下面是一份 《Introduction to Agents》全篇中文直译 （含目录、致谢、图表标题与脚注），并保留关键专业术语英文原文（如 Agent Ops, RAG, Orchestration Layer, ADK, MCP, A2A, HITL, OpenTelemetry 等）以便核对与检索。若原文为品牌名、专有名词或协议名称，均以英文保留或中英并列。为便于参考，我在各主要章节处附上来源标记，并在需要处指明原文页码与图号。
封面（第 1 页）
Introduction to Agents（智能体白皮书）
作者：Alan Blount, Antonio Gulli, Shubham Saboo, Michael Zimmermann, Vladimir Vuskovic
前言与致谢（第 2 页）
Acknowledgements（致谢）
内容贡献者（Content contributors）：Enrique Chan, Mike Clark, Derek Egan, Anant Nawalgaria, Kanchana Patlolla, Julia Wiesinger
策展与编辑（Curators and editors）：Anant Nawalgaria, Kanchana Patlolla
设计（Designer）：Michael Lanning
目录（第 3–5 页）
- From Predictive AI to Autonomous Agents（从预测式 AI 到自主智能体）
- Introduction to AI Agents（AI 智能体简介）
- The Agentic Problem-Solving Process（智能体问题求解流程）
- A Taxonomy of Agentic Systems（智能体系统分类法）
- Level 0: The Core Reasoning System（核心推理系统）
- Level 1: The Connected Problem-Solver（连接式问题求解者）
- Level 2: The Strategic Problem-Solver（战略型问题求解者）
- Level 3: The Collaborative Multi-Agent System（协作式多智能体系统）
- Level 4: The Self-Evolving System（自演化系统）
- Core Agent Architecture: Model, Tools, and Orchestration（核心架构：模型、工具与编排）
- Model: The “Brain” of your AI Agent（模型：智能体的“大脑”）
- Tools: The “Hands” of your AI Agent（工具：智能体的“手”）
- Retrieving Information: Grounding in Reality（信息检索与现实对齐）
- Executing Actions: Changing the World（执行行动：改变世界）
- Function Calling: Connecting Tools to your Agent（函数调用：连接工具与智能体）
- The Orchestration Layer（编排层）
- Core Design Choices（核心设计抉择）
- Instruct with Domain Knowledge and Persona（以领域知识与人格进行约束/指令）
- Augment with Context（用上下文增强）
- Multi-Agent Systems and Design Patterns（多智能体系统与设计模式）
- Agent Deployment and Services（部署与服务）
- Agent Ops: A Structured Approach to the Unpredictable（Agent 运维：结构化应对不确定性）
- Measure What Matters: Instrumenting Success Like an A/B Experiment（衡量要紧之处）
- Quality Instead of Pass/Fail: Using a LM Judge（用 LM 评审衡量质量）
- Metrics-Driven Development: Your Go/No-Go for Deployment（指标驱动的上线决策）
- Debug with OpenTelemetry Traces: Answering “Why?”（用 OpenTelemetry Trace 调试）
- Cherish Human Feedback: Guiding Your Automation（重视人类反馈）
- Agent Interoperability（互操作性）
- Agents and Humans（人与智能体）
- Agents and Agents（智能体与智能体）
- Agents and Money（智能体与金钱）
- Securing a Single Agent: The Trust Trade-Off（单体安全：信任的权衡）
- Agent Identity: A New Class of Principal（智能体身份）
- Policies to Constrain Access（约束性策略）
