学习反思：Kaggle 与 Google 的 5 天 AI Agents 密集课程

Source: Dev.to

Overview

本篇提交回顾了 Google AI Agents Writing Challenge，并总结了我在 Kaggle 为期 5 天的 AI Agents Intensive 中的体验。此次强化训练把我对大型语言模型（LLM）的认识从单轮提示转变为构建能够随时间行动、推理和协作的系统。

Key Insights

1. Agents are workflows, not prompts

真正的力量在于编排：管理状态、记忆、工具、反馈回路以及评估。提示仅是接口；组件的连接方式决定了 Agent 的能力。

2. Tool use unlocks real‑world impact

选择合适的工具、设计模式（schema）以及处理错误成为一等公民，而不是事后考虑的事项。

3. Planning, reflection, and iteration matter

高效的 Agent 会规划任务、对中间结果进行反思，并通过迭代来提升输出质量。

4. Multi‑agent systems amplify capability (and complexity)

协调多个专门化的 Agent 能产生更丰富的结果，但也会带来额外的协同挑战。

5. Evaluation is hard—but essential

需要稳健的评估策略来发现失败、衡量性能并指导改进。

Mindset Shift: From Prompt Engineering to Systems Engineering

• 从单轮回答 → 多步推理
• 从静态响应 → 自适应行为
• 从单体模型 → 模块化、可组合的 Agent

这种重新定位让 Agent 设计类似于构建分布式系统，语言则充当控制平面。

Project: Multi‑Agent Research Assistant

• Planner Agent – 将整体任务拆解为可管理的步骤。
• Research Agent – 收集并总结相关来源。
• Critic Agent – 检查假设、识别缺口并验证发现。
• Synthesizer Agent – 将输入合成为连贯的最终答案。

Lessons Learned

• 明确的角色边界 能显著提升输出质量。
• 天真的 Agent 循环 若缺乏适当的停止条件会导致成本爆炸。
• 简单的反思步骤 能在流水线早期捕捉幻觉。
• 简洁取胜 —— 最有效的提升来自于深思熟虑的结构，而不是增加更多 Agent。

Conclusion

这次强化训练提升了我的技术技能和直觉。Agentic AI 并非魔法，而是细致的设计、迭代和评估。若方法得当，它能解锁一种强大的新方式来构建能够分步思考、使用工具并协作的智能系统。我离开课程时充满期待，准备继续实验——从简单的 Agent 向稳健、可投入生产的多 Agent 系统迈进。