从 Prompts 到 Autonomous Systems：我在 AI Agents Intensive 的学习之旅

Source: Dev.to

Introduction

这是我为 Google AI Agents 写作挑战提交的作品。
在参加本课程之前，我大多把 AI 看作一个接收提示并返回答案的系统。经过五天的学习，我的思考方式转变为将 AI 视为目标驱动的、自治的，并且能够随时间行动——而不仅仅是一次性的响应。

Key Concepts that Impacted Me

• Agents don’t just answer — they plan and take action.
• Tool‑use expands the capabilities of AI beyond text generation.
• Memory matters. Long‑term and short‑term memory enable agents to adapt and improve.
• Multiple agents can collaborate to solve complex tasks more effectively than a single model.

这些想法帮助我理解了为什么代理是传统提示‑响应 AI 之后的下一步。

Mental Model for Designing Agents

Goal → Plan → Act → Observe → Improve

不再只考虑“更好的提示”，我现在会思考：

• 代理的目标是什么？
• 它可以使用哪些工具？
• 它如何评估自己的进展？
• 记忆如何随时间塑造行为？

这种思维方式的转变是我最大的收获。

Final Challenge Project

我构建了一个帮助学生的代理：

• 规划主题
• 跟踪学习进度
• 生成复习测验

该代理的行为更像是个人学习伙伴，而不是一次性的聊天机器人。实现过程强化了我对以下内容的理解：

• 创建代理循环
• 设计清晰的任务和角色
• 为长期使用持久化记忆

项目虽小，却帮助我将代理思维应用到真实工作流中。

Looking Ahead

这门课程让我有信心设计 AI 主动出击而不是被动等待指令的系统。我期待继续探索：

• 多代理协作
• 自我评估的代理
• 记忆增强的代理
• 真实世界的 API 与工具集成

代理式 AI 像是对未来的预览，我很高兴通过这次密集课程迈出了第一步。

Acknowledgements

感谢 Google、Kaggle 以及社区提供的机会和资源。 🙌