- Securing an ADK Agent（保护 ADK 智能体）
- Scaling Up from a Single Agent to an Enterprise Fleet（从单体到企业车队）
- Security and Privacy（安全与隐私）
- Agent Governance（治理与控制平面）
- Cost and Reliability（成本与可靠性）
- How agents evolve and learn（智能体如何演进与学习）
- Simulation and Agent Gym（仿真与 Agent Gym）
- Examples of advanced agents（高级示例）
- Google Co-Scientist
- AlphaEvolve Agent
- Conclusion（结论）
- Endnotes（注释/参考）
从预测式 AI 到自主智能体（第 6–7 页）
多年来，AI 的重点在于执行被动、离散任务：回答问题、翻译文本、依据 prompt 生成图像。这一范式虽强大，却在每一步都需要人工指令。我们正经历一次转变：从“只会预测/生成内容”的 AI，走向能够**自主地解决问题与执行任务（autonomous problem‑solving and task execution）**的新型软件。
智能体（Agent）并非只是在静态工作流中的 AI 模型，而是一个完整应用：它会制定计划并采取行动以达成目标。它把语言模型（LM）的推理能力与实际行动能力（工具/函数/API）结合，使其能处理模型本身无法独立完成的复杂多步任务；关键能力在于无需人在每一步指引也能自行判断下一步。
本文件是五部分系列中的第一部分，为从 PoC 走向生产级 agentic 系统的开发者、架构师与产品负责人提供正式指南。它的重点包括核心剖析（Model/Tools/Orchestration）、能力分级（从连接式求解到多智能体协作）、架构设计与生产化（Agent Ops），以帮助构建、部署与治理能“reason–act–observe”以达成目标的新一代智能应用。
AI 智能体简介（第 8–10 页）
我们常以拟人化词语描述人机交互（如 think, reason, know），但“语义上的知道”与“为最大化奖励而高概率输出”是不同概念——尽管 99.X% 的时候结果相同。
最简定义：AI Agent 是由模型（Model）、工具（Tools）、编排层（Orchestration Layer）与运行时服务（Runtime Services）组成的系统，借助LM‑in‑the‑loop来完成目标。
- Model（“大脑”）：LM/基础模型作为推理引擎，处理信息、评估选项并做出决定。Agent 成为 LM **输入上下文（context window）**的终极策展人。
- Tools（“双手”）：API、代码函数与数据存取（数据库、向量库）连接外部世界。Agent 负责计划使用何种工具、执行工具，并把结果纳入下一次 LM 调用的上下文。
- Orchestration Layer（“神经系统”）：负责规划、记忆（state/memory）与推理策略，用 Chain‑of‑Thought 或 ReAct 将复杂目标拆解为步骤，决定何时“思考”与何时“用工具”。也负责给 Agent “记忆”。
- Deployment（“身体与双腿”）：生产部署让 Agent 成为可靠、可访问的服务（带监控、日志、管理），通过 UI 或 Agent‑to‑Agent（A2A） API 供人或其他 Agent 调用。
开发范式的转变：传统开发者像“砌砖工”写死每一步；Agent 开发者更像“导演”，负责设置场景（指令与提示）、挑演员（工具与 API）、配上下文（数据），引导这个“演员”交付预期表现。LM 的灵活性也是稳定性难题：要让它“只做一件事”很难，因而需要context engineering（上下文工程）。Agent Ops 以可观测性（traces/logs） 帮助调试与优化。
智能体问题求解流程（第 10–13 页）
Agent 的核心是一种持续的循环，可概括为五步：
- Get the Mission（获得任务）：来自用户或自动触发的高层目标（如“为团队安排大会差旅”）。
- Scan the Scene（扫描场景）：编排层收集上下文：请求文本、短期/长期记忆、工具可达的信息等。
- Think It Through（推理规划）：模型驱动的思考环节，将任务与场景对齐并制定计划（常为链式推理）。
- Take Action（执行行动）：按计划调用工具（API/函数/数据库查询等）。
- Observe and Iterate（观测并迭代）：把工具返回加入上下文/记忆，回到思考环节直至完成任务。
图 1（第 12 页） 展示了该“Think–Act–Observe”流程示意。以客服智能体回答“订单 #12345 在哪？”为例：
- 先于“Think”阶段拟定多步计划：识别（查询内部订单）→ 追踪（取快递单号并查外部承运商 API）→ 报告（综合结果答复）。
- 执行 find_order(“12345”) → 观测到包含 tracking number“ZYX987”；
- 执行 get_shipping_status(“ZYX987”) → 观测状态“Out for Delivery”；
- 综合生成答复：“您的订单 #12345 正在派送中（Out for Delivery）”。
