谷歌 AI Agent 白皮书（4）-- 快速入门

快速构建智能体原型，体验人工智能的强大功能。

让我们用一个实际操作来验证一下：基于LangChain和LangGraph库，从零开始搭建一个智能体原型。这两个开源工具，正是实现“链式连接”逻辑推理与工具调用序列的关键，能帮我们快速构建出定制化的智能体来应对各种用户查询。

核心组件

• 模型
  ：推理引擎选择的是gemini-1.5-flash-001模型。

• 工具
  ：

  • SerpAPI
    ：用于执行Google搜索，获取实时网络信息。

  • Google Places API
    ：用于获取地点详情，如评分、地址等。

流程说明

1. 用户输入多阶段查询
   （参见代码片段8）。例如，一个查询可能涉及先搜索城市，再查询该城市的特定景点。

2. 智能体解析请求
   ，并按需调用工具链。它会理解用户的意图，然后决定先调用哪个工具，再调用哪个工具。

3. 工具执行
   ：
   • SerpAPI检索实时网络信息。
   • Google Places API提取地点数据（评分、地址等）。

4. 结果整合
   ：模型将来自不同工具的数据综合起来，生成最终响应。

：运行代码片段8后，输出示例如代码片段9所示。

虽然这只是一个相对简单的智能体示例，但它清晰地展示了

、与这三大基础组件如何协同完成特定目标。下一节，我们将探讨这些组件如何整合在Google规模的托管产品中，比如与。

通过定向学习提升模型性能

有效使用模型的关键，在于它

——尤其在面对生产环境中大量工具时。通用训练有助于模型培养这种技能，但现实场景经常需要训练数据之外的知识。打个比方，这就好比与的区别——两者都需要烹饪基础，但后者需要来获得更精细的成果。

为了帮助模型获取此类特定知识，主要有以下几种方法：

• 上下文学习（In-context learning）
  ：

  • 机制
    ：在推理时，向通用模型提供提示（prompt）、工具及少量示例（few-shot examples），让它“实时”学习如何及何时使用这些工具完成特定任务。

  • 示例
    ：自然语言处理领域的

    ReAct框架
    。

• 基于检索的上下文学习（Retrieval-based in-context learning）
  ：

  • 机制
    ：通过从外部存储器检索，动态填充模型提示中的

    最相关信息、工具及关联示例
    。

  • 示例
    ：Vertex AI扩展中的

    “示例存储（Example Store）”
    ，或前文提及的

    基于数据存储的RAG架构
    。

• 基于微调的学习（Fine-tuning based learning）
  ：

  • 机制
    ：在推理前，使用特定任务的大型数据集对模型进行训练，使其在接收用户查询前就理解何时及如何应用特定工具。

上下文学习

想象一位厨师收到顾客提供的

、和。基于这些有限信息和厨师的，他需要“即兴”烹制出最符合菜谱和顾客偏好的菜品。这就是——模型根据实时输入的提示和示例动态调整输出。

基于检索的上下文学习

假设这位厨师身处一个

，里面存放着各种食材和烹饪书（示例与工具）。此时，厨师可以动态地从储藏室中选择食材和烹饪书，更精准地匹配顾客的菜谱和偏好，从而制作出。这对应着——模型通过实时检索外部知识库来优化决策。

基于微调的学习

如果我们送厨师

，系统性学习新菜系或特定烹饪技法（基于大量特定示例的预训练），他将能更深刻地理解未来遇到的、未知的顾客菜谱。这种方法适用于需要厨师的场景，这就是——通过针对性训练来提升模型在特定任务上的性能。

：在智能体框架中结合这些方法，可以（例如实时适应 + 领域专精），同时（例如降低延迟和成本），从而构建出更健壮、适应性更强的解决方案。