从代码到认知：我的 AI Agents 密集之旅

Source: Dev.to

改变我视角的关键收获

1. 代理是架构，而不仅仅是功能

最触动我的点： 第一天对传统 LLM 应用和代理式架构的区分让我大彻大悟。我意识到自己一直在构建复杂的提示链，却应该在设计自主系统。

转变： 从 “我如何让 LLM 做 X？” 转向 “我如何构建一个能够推理、计划和行动的系统？”彻底改变了一切。多代理系统的 codelab 展示了具有明确职责的专用代理如何优于单体方案。

实践洞见： 在使用 ADK 构建我的第一个多代理系统时，我看到将复杂任务拆解为代理团队的方式类似于有效的软件架构——单一职责原则，只是针对 AI。

2. 工具是思考与行动的桥梁

最触动我的点： 第二天深入探讨 Model Context Protocol (MCP) 时，我发现代理的力量不仅在于推理，更在于它与真实世界交互的能力。

演进过程： 我从把函数调用视为技术特性，转变为把它视为将 LLM 从文本生成器转变为有能力的助理的根本机制。

突破时刻： 实现带有人类在环审批的长时运行操作，解决了我一直面临的实际问题：如何构建既自主又可追责的代理。 “暂停、请求批准、恢复” 的模式成为我负责任的代理设计框架。

MCP 洞见： Model Context Protocol 对工具发现和使用的标准化，让我明白应该构建可互操作的系统，而不是孤立实现。

3. 上下文工程是秘密武器

最触动我的点： 第三天对会话和记忆的探索根本改变了我对有状态 AI 系统的思考方式。

关键区分：

• 会话（Sessions）： 即时对话上下文——类似工作记忆。
• 记忆（Memory）： 跨交互的长期持久化——类似情景记忆。

“啊哈”时刻： 构建真正具备记忆的代理并不是简单地拼接对话历史，而是需要精心的上下文工程：决定记住什么、摘要什么、忘记什么。正是在这里，代理从聊天机器人转变为真正的助理。

实践应用： 同时实现短期（会话）和长期（持久）记忆让我认识到上下文窗口管理和模型本身同等重要。关键不是把所有信息塞进上下文，而是进行信息架构的策略性设计。

4. 不能衡量的东西无法改进

最触动我的点： 第四天的可观测性框架——日志、追踪和指标——是最直接实用的课程。

启示： 我一直在盲目构建代理。没有合适的日志和追踪，调试就像在看茶叶。三大支柱彻底改变了我的开发流程：

• 日志（Logs，日记）： 记录每一个决策点。
• 追踪（Traces，叙事）： 可视化端到端执行路径。
• 指标（Metrics，健康报告）： 可量化的性能指标。

LLM‑as‑a‑Judge： 使用语言模型评估其他语言模型起初感觉很 meta，但在规模化质量评估上非常出色。配合 HITL 评估，形成了强大的反馈闭环。

思维转变： 质量不是一次性检查，而是持续的纪律。evaluate‑observe‑improve 循环必须从第一天起就嵌入开发过程。

5. 生产环境是另一个宇宙

最触动我的点： 第五天聚焦原型到生产的差距，让我感到谦卑且受益匪浅。

现实检验： 我的本地 notebook 实验与生产就绪系统相差甚远。白皮书强调的：

• 可扩展性和部署模式
• 企业治理与可靠性
• 通过 A2A Protocol 实现的代理互操作性
• 安全、身份和受限策略

这些不是锦上添花，而是真实世界代理系统的基本要求。

A2A Protocol 突破： 构建通过 Agent‑to‑Agent Protocol 通信的多代理系统，让我看到了未来：跨组织边界的专用代理生态，而非单体 AI 服务。

部署洞见： Vertex AI Agent Engine codelab 展示，部署代理不仅是托管代码，更是创建可靠、可监控、可扩展的服务并做好 API 管理。

我的认知如何演进

课程前

• Agents = 带函数调用的聊天机器人
• 关注点： 从 LLM 获得响应
• 方法： 原型导向，本地实验
• 评估： 手动测试，凭感觉判断质量

课程后

• Agents = 具备推理、计划、记忆和工具使用的自主系统
• 关注点： 架构智能系统以解决真实问题
• 方法： 生产优先思维，内置可观测性和评估
• 评估： 系统化质量框架，配合指标和持续改进

更大的图景

这门课程让我明白，我们不只是构建更好的聊天机器人，而是在创造一种全新的软件类别。代理的出现相当于从过程式编程到面向对象编程的转变，或从单体架构到微服务的跃迁。

课程中引入的 Agent Ops 学科——融合开发、运维、治理和质量——类似于 DevOps 对软件交付的变革。我们正处于这场变革的起点，掌握这些基础现在就能让我们在未来的演进中占据主动。

构建生产级代理的关键要点

• 先做架构： 在写代码前定义代理职责、工具和交互模式。
• 记忆是策略性资源： 并非所有信息都需要记住，需有意识地设计上下文工程。
• 工具是代理的双手： 投资于稳健、设计良好的工具接口并明确合约。
• 可观测性不可妥协： 从第一天起就构建日志、追踪和指标，而非事后补丁。
• 持续评估： 质量是一种实践，而非阶段。LLM‑as‑a‑Judge + HITL 构成反馈回路。
• 系统思维： 多代理架构配合专职角色优于通用模型。
• 生产环境不同： 原型可以随意，但要提前规划原型到生产的差距。
• 互操作性重要： MCP、A2A 等标准不是限制，而是生态级创新的助推器。

接下来：应用这些收获

有了这些洞见，我正用全新的框架来进行 AI 代理开发：

1. 这个代理的具体职责是什么？
2. 它需要哪些工具来完成职责？
3. 它将如何维护上下文和记忆？
4. 我将如何观察并评估它的行为？
5. 从原型到生产的路径是什么？
6. 它将如何与其他代理互操作？

AI Agents Intensive 不仅教会我使用 Gemini 和 ADK，更为我提供了思考自主 AI 系统的心智模型。随着我们从原型时代迈向生产时代，这一模型将指引每一次设计决策。