智能体系统分类法（第 14–18 页）
图 2（第 14 页） 给出分级金字塔：
- Level 0：核心推理系统（仅 LM，无工具/记忆/外界交互）。长处是广博训练知识；短板是无实时感知。
- Level 1：连接式问题求解者（连上外部工具）。能通过检索、搜索或 RAG 获取实时事实并作答。
- Level 2：战略型问题求解者（context engineering 成为关键）。能选择/打包/管理每一步所需的最相关信息并规划多步任务。
- Level 3：协作式多智能体系统（一支专家团队协作完成复杂业务流程；Agent 把其他 Agent 当作工具）。
- Level 4：自演化系统（能识别自身能力缺口并自主创建新工具/新智能体来填补）。
核心架构：模型、工具与编排（第 19–22 页）
模型：智能体的“大脑”
选择 LM 关乎推理能力、成本与延迟。不要只看学术基准；应基于业务目标设定评测（如在私有代码库或特定表单上测试），并在质量–速度–价格间权衡。可以采用多模型路由：用强模型（如 Gemini 2.5 Pro）做复杂规划，用快模型（如 Gemini 2.5 Flash）做分类、摘要等高频小任务。多模态可用原生多模态模型，或专用工具（Cloud Vision/Speech‑to‑Text）+ 语言模型的“先转文本再推理”路径。模型更新迅速，需以 Agent Ops + CI/CD 持续评估与迭代。
工具：智能体的“手”
- 信息检索（RAG/NL2SQL）：让智能体在发言前“先查再答”，以事实对齐现实、降低幻觉。
- 执行行动（API/代码执行）：发送邮件、建日程、改工单；在沙箱中生成与运行代码（SQL/Python）以计算/转换。
- 以人为环（HITL）：例如 ask_for_confirmation() / ask_for_date_input()，在关键决策处引入人类。
函数调用（Function Calling）
要可靠地用工具，需清晰契约与安全编排。可用 OpenAPI 描述工具 schema，让模型生成正确参数并解析响应；也可用 Model Context Protocol（MCP） 做便捷发现与连接。部分模型有原生工具（如 Gemini 的原生 Google Search）。
编排层 & 核心设计抉择（第 22–26 页）
编排层（The Orchestration Layer）
相当于“中枢神经系统”，负责驱动 Think–Act–Observe 循环、管理状态机与开发者的规则逻辑，并产出详细 traces/logs用于可观测性与调试。
核心设计抉择
- 自治程度：从确定性工作流 + LM 辅助到LM 驾驶座的高度自适应。
- 实现方式：无代码适合快启；代码优先（如 Google Agent Development Kit, ADK）能获得深度控制与可集成性。
- 框架要求：开放、可插拔（防 vendor lock‑in）；精细控制（规则治理 LM 的非确定性）；重视可观测性（能追踪提示、工具选择、参数与观测结果）。
指令与人格（Persona）
用系统提示（system prompt）为智能体立“宪法”：角色、语调、输出 schema、约束与何时为何用工具，并附示例。
记忆与上下文增强（Context & Memory）
- 短期记忆：会话历史/状态（动作–观测对）。
- 长期记忆：通常以RAG + 向量库/搜索实现，可查询自身历史与用户偏好以供个性化体验。
多智能体与设计模式
把复杂流程拆分给专精智能体，便于构建/测试/维护。
- Coordinator（协调者）模式：处理动态/非线性任务，由“经理”智能体拆分子任务并路由。
- Sequential（顺序链）模式：线性装配线式输出传递。
- Iterative Refinement（迭代打磨）模式：生成者与批评者循环优化质量与安全。**图 3（第 25 页）**示意此模式。
- HITL 模式：高风险任务上引入人类审批。
部署与服务（第 26–27 页）
把本地 Agent 部署到常驻服务器，供人和其他 Agent 使用。生产环境需会话/记忆持久化、日志/监控、隐私/合规/数据驻留等。可选：
- Vertex AI Agent Engine 等平台化托管；
- 容器化（Docker）+ Cloud Run/GKE 等标准运行时。 早期探索可使用框架自带的一键部署；走向安全与生产就绪需CI/CD 与自动化测试。**图 4（第 27 页）**展示了 Vertex AI Agent 架构界面。
Agent Ops：结构化应对不确定性（第 27–31 页）
从确定性软件转向随机性智能体，传统单元测试“output == expected”已不适用；语言质量往往需要LM 充当评审（LM as Judge）。**图 5（第 28 页）**展示了 DevOps/MLOps/GenAIOps 的关系。
衡量要紧之处（像 A/B 实验一样设仪表）
定义业务导向 KPI：目标完成率、用户满意度、任务延迟、每交互成本，以及对营收/转化/留存等业务指标的影响，并以此驱动观测与优化。
用 LM 评审衡量质量（而非简单通过/失败）
以预设评分细则（rubric）让强模型评估输出：是否正确、是否有事实依据、是否遵守指令等。基于黄金数据集自动评估，但仍需领域专家复核。
指标驱动的开发与上线
版本改动跑完整评测集，与生产基线对比质量/延迟/成本/成功率等；可用A/B 灰度降低上线风险。
