从用户到构建者：我对 Google 的 5 天 AI Agents 密集课程（与 Kaggle）的真实评测

Source: Dev.to

课程概览

在过去的五天里，我沉浸在 Google 与 Kaggle 合作的 AI Agents Intensive 中，这是一场动手学习冲刺，旨在帮助参与者通过实用工具和真实场景挑战，理解、构建并部署 AI 代理。最初的好奇心很快演变为一次结构化且富有洞察的智能自动化未来之旅。

第 1 天 — AI 代理基础

• 核心概念：AI 代理是什么，它们如何感知、推理和行动。

第 2 天 — 工具、框架与 Notebook 演练

• 探索了 AI 代理背后的实用生态系统。
• 与代理工具集交互，修改了简单的代理行为，并尝试了任务优化的提示工程。
• 首次真正感受到“构建”——不仅仅是学习。

第 3 天 — 构建我的第一个代理

• 定义代理目标，提供工具和约束，评估代理的推理轨迹，并通过迭代反馈细化其行为。
• 看到代理端到端完成任务的过程令人非常有成就感。

第 4 天 — 高级代理工作流与优化

• 链接工具，加入记忆和状态，改进推理模式，并使用 Kaggle 的评估基准。
• 思维方式从用户转向系统设计师。

第 5 天 — 结业挑战与反思

• 完成了一个小型项目：创建了一个能够在最少干预下解决真实问题的代理。
• 反思了自主、目标驱动的系统如何与人类协作，以简化任务、探索数据并解决有意义的问题。
• 关键收获：
  • 即使是初学者，只要拥有合适的工具，也能构建可用的代理。
  • 实验是最快了解这些系统思考方式的方法。
  • 工作的未来将由人‑代理协作塑造。

多代理客服助理 — 结业项目概览

一个简洁但功能完整的多代理客服助理，针对企业代理轨道构建。

系统功能

当用户发送消息（例如 “我需要退款” 或 “我的发票金额错误”）时，系统会使用四个专门的代理进行处理：

1. 意图代理 – 分析消息，识别意图（退款、取消、账单问题等）以及紧急程度（低、中、高）。
2. 回复代理 – 根据识别出的意图生成简短、清晰、专业的客服回复。
3. 升级代理 – 判断是否需要人工支持。
4. 协调代理 – 充当系统的 “大脑”：接收消息，调用上述三个专用代理，收集它们的输出，并返回包含以下内容的完整响应包：
   • 预测的意图
   • 紧急程度
   • 自动生成的回复
   • 升级决策
   • 整洁的 JSON 输出

该架构展示了多代理系统依赖编排而非孤立决策的方式。

构建此项目的原因

• 企业相关性： 符合企业代理轨道，展示了在常见业务工作流中的多代理协作。
• 职责清晰： 每个代理都有明确的角色，使系统易于理解和预测。
• 适合多代理架构： 客服自然可以拆分为理解、回复和升级三个环节。
• 轻量实用： 使用简单的基于规则的逻辑取代重量级模型，实现快速执行、易于理解且安全运行，无需外部 API 调用。结构具备可扩展性——后续可用 LLM 替换各代理以实现更高级的版本。
• 满足 Kaggle 竞赛要求。

资源

• 项目概览视频（2 分钟）： https://youtu.be/ZfRAe9AJVfU?si
• 结业项目写作稿： https://kaggle.com/competitions/agents-intensive-capstone-project/writeups/new-writeup-1764584691566

衷心感谢 Google 与 Kaggle 团队的精心组织。强烈推荐这些材料给所有认真想要构建下一代 AI 的开发者或架构师。