Agent系列2：重磅！谷歌2025年智能体技术白皮书[付完整版pdf下载]

本文链接：https://blog.youkuaiyun.com/qq_41731978/article/details/145066371

感兴趣的朋友可以关注公众号"XiaozhiAGI"，将持续输出关于RAG、Agent、Agentic workflow、AGI等人工智能前沿技术动态、产品动态。

谷歌2025年智能体技术白皮书，关注公众号，回复'谷歌智能体'即可获取42页翻译版PDF文件。

引言

人类在杂乱无章的模式识别任务方面表现出色。然而，他们经常依赖于工具 — — 如书籍、谷歌搜索或计算器 — — 来补充先验知识，然后得出结论。与人类一样，生成式人工智能模型也可以训练使用工具来获取实时信息或建议现实世界的行动。例如，模型可以利用数据库检索工具来访问特定信息，如客户的购买历史，以便生成个性化的购物推荐。或者，基于用户的查询，模型可以发出各种API调用，向同事发送电子邮件回复，或代表您完成金融交易。要做到这一点，模型不仅需要能够访问一组外部工具，还需要能够以自主的方式规划和执行任何任务。这种推理、逻辑和访问外部信息的组合与生成式人工智能模型相关联，引发了代理的概念，即超越生成式人工智能模型独立能力的程序。本白皮书将深入探讨所有这些及相关方面。

什么是代理？

在最基本的形式中，生成式人工智能代理可以被定义为一种试图通过观察世界并使用其可用的工具来采取行动以实现目标的应用程序。代理是自主的，可以独立于人类干预而行动，特别是当它们被赋予适当的目标或目的时。代理也可以主动采取行动来实现其目标。即使没有人类明确的指令集，代理也可以推理出下一步应该做什么，以实现其最终目标。虽然代理的概念在人工智能中相当普遍且强大，但本白皮书重点关注在发布时生成式人工智能模型能够构建的特定类型的代理。为了理解智能体的内部运作，让我们首先介绍驱动智能体行为、动作和

决策的基础组件。这些组件的组合可以被描述为认知架构，并且通过这些组件的混合和匹配可以实现许多这样的架构。专注于核心功能，智能体的认知架构中有三个基本组件，如图1所示。

模型

在代理的范围内，模型指的是将作为代理流程集中决策者的语言模型（LM）。代理所使用的模型可以是任何大小（小/大）的一个或多个 LM，这些 LM能够遵循基于指令的推理和逻辑框架，如ReAct、链式思维或树式思维。模型可以是通用的、多模态的，或者根据您的特定代理架构的需求进行微调。为了获得最佳的生产结果，您应该利用最适合您期望的最终应用程序的模型，理想情况下，该模型应该是在与您计划在认知架构中使用的工具相关的数据特征上进行训练的。需要注意的是，模型通常不是使用代理的特定配置设置（即工具选择、编排/推理设置）进行训练的。然而，可以通过向模型提供展示代理能力的示例（包括代理在不同情境中使用特定工具或推理步骤的实例）来进一步优化模型以适应代理的任务。

这些工具

基础模型尽管在文本和图像生成方面表现出色，但仍受到无法与外部世界交互的限制。工具填补了这一差距，使代理能够与外部数据和服务进行交互，同时解锁了超出基础模型自身所能实现的一系列更广泛的动作。工具可以有多种形式，复杂程度也各不相同，但通常与常见的网络API方法（如 GET、 POST、PATCH和 DELETE）相符。例如，一个工具可以更新数据库中的客户信息或获取天气数据，以影响代理向用户提供的旅行推荐。通过工具，代理可以访问和处理真实世界的信息。这使他们能够支持更专业化的系统，如检索增强生成（RAG），这极大地扩展了代理的能力，超出了基础模型本身所能实现的范围。我们将在下面更详细地讨论工具，但最重要的是要理解，工具在代理的内部能力和外部世界之间架起了桥梁，解锁了更广泛的可能性。

编排层

编排层描述了一个循环过程，该过程控制着代理如何接收信息、进行内部推理，并利用该推理来告知其下一步行动或决策。一般来说，这个循环会持续下去，直到代理达到目标或停止点。编排层的复杂性因代理和其执行的任务而异。有些循环可能是简单的计算和决策规则，而其他循环可能包含链式逻辑、涉及额外的机器学习算法，或实现其他概率推理技术。我们将在认知架构部分讨论代理编排层的详细实现。

代理与模型

为了更清晰地理解代理和模型之间的区别，请考虑以下图表：

认知架构：智能体如何运作

想象一下一位在繁忙厨房里的厨师。他们的目标是为餐厅顾客创作美味的菜肴，这涉及到一些规划、执行和调整的循环。他们收集信息，比如顾客的订单以及食品储藏室和冰箱里的食材。