用 OpenTelemetry Trace 回答“为什么？”
当指标下滑或有缺陷上报，需要追因：Trace 记录了完整执行轨迹（提示、内部推理_如可用_、工具选择、参数、原始观测数据）。Trace 适合定位根因，关键信息可转化为指标。
重视人类反馈
用户的“踩”与缺陷报告是最有价值的数据：将其回溯到分析平台形成洞见与告警，并把复现出的场景加入评测集，形成免疫同类错误的机制闭环。
互操作性（第 31–34 页）
人与智能体（Agents and Humans）
最常见是UI 交互：从简易聊天到结构化 JSON驱动的富前端。HITL 包含意图澄清、目标扩展、确认等。
Computer Use 工具让 LM 接管 UI 操作（导航、点击、表单预填等），或借助 MCP UI / AG UI / A2UI 等由工具控制/事件驱动/消息驱动生成 UI 的方式反向改变 UI。
实时多模态（live mode） 让语音双向流式与可打断交互成为可能（如 Gemini Live API），并结合摄像头/麦克风以低延迟产生更自然的人机协作。
智能体与智能体（Agents and Agents）
企业内不同团队将构建不同专精智能体。为解决发现与通信的通用性问题，提出 Agent‑to‑Agent（A2A）协议：
- 通过 Agent Card（数字名片，JSON）发布能力、端点与凭证，便于标准化发现；
- 通信使用任务导向异步模式，支持长连接流式进度，从而支撑 Level 3 的协作式多智能体系统。
智能体与金钱（Agents and Money）
当 Agent 代表用户进行交易/谈判/支付时，需要信任层：
- Agent Payments Protocol（AP2）用加密签名的委托（mandate）建立不可抵赖审计轨迹；
- x402 借助 HTTP 402 Payment Required 实现机器对机器的小额支付（如 API 计次付费）。
单体安全：信任的权衡（第 34–38 页）
为提升实用性必须授予权能（自主决策、执行工具），但权能带来风险（越权操作、敏感信息泄露）。不能只依赖模型判断，需纵深防御（defense‑in‑depth）：
- 确定性护栏：模型外的硬规则/策略引擎（如 >$100 的采购需阻断或二次确认）。
- 推理式防御：用小型守卫模型或对抗训练检测风险/违规计划。
智能体身份（Agent Identity：新的主体类型）
除了用户（OAuth/SSO）与服务账户（IAM），Agent 是第三类主体，需具备可验证身份（如 SPIFFE），以便实施最小权限。不同 Agent 获得精细的读/写授权，限制潜在爆炸半径。文中给出了“主体类别×认证方式×说明”的对照表。
访问约束策略（Policies）
策略属于授权（AuthZ），需对Agent/工具/其他 Agent/可共享上下文/远端 Agent分别施权，以实现最小而相关的权限集合。
保护 ADK 智能体
分清用户账号、服务账号、智能体身份三类认证；在API 治理层定义约束策略；在工具/模型/子 Agent中内建护栏（即使 LM 产生错误计划也会被工具拒绝执行）。
ADK 提供 Callbacks/Plugins：如 before_tool_callback 在执行前校验参数或Gemini‑as‑a‑Judge（用低成本模型筛查注入/有害内容）。企业可选用Model Armor等托管安全层实时筛查注入、越狱、PII、恶意 URL等威胁。
从单体到企业车队（第 39–42 页）
图 6（第 39 页）示意了安全与智能体的总体关系。随着Agent/工具在组织内扩张，会形成复杂的交互网络与数据流，需要更高阶治理与集中式控制平面。
安全与隐私（Hardening the Agentic Frontier）
平台应确保企业私有数据不被用于训练基础模型，并通过 VPC Service Controls 等措施隔离；需要输入/输出过滤作为“提示防火墙”；并提供如知识产权保障等合同层面承诺，以支撑生产部署信心。
Agent 治理：以控制平面取代蔓延（Sprawl）
建立统一网关作为运行时策略执行与集中治理的关口：
- 运行时策略：认证与授权、统一日志/指标/Trace，实现单一视图。
- 集中治理：借助注册中心（企业版应用商店）进行发现/复用/清点/版本化/发布审核与细粒度访问策略。
成本与可靠性（基础设施）
需要既可靠又经济：
- 按需缩扩容/scale‑to‑zero；
- 关键低延时工作负载可用Provisioned Throughput与 Cloud Run 99.9% SLA；
- 全面监控成本与性能，使 Agent 成为企业核心可靠组件。
智能体如何演进与学习（第 42–46 页）
真实世界在变（政策、技术、数据格式），Agent 若不能适应会**“老化”**。人工维护车队成本高，需让 Agent 在岗学习与演进：
- 运行时经验：会话日志、Traces、记忆、HITL 反馈等。
- 外部信号：新政策文件、法规更新、其他智能体的评审等。 优化手段包括：
- 增强型上下文工程：持续优化提示、few‑shot 示例与检索内容。
- 工具优化与创造：识别能力缺口并获得/创建/修改工具（如自动写 Python/SQL）。 还可重构多智能体模式或采用 RLHF 等。
示例（合规新规学习）：
- 查询智能体检索数据；报告智能体生成草稿；批评智能体用合规规则审阅，必要时升级到人类专家；学习智能体收集人类纠正并泛化为新规则或上下文。**图 7（第 45 页）**给出多智能体工作流示意。
