编排智能：对 Agentic AI 的反思

Source: Dev.to

学习感悟 – Google AI Agents 编程挑战

AI Agents Intensive 课程是一段变革性的旅程，它把我对大型语言模型（LLM）的看法从“强大的聊天机器人”转变为将其视为复杂、可靠软件系统中的 Reasoning Engine。这种重新定位在 Agent Development Kit (ADK) 的支持下，根本改变了我使用 AI 解决问题的方式。

为期五天的研讨会将动手实验与丰富的白皮书相结合，促成了架构的根本性转变：

起点

• 依赖单一、庞大的提示词让 LLM 处理所有任务（单体 方法）。

转折点

• 认识到可靠性来源于专精化，并引入 multi‑agent system（模块化 方法）。

动手实验展示了单体模型的失效模式（例如计算错误、不可靠的步骤），并证明了模块化、编排模型的成功。

关键洞见：计算代理

AgentTool 与 BuiltInCodeExecutor 的组合使得创建专用且可验证的 Calculation Agent 成为可能。

• 在传统的 LLM 开发中，信任模型进行复杂的金融或科学计算是有风险的。
• ADK 方法让主代理决定需要哪种计算，然后将执行委派给只能输出并运行代码的专用代理。
• 这种分离——LLM 推理 与代码执行器 精度——对于高合规性、任务关键型环境至关重要。

为可靠性而专精（第 1 & 2 天）

构建小型、任务特定的代理（例如 ResearchAgent、CriticAgent）显著降低了提示词的复杂度和工具使用错误。

编排为王

ADK 的原生编排工具提供了真实世界应用所需的结构。

• SequentialAgent 强制金融流水线的正确顺序。
• ParallelAgent 通过并行运行分析来最大化效率。

外部工具的力量（第 2 天）

集成 BuiltInCodeExecutor 确保计算精度——这是在关键功能中防止 LLM “幻觉”的必要防火墙。

理解的演进

• 之前： 代理被描述为拥有“工具”，但关系模糊。
• 之后： 代理通过专门的角色、通过共享状态和工具的结构化通信，以及使用 MemoryBank 的长期记忆（第 3 天）来定义。
• 这种模块化使代理更易调试、更可靠，最终更具可扩展性。

LoanIntel‑Pro：案例研究

LoanIntel‑Pro 是一个智能咨询系统，简化并自动化复杂的贷款申请步骤。它为申请人提供即时、精准的资格反馈、个性化贷款方案、合同风险以及财务计算——全部在单一、可靠的工作流中完成。

专业代理如何驱动 LoanIntel‑Pro

• 保证准确性： 所有关键数学计算都委派给使用 BuiltInCodeExecutor 的专用代理，确保财务数字的精确。
• 提升效率： 通过同时运行四个专职子代理（Parallel Agents）加速文档审查。
• 个性化建议： 自定义记忆功能检索并存储申请历史，使最终报告能够进行对比和情境化反馈。

收获

AI 的未来在于 by design 的信任。通过使用 Sequential、Parallel 和代码执行代理对 ADK 进行结构化编排，LoanIntel‑Pro 展示了 AI 应用能够可靠地管理复杂工作流和关键计算。这超越了理论概念验证，为构建下一代可扩展、透明且合规的 AI 系统奠定了基础。