• 他们根据刚刚收集到的信息，对能够创作哪些菜肴以及风味特点进行一些内部推理。

• 他们采取行动来制作菜肴：切碎蔬菜、调配香料、煎肉。

在这个过程的每个阶段，厨师都会根据需要进行调整，随着食材的消耗或收到顾客的反馈而完善他们的计划，并利用之前的一系列成果来确定下一步行动计划。这种信息收集、规划、执行和调整的循环描述了一种独特的认知架构，厨师利用它来实现自己的目标。就像厨师一样，代理可以使用认知架构来达到最终目标，通过反复处理信息、做出明智的决策，并根据之前的输出优化下一步行动。代理认知架构的核心是编排层，负责维护内存、状态、推理和规划。它利用迅速发展的提示工程领域及相关框架来指导推理和规划，使代理能够更有效地与环境互动并完成任务。在语言模型的提示工程框架和任务规划方面的研究正在迅速发展，产生了各种有前景的方法。虽然这不是一个详尽的列表，但以下是截至本出版物发布时最流行的框架和推理技术中的一些：

•ReAct 是一个提示工程框架，为语言模型提供了一个思维过程策略，以便对用户查询进行推理并采取行动，无论是否有上下文示例。ReAct 提示已被证明优于几个最先进的基准，并提高了大型语言模型的人类互操作性和可信度。

思维链（CoT），一种提示工程框架，通过中间步骤实现推理能力。思维链有各种子技术，包括自一致性、主动提示和多模态思维链，它们各自在特定应用中都有其优势和劣势。

• 思维之树（ToT），一个非常适合探索或战略前瞻任务的提示工程框架。它概括了思维链提示，并允许模型探索各种思维链，这些思维链可作为使用语言模型进行一般性问题解决的中间步骤。代理可以使用上述推理技术之一，或者许多其他技术，为给定的用户请求选择下一个最佳行动。例如，让我们考虑一个代理，它被编程使用ReAct框架为用户查询选择正确的行动和工具。事件的顺序可能是这样的：

1. 用户向代理发送查询

2. 特工启动 “ ReAct” 序列

3. 代理向模型提供一个提示，要求其生成接下来 ReAct 步骤中的一个以及相应的

输出：

a. 问题：来自用户查询的输入问题，与提示一起提供

b. 想法：模型对于接下来应该做什么的想法

c. 行动：模型关于接下来采取何种行动的决定

这就是工具选择可能发生的地方。例如，一个动作可以是 [航班、搜索、代码、无 ]之一，其中前三个表示模型可以选择的已知工具，最后一个表示 “ 无工具选择 ” 。

d. 动作输入：模型关于向工具提供何种输入（如果有的话）的决定

e. 观察：行动 /行动输入序列的结果

i. 这种想法 /行动 /动作输入 /观察可以根据需要重复 N 次

f. 最终答案：模型为原始用户查询提供的最终答案

4. ReAct 循环结束，并向用户返回最终答案。

如图2 所示，模型、工具和代理配置协同工作，根据用户的原始查询为用户提供基于事实的、简洁的响应。虽然模型本可以根据其先验知识猜测一个答案（幻觉），但它却使用了一个工具（航班）来搜索实时的外部信息。这些额外的信息被提供给模型，使其能够基于真实的事实数据做出更明智的决策，并将这些信息总结反馈给用户。

总之，代理响应的质量可以直接与模型对这些各种任务进行推理和行动的能力联系起来，包括选择正确工具的能力，以及这些工具定义得有多好。就像厨师用新鲜食材精心烹饪菜肴并关注顾客反馈一样，代理依靠合理的推理和可靠的信息来提供最佳结果。在下一节中，我们将深入探讨代理与新鲜数据连接的各种方式。

工具：我们通向外部世界的钥匙

虽然语言模型在处理信息方面表现出色，但它们缺乏直接感知和影响现实世界的能力。这限制了它们在与外部系统或数据交互的情况下的实用性。这意味着，从某种意义上说，语言模型的能力取决于它从训练数据中学到了什么。但无论我们向模型输入多少数据，它们仍然缺乏与外部世界交互的基本能力。那么，我们如何能够赋予我们的模型与外部系统进行实时、上下文感知交互的能力呢？函数、扩展、数据存储和插件都是为模型提供这种关键能力的方式。虽然工具有许多不同的名称，但它们是在我们的基础模型和外部世界之间建立联系的桥梁。这种与外部系统和数据的联系使我们的代理能够执行更广泛的各种任务，并以更高的准确性和可靠性执行这些任务。例如，工具可以使代理调整智能家居设置、更新日历、从数据库中获取用户信息，或者根据特定的一组指令发送电子邮件。

截至本出版物发布之日，谷歌模型能够与之交互的三种主要工具类型为：扩展、函数和数据存储。通过为代理配备工具，我们为他们解锁了巨大的潜力，使他们不仅能够理解世界，还能够对其采取行动，为无数新的应用和可能性敞开了大门。