仿真与 Agent Gym：下一前沿（第 46 页）
前述是在线（in‑line）学习。更先进的是离线优化平台——Agent Gym：
- 不在生产执行路径内，可使用任意 LM 与离线工具/云应用；
- 提供仿真环境，支持试错与压力测试；
- 调用合成数据生成器（含红队化、动态评估、批评智能体族）；
- 工具库可扩展（通过 MCP / A2A 接入）并能学习新概念并造工具；
- 面对“部落知识”类边界问题，连接领域专家提供指导。
高级示例（第 47–50 页）
Google Co‑Scientist（第 47–48 页）
作为虚拟科研合作者，Co‑Scientist 能系统性地探索问题空间：研究者给定目标与知识源，系统生成并评估新假设版图，并孵化一组协作智能体完成任务。
- 先将研究目标展开为项目计划；Supervisor 像项目经理一样分派任务给专精智能体并分配资源（算力等）；
- 智能体可长时间运行（数小时/天），在生成与评审的元循环中改进想法与评价方法。
**图 8（第 47 页）与图 9（第 48 页）**给出了系统与流程示意。
AlphaEvolve Agent（第 49–50 页）
AlphaEvolve 面向数理与计算机科学中的复杂算法问题，将 Gemini 的创造性代码生成与自动评估系统结合，以进化式流程循环：生成→评分→优胜继承。
成果示例：
- 提升 Google 数据中心、芯片设计与 AI 训练的效率；
- 发现更快的矩阵乘法算法；
- 为未解数学问题找到新思路。
特点：验证容易但搜索困难的问题更适合；输出为人类可读代码，透明可修改；专家通过优化评价指标与探索边界引导系统，避免“钻规则空子”。**图 10/11（第 49–50 页）**展示了设计系统与算法进化示意。
结论（第 51 页）
生成式 AI 智能体把 AI 从被动内容工具转向主动的自主问题求解伙伴。本文提供了从原型走向生产级的架构化蓝图：
- 把智能体拆解为Model（大脑）、Tools（双手）与Orchestration Layer（神经系统），在Think–Act–Observe循环中释放能力；
- 用分级分类为架构与产品决策定界；
- 开发者角色从“砌砖工”转为“架构师/导演”，成功关键不止在 prompt，而在工具契约、错误处理、上下文管理与全面评估；
- 以工程化纪律构建协作、能干、可适应的新团队成员。
注释与参考（第 52–54 页，原样译出，链接保留）
- Julia Wiesinger, Patrick Marlow, 等（2024）“Agents”。可见：https://www.kaggle.com/whitepaper-agents
- Antonio Gulli, Lavi Nigam, 等（2025）“Agents Companion”。可见：https://www.kaggle.com/whitepaper-agent-companion
- Shunyu Yao 等（2022）“ReAct: Synergizing Reasoning and Acting in Language Models”。https://arxiv.org/abs/2210.03629
- Wei, J., Wang, X. 等（2023）“Chain-of-Thought Prompting Elicits Reasoning in Large Language Models”。https://arxiv.org/pdf/2201.11903.pdf
- 同注 3。
- https://www.amazon.com/Agentic-Design-Patterns-Hands-Intelligent/dp/3032014018
- Shunyu Yao 等（2024）“τ‑bench: A Benchmark for Tool‑Agent‑User Interaction in Real‑World Domains”。https://arxiv.org/abs/2406.12045
- https://artificialanalysis.ai/guide
- https://cloud.google.com/vertex-ai/generative-ai/docs/model-reference/vertex-ai-model-optimizer
- https://gemini.google/overview/gemini-live/
- https://cloud.google.com/vision
- https://cloud.google.com/speech-to-text
- https://medium.com/google-cloud/genaiops-operationalize-generative-ai-a-practical-guide-d5bedaa59d78
- https://cloud.google.com/vertex-ai/generative-ai/docs/agent-engine/code-execution/overview
- https://ai.google.dev/gemini-api/docs/function-calling
- https://github.com/modelcontextprotocol/
- https://ai.google.dev/gemini-api/docs/google-search
