聊天模型答完一句就停下,智能体(Agent)则会自己拆步骤、调工具、看结果、再决定下一步——Google 在 2024 年 9 月发布的英文白皮书《Agents》(42 页)讲的就是这套机制怎么搭。三位作者 Julia Wiesinger、Patrick Marlow、Vladimir Vuskovic 均来自 Google,全文以概念和架构为主,不要求编程基础,适合用过 AI 聊天工具、想弄清楚"智能体和普通模型到底差在哪"的学生与职场读者。
智能体是什么:会观察、会用工具的应用程序
白皮书给的定义很朴素:生成式 AI 智能体是一个应用程序,它通过观察周围世界、使用手头的工具去达成一个目标。它有两个突出特点:一是自主性,只要目标给得合适,就能独立行动,不需要人一步步盯着;二是主动性,即使人只给了一句模糊的指令,它也能推理出接下来该做什么。
支撑这套行为的架构叫认知架构(cognitive architecture),核心是三个组件:
- 模型(model):智能体的决策中枢。可以是一个或多个任意规模的语言模型,只要能遵循 ReAct、Chain-of-Thought、Tree-of-Thoughts 这类推理框架即可;可以按需选通用模型、多模态模型或微调过的模型。
- 工具(tool):模型连向外部的通道,常见形态是 Web API。基础模型再强,训练之后知识就停在那里,有了工具才能碰实时信息、执行现实动作。
- 编排层(orchestration):一个循环——接收信息、内部推理、用推理结果指导下一步行动或决策,循环持续到达成目标或触发停止条件为止。
模型和智能体的区别,白皮书用一张表说清了:
| 模型 | 智能体 |
| 知识范围 | 仅限训练数据 | 经工具连接外部系统,实时、动态扩展 |
| 状态与记忆 | 无状态,每次推理互不相干 | 有状态,自动管理会话历史,多轮推理 |
| 原生工具 | 无 | 自带工具及调用支持 |
| 原生逻辑层 | 无,需提示工程拼复杂提示 | 内置 ReAct、CoT 等推理框架或编排框架 |
编排层怎么转:推理框架和一个完整例子
编排层靠推理框架驱动。白皮书重点讲了三种:ReAct 给模型一个"思考→行动→观察"的循环策略,实测优于多个当时的基线;Chain-of-Thought 靠中间推理步骤提升复杂问题的表现;Tree-of-Thoughts 让模型同时探索多条思路,适合探索性或前瞻性任务。书里反复用厨师做菜打比方:收集食材(信息)、判断能做什么菜(推理)、动手烹制(行动),再按顾客反馈和食材情况随时调整——这个"信息、规划、执行、调整"的循环就是认知架构。
LangChain 上手一章给了个 ReAct 的完整例子。用户问:"德州长角牛队上周橄榄球赛和谁打?对方球场的地址是什么?"智能体先调 SerpAPI 搜索,得知对手是 Georgia Bulldogs;再调 Google Places API 查对方球场,拿到 Sanford Stadium 的地址(100 Sanford Dr, Athens, GA 30602, USA),最后把答案汇总给用户。
每一步用了哪个工具、传了什么参数、看到了什么结果,循环里全程可见。
三类工具:智能体伸向外部的三种手
工具一章是全文最实用的部分,分三类:
- Extensions(扩展):在智能体侧执行。它把外部 API 按标准化方式接给智能体,靠内置示例教会模型什么时候用、怎么传参,模型在运行时动态挑合适的扩展。书里的例子是 Vertex AI 的 Code Interpreter 扩展:一句"写个 O(n) 反转二叉树的方法",扩展自己生成并运行了 Python 代码。
- Functions(函数调用):模型只负责输出函数名和参数——比如一段结构化 JSON——真正的函数在客户端执行。书中的例子是滑雪旅行规划:用户说想全家去滑雪,模型输出 display_cities 调用,参数含城市列表和偏好,由应用层决定下一步。适合有安全或鉴权限制、批处理、人工复核等不适合让智能体直接碰 API 的场景。
- Data Stores(数据存储):解决"模型知识停在上次训练"的问题。文档以原始格式接入,转成向量数据库里的 embedding,智能体按相似度检索——这就是 RAG 的基础。一次请求的生命周期五步:查询向量化、相似度匹配、取回相关文本、智能体决策、返回用户。
三类工具怎么选,白皮书第 32 页的对比表说得很直白:Extensions 和 Data Stores 在智能体侧执行,Functions 在客户端执行;想让智能体自己控 API 就用 Extensions,涉及安全、时序、内网 API 就用 Functions,要做 RAG 就用 Data Stores。
想让模型用对工具:三条学习路径
工具选得准不准,还取决于模型的能力。白皮书给了三种针对性学习方式:上下文学习(推理时给提示词、工具和示例,模型"即时学")、基于检索的上下文学习(RAG 从外部存储动态填充相关信息)、微调(用大量特定示例训练,模型先验地掌握何时用何工具)。三种方式在速度、成本和延迟上各有取舍,按需组合。
读与获取
白皮书共 42 页,2024 年 9 月发布,每页页眉带 "Agents | September 2024",致谢与编辑名单里有 Antonio Gulli、Anant Nawalgaria 等 Google 资深研究者。概念部分(前三章,第 4–11 页)不需要任何账号和工具就能读;LangChain 示例一章想复现,需要 SerpAPI 和 Google Places 的 API key,Vertex AI 生产化一章需要 Google Cloud 项目。
要注意成稿时间是 2024 年 9 月,文中提到的具体产品名和扩展生态迭代很快,动手前以官方最新文档为准。
获取入口、社区中文全译链接和分章阅读建议,放在回复可见的楼层,回复后即可展开查看。
────────────────
本楼回复后可见:白皮书官方获取入口、中文全译与论坛内相关合集的链接,以及按目录整理的分章阅读建议。