返回资讯中心
外部精选
大数据
#数据科学#机器学习

Google与Kaggle推出免费AI智能体课程,现已开放自学

来源标题:What I Learned From Kaggle + Google’s Free Agentic AI Course

Google与Kaggle联合推出的5天AI Agents强化课程现已作为免费自定进度课程在Kaggle开放。课程基于Gemini和Google开源框架ADK,涵盖工具调用、记忆、评估与部署,需具备Python和大模型API调用基础。

KDnuggetsBala Priya C2026/11/19 · 今天16 分钟阅读

以下正文由 AI 翻译自 KDnuggets(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

我参加了Kaggle和Google联合推出的5天AI Agent强化课程。这门课最初于2025年11月10日至14日直播,现在作为免费的自学课程在Kaggle上线。你可以按自己的节奏学习白皮书、动手实验代码、播客和直播录像,探索AI Agent的工作原理以及构建它们需要什么。

单次提示和单次响应很容易理解。Agent在此基础上加了一个循环:模型选择动作、调用工具、读取返回结果,再决定下一步做什么。这个循环带来了一次性调用永远不会遇到的问题:Agent如何记住上一轮?你怎么知道它选对了工具?当它必须在notebook之外的地方运行时,又会有什么变化?

课程围绕这些问题展开。每天配一篇白皮书和两个动手notebook,基于Gemini和Agent Development Kit(ADK)——Google开源的Agent构建框架。你需要会Python,有一些调用大语言模型API的经验,但不需要Agent方面的先验知识。以下是我觉得值得记录的内容。本文涵盖:

通过此链接查看课程:5-Day AI Agents Intensive Course with Google | Kaggle

第一天介绍Agent以及你可以用ADK构建的架构。第一个notebook《From Prompt to Action》构建第一个Agent,第二个《Agent Architectures》则转向多个Agent协同工作的系统。

在ADK中,一个Agent就是一个小包:名称、模型、供其他Agent读取的描述、设定其行为的指令,以及工具列表。由runner来执行它。内存版runner适合实验,任何真实场景都需要持久化的runner。

当一个Agent承担太多职责时,就把工作拆分给多个Agent。课程介绍了几种连接方式:由父Agent选择调用哪个子Agent、顺序流水线、并行分支同时运行,以及循环直到满足某个条件。在顺序流水线中,每个Agent把输出交给下一个。

我会优先选择流水线。它按固定顺序运行,所以出问题时能定位到具体阶段;而让模型在子Agent之间做选择,则需要追踪才能知道发生了什么。

Notebook:《From Prompt to Action》和《Agent Architectures》

工具让Agent能够做文本生成之外的事情。课程涵盖四种类型。内置工具(如Google Search)随模型提供。函数工具封装你自己的Python函数。Agent工具让一个Agent把子任务交给另一个Agent,同时保持对对话的控制。MCP工具通过协议连接外部服务,省去为每个服务编写自定义客户端。

模型仅根据描述来决定如何调用函数工具。这就是为什么最佳实践notebook把时间花在docstring、类型提示和结构化返回值上:描述越清晰,错误调用越少。

课程还涵盖了长时间运行操作的人工审批——Agent暂停并等待人工确认后再继续。我的经验法则:当Agent选错工具时,先读工具描述,再去改prompt。

Notebook:《Agent Tools》和《Agent Tools Best Practices》

模型在调用之间不保留任何东西。每一轮Agent都必须重新发送对话历史,而历史会消耗token。ADK中的记忆分为两部分。短期记忆是session,即对话历史,由session service管理。长期记忆在session之外,通过memory service检索,使事实能够延续到下一次对话。

Memory service有多种形式。内存版按关键词搜索,托管服务则可以按语义搜索。随着session增长,上下文压缩和缓存将成本和上下文大小控制在合理范围内。这就引出了有效的上下文工程,即选择每一轮往模型上下文中放什么。

长期记忆的检索有两种模式。在反应式检索中,Agent自行决定何时搜索记忆。在主动式检索中,系统在每一轮之前先搜索,再把结果交给Agent。主动式检索每轮都要付出一次搜索成本,但无需Agent主动请求就能提供相关记忆。反应式检索节省了这部分成本,但依赖Agent自己知道何时去查找。

Notebook:《Agent Sessions》和《Agent Memory》

Agent是非确定性的:同样的输入下一次运行可能走不同的路径。最后做一次抽查无法覆盖这种情况,所以课程从一开始就把质量作为设计的一部分。Agent质量建立在两项实践之上。

可观测性通过日志、trace和指标记录发生了什么。trace展示Agent走过的每一步,使错误答案事后可调试。评估则对两方面打分:最终响应,以及背后的过程,比如Agent调用了哪些工具、顺序如何。持续运行评估能及早发现回归。

对过程打分很重要,因为正确答案可能掩盖了糟糕的路径。一个Agent在调用一次就足够的情况下调用了三次正确的工具,返回的答案相同,成本却是三倍。

Notebook:《Agent Observability》和《Agent Evaluation》

最后一天讲的是demo跑通之后的事。不同团队用不同框架和语言构建的Agent需要一种共享的通信方式。Agent2Agent协议提供了这种方式:Agent被暴露为服务,其他Agent通过读取它的agent card来了解它能做什么。

在部署方面,课程把Agent放到托管运行时Vertex AI Agent Engine上,并介绍了CI/CD和AgentOps实践,以保持Agent在上线后持续运行。课程还提到ADK除了Python之外也支持Go和Java。课程以一个可选的capstone项目收尾,你需要用上面这些组件构建自己的Agent。

(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →