5天通向清晰：揭秘 AI 代理

Source: Dev.to

Overview

在报名参加 5 天 AI 代理强化课程之前，我只知道代理的教科书定义。我本以为只会学到基础知识，但课程很快就从理论转向动手实验，代码变得栩栩如生。到了第五天结束时，我已经在学习部署代理的最佳实践。

白皮书用了一个简单的类比：模型是代理的大脑，工具是它的手，编排层是神经系统，部署是身体和腿。这帮助我形象化了 Think → Act → Observe 循环——它在 ChatGPT 提示背后运行。它还引入了自我进化的代理系统的概念，这类系统可以在运行时创建新工具或新代理。

Day 1 – Foundations

• 类比： Model = brain, tools = hands, orchestration = nervous system, deployment = body/legs.
• 关键概念： 驱动代理行为的 “Think, Act, Observe” 循环。
• 洞见： 代理可以成为自我进化的系统，通过即时生成新工具或新代理来扩展其资源。

Day 2 – Documentation & Integration

• 领悟： 构建 AI 代理不仅仅是技术层面的了解；文档和最佳实践协议同样重要。
• 突出的问题： “N × M” 集成挑战——大量代理和工具相互作用时，容易陷入混乱。
• 提出的解决方案： MCP (Multi‑Component Protocol) 用于管理复杂集成。

Day 3 – Memory & Context Engineering

• 探讨的问题：
  1. 如果我告诉代理我最喜欢的颜色是蓝色，它会在以后记住吗？
  2. 当偏好改变时，代理如何更新其知识？
  3. 它会保留诸如 “Good morning” 之类的问候语吗？
• 答案： 没有记忆的代理就像失忆的助理。会话和记忆是上下文工程的基本构件，无论代理的专业化程度如何。

Day 4 – Debugging & Evaluation

• 对比： 计算器只有唯一正确答案（2 + 3 = 5），而写作代理的输出是开放式的。
• 挑战： 验证正确性并追踪代理的推理过程——它调用了正确的工具吗？这些工具提供了准确信息吗？
• 方法：
  • 实现 LLM‑as‑a‑judge 来自动化评估。
  • 引入 human‑in‑the‑loop 以提升可靠性。
• 收获： 调试代理可能比构建代理更复杂且是一个持续的过程。

Day 5 – Deployment & Multi‑Agent Communication

• 重点： 部署代理以及 A2A protocol，该协议使不同代理之间能够 “对话”。
• 目标： 构建真实业务可以依赖的代理，并通过持续评估保持其可信度。
• 现实检查： 完全可信的代理仍未实现；人工监督仍然必不可少。

Post‑Course Project

强化课程结束后，我用了接下来的 15 天构建了一个项目，应用了所有学习内容——从单代理设计到多代理系统、评估以及部署。

Practical Example: SketchSensei

对于任何尝试绘制写实人头却在方向和比例上受挫的人，SketchSensei 提供了解决方案。它在输入图像上叠加 Loomis 指导线，并生成一步步的绘画指令，让你可以拿起铅笔，用 Loomis 方法绘制人头。

Acknowledgements

感谢 Google × Kaggle 提供本课程，并配备了所有让初学者掌握这些概念的材料。