AI 代理是语言模型的自然演进，能够自主完成目标，结合了语言模型的推理能力和实际行动能力。本文档作为五部分系列的第一部分，为开发者、架构师和产品领导提供了从概念验证到生产级代理系统的正式指南。
AI 代理的核心组成部分：
- 模型（大脑）： 核心语言模型或基础模型，作为代理的推理引擎，用于处理信息、评估选项和做出决策。
- 工具（双手）： 连接代理的推理和外部世界，使其能够执行超越文本生成的操作。包括 API 扩展、代码函数和数据存储（如数据库或向量存储）。
- 编排层（神经系统）： 管理代理的操作循环，处理计划、记忆（状态）和推理，并赋予代理记忆能力。
AI 代理的解决问题流程：
- 获取任务： 代理接收一个特定的、高级的目标。
- 扫描环境： 代理感知其环境以收集上下文信息。
- 思考： 代理通过推理模型分析任务和环境，制定计划。
- 采取行动： 编排层执行计划的第一步，选择并调用合适的工具。
- 观察和迭代： 代理观察行动的结果，并将其添加到上下文中，然后重复循环。
AI 代理的分类：
- Level 0：核心推理系统： 仅包含语言模型，没有工具、记忆或工具调用能力。
- Level 1：连接型问题解决者： 语言模型连接到外部工具，能够执行简单任务。
- Level 2：策略型问题解决者： 能够战略性地规划复杂的多步骤目标，并进行上下文工程。
- Level 3：协作型多代理系统： 由多个专门代理组成的团队，通过协作完成复杂任务。
- Level 4：自进化系统： 能够识别自身能力差距并动态创建和适应新代理。
AI 代理的架构设计：
- 模型： 选择合适的模型，考虑其推理能力、成本和速度。
- 工具： 定义工具接口，包括信息检索工具和行动执行工具。
- 编排层： 运行“思考、行动、观察”循环，管理代理行为。
AI 代理的设计选择：
- 自主程度： 确定代理的自主程度，从完全确定的工作流到高度自主的代理。
- 实现方法： 选择无代码构建器或代码优先框架。
- 领域知识和角色： 使用系统提示为代理提供领域知识和角色。
- 上下文增强： 使用短期记忆和长期记忆来增强上下文。
- 多代理系统和设计模式： 采用“专家团队”方法，并使用协调器模式、顺序模式等设计模式。
AI 代理的部署和服务：
- 将代理部署到服务器，并集成必要的服务。
- 使用专门的部署选项或框架提供的部署命令。
- 采用新的测试方法，以适应代理的随机性。
AI 代理的运维（Agent Ops）：
- 衡量重要指标： 定义关键绩效指标（KPI）来衡量代理的价值。
- 质量而非通过/失败： 使用语言模型作为裁判来评估代理的输出质量。
- 指标驱动开发： 使用自动化评估来测试开发代理的更改。
- 使用 OpenTelemetry 跟踪进行调试： 通过跟踪来理解代理行为。
- 珍惜人类反馈： 收集和分析人类反馈以改进代理。
AI 代理的互操作性：
- 代理与人类： 通过用户界面进行交互，包括聊天机器人、计算机使用和实时多模态通信。
- 代理与代理： 使用 Agent2Agent (A2A) 协议进行通信。
- 代理与金钱： 使用 Agent Payments Protocol (AP2) 进行交易。
AI 代理的安全性：
- 单个代理的安全： 在效用和安全性之间进行权衡，并采用多层防御策略。
- 代理身份： 为代理创建一个独特的身份，并实施访问控制策略。
- 策略： 限制代理的能力，并实施策略来控制代理的访问。
- ADK 代理的安全： 使用身份、策略和工具保护来保护 ADK 代理。
- 动态安全： 使用回调和插件来实施动态安全检查。
- 成本和可靠性： 设计可靠且经济高效的代理。
AI 代理的治理：
- 安全性和隐私： 采用纵深防御策略来保护数据和代理。
- 代理治理： 实施控制平面来管理代理生态系统，防止代理蔓延。
AI 代理的成本和可靠性：
- 基础设施： 选择合适的底层基础设施来支持代理的运行。
- 成本： 优化代理的成本，并确保其经济高效。
- 可靠性： 确保代理的可靠性，并提供高可用性。
AI 代理的自学习和自进化：
- 学习来源： 从运行时经验和外部信号中学习。
- 自进化机制： 优化上下文工程、工具优化和创建。
AI 代理的未来：
- 模拟和代理健身房： 提供一个独立的平台，用于模拟和优化代理。
- Co-Scientist： 一个高级 AI 代理，用于加速科学发现。
- AlphaEvolve Agent： 一个 AI 代理，用于发现和优化算法。
AI 代理代表了人工智能的重大进步，将人工智能从被动的内容创建工具转变为积极的自主合作伙伴。通过遵循本文档中概述的原则和架构模式，我们可以构建真正协作、强大和适应性强的代理，为企业和个人带来巨大的价值。
