

该关注什么

  • ADK release notes： 查看 ADK GitHub repository 的新发布。大版本常引入新 Agent 类型、tool 集成或部署选项。
  • Vertex AI changelog： Google Cloud 定期为 Agent Engine、模型服务与评估发布新功能。Vertex AI 文档含 changelog。
  • 模型发布： 新版 Gemini 可能解锁以前做不到的能力——更好推理、更长 context windows、改进的 function calling。用现有评估套件测新模型，看是否提升表现。
  • 协议更新： MCP 与 A2A 都在积极演进。关注新原语、安全改进与生态增长。

暂时可忽略什么

不是每个新动态都需要你的注意力。可跳过这些：

  • 解决你尚未遇到的问题
  • 要求重构一套运行良好的系统
  • 只有宣布、尚无可用实现
  • 没有实际应用的基准结果

专注于今天能帮你构建更好 Agents 的东西。其余先存档，以后再说。

最后寄语

学习 Agent 开发最好的方式是构建 Agents。从小处开始。选一个你真正有的问题——也许是总结早间邮件，或在多个内部工具间查信息，或分流 bug 报告。构建一个简单 Agent 来解决它。一个模型、一两个 tools、清晰说明。

一旦能工作，就迭代。再加一个 tool。改进说明。写评估用例。接到 MCP server。试多 Agent 模式。每次迭代都教你文档教不了的东西。

这个领域变化很快。更好推理的新模型定期发布。新 tools 与协议不断出现。随着更多团队把 Agents 投入生产，最佳实践也在演化。你在本课学到的基本功——Agent 循环、tool 设计、memory 管理、评估、安全——即使具体细节变了也会保持相关。但具体的 API、模型版本与框架功能会演进。

收藏上面的资源列表并常回来看。跟进 ADK 与 Vertex AI 的 changelog。有新白皮书就读。加入社区论坛，看看别人在构建什么。

最重要的是：把东西做出来并上线。「我理解 Agents」与「我构建并部署过 Agent」之间的差距，才是真正学习发生的地方。

祝构建顺利。

课程完成

恭喜完成 AI Agents 101。你已从理解 Agents 是什么，走到知道如何用业界标准工具与协议构建、测试、部署并连接它们。

返回课程总览