从提示到自主生态系统：我在5天Google x Kaggle AI Agents Intensive中的学习之旅
Source: Dev.to
在过去的五天里，我参加了 Google × Kaggle AI Agents Intensive Course——这段旅程从“学习如何更好地提示”开始，迅速扩展为对 AI 代理如何思考、行动、存储记忆、协作以及自我评估的完整理解。
Google AI Agents Writing Challenge
第 1 天 – 从 Prompt 到行动 & 代理架构
Prompt 作为指令链
Prompt 不仅仅是一个请求；它是 指令链 的点火装置：
prompt → goal → decision → action就像让个人助理“策划生日派对”，代理必须生成一个多步骤的工作流（场地建议、预算、宾客名单、时间线），而不是给出单一答案。
代理架构概览
如果说 Prompt 是火花，架构就是引擎。AI 代理 不是聊天机器人；它是一个交互组件的系统——本质上是一个小型智能组织。
现代代理架构的核心组件
- Planner（“大脑”） – 将模糊的语言转换为结构化、可执行的计划。
- Tools（“手和脚”） – 使代理能够搜索、运行代码、查询 API、操作文件和分析数据。
- Memory（“长期知识”） – 存储用户偏好、先前步骤、事实和上下文。
- Evaluator（“质量检查员”） – 检查准确性、安全性、幻觉以及正确的工具使用，使代理具备自我感知和自我纠正能力。
代理架构的类型
- Reactive Agents – 简单的响应者，没有规划或长期记忆；适用于快速、基于规则的答案。
- Deliberative Agents – 思考 → 规划 → 行动；使用工具并进行自我纠正；最接近智能助理。
- Hybrid Agents – 结合快速响应、深度规划、记忆和工具使用；在高级生产系统中常见。
代理循环
架构通过持续循环运行：
Input → Plan → Use Tools → Observe → Update Memory → Evaluate → Repeat该循环让代理能够动态调整策略，直至任务完成。
第 2 天 – 代理工具与最佳实践
工具让代理成为执行者
示例包括搜索 API、代码执行、文件操作和数据提取。如果第 1 天构建了“脑”，第 2 天则为助理配备了 笔记本、手机和互联网。
最佳实践
- 仅在需要时提供工具。
- 定义严格的输入/输出格式。
- 独立测试工具。
- 对可能导致错误的操作进行沙箱化。
工具是 职责，而不仅仅是功能。
第 3 天 – 会话与记忆
会话
会话让代理保持对话的感知，继续任务并保留上下文——本质上是“接着上次的进度”。
记忆
记忆让代理存储偏好、风格、早前的决策和工作流历史。
类比：一个记得你受伤情况、目标和训练计划的私人教练，使代理能够随你一起成长。
第 4 天 – 可观测性与评估
可观测性
代理应公开日志、指标、错误、内部推理和工具使用情况。这类似于生产软件的监控，帮助回答：
- 为什么代理会这样行为？
- 错误发生在何处？
- 哪一步导致了失败？
评估
对代理进行正确性、安全性、可靠性、延迟和成本的评估，使其 可衡量、可调优、可改进。
第 5 天 – 代理间通信
代理可以 委派、交叉检查、协作、协商和共同规划 任务。
示例：一个代理寻找酒店，另一个检查评论，第三个预订交通，第四个优化预算——共同交付完美的旅行计划。未来在于由多个专门化代理组成的生态系统，而不是单一的超级代理。
我的最大收获
- Prompt 不只是信息，它是架构的基石。
- 工具让代理成为行动者。
- 记忆创造个性化和连续性。
- 可观测性带来可靠性。
- 评估确保持续改进。
- 多代理系统解锁可扩展性和团队合作。
这门课程让我学会像 AI 系统架构师 思考，而不仅仅是 AI 使用者。
最后感想
我参加课程时想了解 AI 代理是如何工作的。结束时，我想要 构建模仿现实团队合作的 AI 代理生态系统。从 prompt → architecture → tools → memory → evaluation → agent‑to‑agent orchestration 的演进，彻底改变了我对 AI 的看法。
代理不再只是聊天界面；它们是 自我改进的协作者，能够扩展工作流、自动化复杂性并放大人类能力。
感谢 Google、Kaggle 和开发者社区提供这次成长、学习和构建的机会。