别再“手工作坊”式开发Agent了！谷歌发布“生产级”标准，一文读懂5级分类与Agent Ops！

Google这两天发布了最新的Agent白皮书。早在今年2月份，Google发布了第一版的Agent白皮书。

这份新白皮书和2月份发布的相比，不同之处在于，它被定位为一份正式指南 ，其核心目标是帮助开发人员、架构师和产品负责人从概念验证 (proofs-of-concept)阶段过渡到构建生产级的Agent系统。

相较于之前更侧重于定义概念的白皮书，这份新指南的重点是解决构建生产级系统时遇到的重大挑战，特别是围绕安全性、质量和可靠性的挑战。

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。

如何高效转型Al大模型领域？

作为一名在一线互联网行业奋斗多年的老兵，我深知持续学习和进步的重要性，尤其是在复杂且深入的Al大模型开发领域。为什么精准学习如此关键？

• 系统的技术路线图：帮助你从入门到精通，明确所需掌握的知识点。
• 高效有序的学习路径：避免无效学习，节省时间，提升效率。
• 完整的知识体系：建立系统的知识框架，为职业发展打下坚实基础。

AI大模型从业者的核心竞争力

• 持续学习能力：Al技术日新月异，保持学习是关键。
• 跨领域思维：Al大模型需要结合业务场景，具备跨领域思考能力的从业者更受欢迎。
• 解决问题的能力：AI大模型的应用需要解决实际问题，你的编程经验将大放异彩。

以前总有人问我说：老师能不能帮我预测预测将来的风口在哪里？

现在没什么可说了，一定是Al；我们国家已经提出来：算力即国力！

未来已来，大模型在未来必然走向人类的生活中，无论你是前端，后端还是数据分析，都可以在这个领域上来，我还是那句话，在大语言AI模型时代，只要你有想法，你就有结果！只要你愿意去学习，你就能卷动的过别人！

现在，你需要的只是一份清晰的转型计划和一群志同道合的伙伴。作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】