掌握 AI Agents：来自 Google x Kaggle Intensive 与我的 Capstone 的经验教训

Source: Dev.to

Introduction

在参加 Google 与 Kaggle 合作的 5 天 AI 代理强化课程之前，我把大型语言模型（LLM）主要视为知识引擎——能够编写代码或回答问题的高级聊天机器人。课程结束时，我的视角彻底改变了。我意识到，当你为 LLM 提供工具 并加入 推理循环 时，它不再只是文本生成器，而是成为了一个 代理：一个能够感知、推理并采取行动的系统。

在我的毕业项目中，我把这些学习应用于构建一个 市场情绪监测与警报代理，该系统旨在自动化繁琐的金融新闻追踪和市场健康评估任务。下面是对整个过程的回顾、关键概念的体会以及代理的构建方式。

The “Aha!” Moment: Tools & Reasoning

课程中最让人印象深刻的概念是从 Zero‑Shot Prompting 向 ReAct（Reasoning + Acting）循环的转变。

之前：
我会问 LLM：“市场情绪如何？”它会产生幻觉或基于旧的训练数据给出通用答案。

之后：
我学会了构建一个会思考的代理：

Thought: "I need to check the latest news for specific tickers."
Action: Calls a Search Tool or News API.
Observation: Reads the headlines.
Reasoning: "These headlines look bearish. I should calculate a sentiment score."
Final Response: Sends an alert.

给 AI “手”（工具）和 “脑”（Gemini 2.0 Flash）后，我能够构建出动态的系统。

My Capstone: Market Sentiment Monitoring and Alert Agent

What it Does

• 监控一组股票代码的实时金融新闻。
• 提取带有情绪的关键词并分配数值情绪分数。
• 当聚合分数超过可配置阈值时发送警报。

Under the Hood

大脑： Google Gemini（通过 Vertex AI 或 Gemini API）。

工具： 集成的 Python 库用于获取实时数据（如 yfinance、网页抓取工具）以及搜索功能。

逻辑：

• 看涨关键词检测 —— 识别积极词汇。
• 上下文感知 —— 区分“利润损失”与“数据丢失”等不同语境。

你可以在这里查看完整代码和项目说明：Link to my Project。

Challenges & Key Takeaways

• 幻觉 vs. 现实： 基础性（grounding）至关重要。使用 Google Search 作为工具确保代理引用真实 URL，而不是编造新闻。
• 上下文窗口： 管理代理记忆的历史长度非常关键。你不希望它在决定今天的警报时分析 2020 年的新闻。
• 评估： 正如第 4 天课程所强调的，“感觉”不足以评判。我手动将代理的情绪分数与自己的直觉进行比较，以微调提示词。

Conclusion

Google 与 Kaggle 的强化课程虽短，却为长期发展奠定了基础。接下来，我计划升级我的市场情绪代理，使其不仅能发出警报，还能在纸上交易环境中（当然仅作模拟）提出投资组合调整建议！

如果你对进入代理式 AI 仍犹豫不决，现在就开始吧。 “与 AI 对话” 与 “让 AI 为你工作” 之间的差距正在快速缩小。