- https://google.github.io/adk-docs/
- https://google.github.io/adk-docs/sessions/memory/
- https://cloud.google.com/architecture/choose-design-pattern-agentic-ai-system
- https://cloud.google.com/vertex-ai/generative-ai/docs/agent-engine/overview
- https://cloud.google.com/kubernetes-engine/docs/concepts/gke-and-cloud-run
- https://github.com/GoogleCloudPlatform/agent-starter-pack
- Sokratis Kartakis（2024）“GenAI in Production: MLOps or GenAIOps?” https://medium.com/google-cloud/genai-in-production-mlops-or-genaiops-25691c9becd0
- Guangya Liu, Sujay Solomon（2025.3）“AI Agent Observability – Evolving Standards and Best Practice”。https://opentelemetry.io/blog/2025/ai-agent-observability/
- https://discuss.google.dev/t/agents-are-not-tools/192812
- Damien Masson 等（2024）“DirectGPT: A Direct Manipulation Interface to Interact with Large Language Models”。https://arxiv.org/abs/2310.03691
- MCP UI：https://mcpui.dev/
- AG UI：https://ag-ui.com/
- A2UI：https://github.com/google/A2UI
- https://cloud.google.com/vertex-ai/generative-ai/docs/models/gemini/2-5-flash-live-api
- https://saif.google/focus-on-agents
- https://simonwillison.net/series/prompt-injection/
- https://storage.googleapis.com/gweb-research2023-media/pubtools/1018686.pdf
- https://spiffe.io/
- https://openreview.net/pdf?id=l9rATNBB8Y
- https://google.github.io/adk-docs/safety/
- https://google.github.io/adk-docs/callbacks/design-patterns-and-best-practices/#guardrails-policy-enforcement
- TKTK
- https://cloud.google.com/security-command-center/docs/model-armor-overview
- https://cloud.google.com/vertex-ai/generative-ai/docs/provisioned-throughput/overview
- https://cloud.google.com/run/sla
- https://github.com/CharlesQ9/Self-Evolving-Agents
- Juraj Gottweis 等（2025）“Accelerating scientific breakthroughs with an AI co‑scientist”。https://research.google/blog/accelerating-scientific-breakthroughs-with-an-ai-co-scientist/
- Deepak Nathani 等（2025）“MLGym: A New Framework and Benchmark for Advancing AI Research Agents”。https://arxiv.org/abs/2502.14499
译注与说明
- 为确保技术一致性与可检索性，文中关键术语采用中英并列或英文保留（如 Agent Ops, RAG, Orchestration Layer, ADK, MCP, A2A, HITL, OpenTelemetry, Provisioned Throughput）。
- 图示（“图 X，第 Y 页”）为原文图片/示意图对应位置的说明，供读者在原 PDF 中对照查阅。
- 本译文忠实于原文结构与措辞；如需术语表或双语对照版（中英并排），我可以在此基础上生成。
全文来源：《Introduction to Agents》PDF（共 54 页）。