谷歌 AI Agent 白皮书解析：Agent 定义与核心概念

谷歌 AI Agent 白皮书解析：Agent 定义与核心概念 | 极客日志

谷歌 AI Agent 白皮书解析：Agent 定义与核心概念

引言

随着人工智能技术的发展，2025 年被预测为 AI Agent（智能体）爆发之年。那么，什么是 AI Agent？它与 LLM Workflow、App 或传统软件的关键区别是什么？

Google 在 2024 年 9 月发布的白皮书《Agents》对此做出了详细解答。本文基于该白皮书内容，深入探讨 Agent 的定义、架构及其工作原理。

人类与工具的依赖

人类在处理复杂的模式识别任务上表现出色，但往往依赖工具——如书籍、搜索引擎或计算器——来补充先验知识并得出结论。同样，生成式 AI 模型虽然能力强大，也需要通过工具与外部真实世界进行有效交互。

例如，模型可以利用数据库检索工具访问客户购买历史以生成购物推荐，或通过调用 API 发送电子邮件、完成金融交易。为此，模型不仅需要访问一组外部工具，还需要具备规划和执行任何任务的能力。这种推理、逻辑和访问外部信息的组合，引出了 Agent 的概念：一种超越生成式 AI 模型独立能力的程序。

1. 什么是 Agent？

顾名思义，Agent 是可以代理我们完成特定任务的智能体（应用程序）。所谓代理，意味着 Agent 可以代替人类自主地完成某些任务。

在最基本的形式中，生成式 AI Agent 可以定义为一个应用程序，它试图通过观察世界并使用其可用的工具来实现目标。

自主性：Agent 是自主的，可以在没有人类干预的情况下独立行动，尤其是在提供了适当的目标时。
主动性：Agent 可以主动采取行动来实现其目标。即使在缺乏人类明确指令集的情况下，Agent 也可以推理出为了实现最终目标下一步应该做什么。

本白皮书将重点关注生成式 AI 模型在发布时能够构建的特定类型的 Agent。

2. Agent 的核心组件

为了理解 Agent 的内部工作原理，我们需要介绍驱动其行为、行动和决策的基本组件。这些组件的组合描述了一种认知架构。

图 1. 通用代理架构及组件

2.1 模型 (The Model)

模型是 Agent 的灵魂。如果说 Agent 是一个能够执行特定任务的机器人，大语言模型（LLM）就是它的大脑；如果说 Agent 是一台电脑，模型就是它的 CPU/GPU。

在 Agent 的范围内，模型指的是作为 Agent 过程中央决策者的语言模型（LM）。

灵活性：Agent 使用的模型可以是任何大小的单个或多个 LM，能够遵循基于指令的推理和逻辑框架，如 ReAct、Chain-of-Thought 或 Tree-of-Thoughts。
适应性：模型可以是通用的、多模态的，或根据特定 Agent 架构的需求进行微调。
训练优化：为了获得最佳生产结果，应利用最适合期望最终应用程序的模型。虽然模型通常不会针对 Agent 的特定配置设置（如工具选择）进行训练，但通过提供展示 Agent 能力的示例（包括使用特定工具或推理步骤的实例），可以进一步优化模型。

2.2 工具 (The Tools)

简而言之，工具是沟通 Agent 和现实世界的桥梁，是 Agent 获取现实世界信息、触发外部世界开关的接口。

尽管基础模型在文本和图像生成方面表现出色，但它们受到无法与外部世界互动的限制。工具填补了这一空白，使 Agent 能够与外部数据和服务互动，解锁超越基础模型本身能力的更广泛行动。

形式：工具可以采取多种形式，具有不同的复杂性深度，但通常与常见的 Web API 方法（如 GET、POST、PATCH 和 DELETE）保持一致。
功能：例如，工具可以更新数据库中的客户信息，或获取天气数据以影响旅行建议。
扩展能力：通过工具，Agent 可以访问和处理现实世界的信息。这支持了检索增强生成（RAG）等专业系统，显著扩展了 Agent 的能力。

2.3 编排层 (The Orchestration Layer)

编排实际上是在'指导'Agent 如何工作，它确保 Agent 接收信息后进行一系列推理和循环，最终实现目标。

编排层描述了一个循环过程，规定了 Agent 如何接收信息、进行内部推理，并使用该推理来指导其下一步行动或决策。

循环机制：通常，这个循环会继续，直到 Agent 达到其目标或停止点。
复杂度：编排层的复杂性因 Agent 及其执行的任务而异。一些循环可能只是简单的计算和决策规则，而其他循环可能包含链式逻辑、涉及额外的机器学习算法，或实现其他概率推理技术。

3. Agent 与模型的对比

为了更清楚地理解代理与模型之间的区别，请参考以下对比维度：

维度	基础模型 (Model)	智能体 (Agent)
核心能力	生成内容、回答问题	规划、执行任务、使用工具
交互方式	被动响应提示	主动观察环境、调用工具
自主性	低，需明确指令	高，可自主决策下一步
记忆与状态	上下文窗口有限	维护长期记忆、状态管理
目标导向	无明确目标	有明确目标并致力于达成

4. 认知架构：Agent 如何运作

把 Agent 想象成一个'有脑子'的自动化设备，大语言模型就是该设备的'大脑'。

输入：来自于用户的输入、外部命令或者某些条件触发。
执行方法：来自提示词为它编写的'程序'或推理框架。
实时数据：来自外部工具。
输出：决策或者外部工具执行的结果。

4.1 厨师类比

想象在一个繁忙的厨房里，一位厨师正在工作。他们的目标是为顾客制作美味的菜肴，这涉及计划、执行和调整的循环过程。

收集信息：订单以及储藏室和冰箱中的食材。
内部推理：思考可以制作哪些菜品和风味。
采取行动：切菜、调配香料、煎肉。
调整优化：根据原料消耗或顾客反馈完善计划。

这种信息输入、计划、执行和调整的循环，描述了厨师为达成目标所采用的独特认知架构。Agents 也可以利用认知架构，通过迭代处理信息、做出明智决策，并根据先前的输出不断优化下一步行动。

4.2 协调层

在 Agents 认知架构的核心，存在一个协调层，负责维护记忆、状态、推理和规划。它利用迅速发展的提示工程及其相关框架来指导推理和规划。

5. 主流推理框架与技术

关于提示工程框架和语言模型任务规划的研究正在快速推进，以下是几种流行的框架和推理技术：

5.1 ReAct (Reasoning + Acting)

ReAct 是一种提示工程框架，为语言模型提供了一种推理过程策略，用于对用户查询进行推理并采取行动。

优势：已被证明优于多个 SOTA 基线，提高了 LLM 的人机互操作性和可信度。
流程示例：
1. 用户向 Agent 发送查询。
2. Agent 开始执行 ReAct 序列。
3. Agent 向模型提供提示，要求生成下一个 ReAct 步骤：
  - 问题：用户查询中的输入问题。
  - 思考：模型对接下来应执行的操作的思考。
  - 操作：模型决定要进行的操作（如选择工具）。
  - 动作输入：模型决定提供给工具的输入。
  - 观察：动作/动作输入序列的结果。
4. 此思维/动作/观察可根据需要重复 N 次。
5. 最终答案返回给用户。

5.2 链式推理 (Chain-of-Thought, CoT)

CoT 是一种提示工程框架，通过中间步骤实现推理能力。

子技术：包含自一致性、主动提示和多模态 CoT 等。
适用场景：适用于需要逐步推导的逻辑问题。

5.3 思维树 (Tree-of-Thoughts, ToT)

ToT 是一种适用于探索或前瞻性任务的提示工程框架。

原理：扩展了链式推理提示，允许模型探索多种思维链，作为使用语言模型解决一般问题的中间步骤。
优势：适合需要回溯和评估多条路径的复杂任务。

6. 总结与展望

Agent 响应的质量直接取决于模型对这些各种任务进行推理和操作的能力，包括选择正确工具的能力，以及这些工具的定义有多完善。就像厨师用新鲜食材精心制作菜品一样，代理依赖于合理的推理和可靠的信息来提供最佳结果。

未来，随着工具生态的丰富和推理框架的优化，AI Agent 将在更多垂直领域实现落地，从简单的信息查询到复杂的业务流程自动化。开发者在构建 Agent 时，应重点关注模型选型、工具接口的标准化以及编排逻辑的鲁棒性，以确保 Agent 在实际应用场景中的稳定性和有效性。

通过深入理解 Agent 的认知架构和推理机制，我们可以更好地设计下一代智能应用，释放生成式 AI 的真正潜力。

谷歌 AI Agent 白皮书解析：Agent 定义与核心概念