AI Agent开发范式转变 - AI Agent开发代表软件工程领域的一次范式转变，使初创公司能够自动化复杂工作流并创造新用户体验[7] - 从有前景的原型到生产就绪的Agent需要解决非确定性行为管理、复杂推理路径验证等新挑战[7] - 现实表明用户不会为炫酷Demo买单，企业不会把关键流程交给"不确定的模型玩具"，从Demo到生产隔着工程化、可靠性和商业化的深渊[1] 谷歌云Agent生态系统 - 谷歌云支持Agent系统的全面开发，包括构建自定义Agent、使用预构建谷歌云Agent或引入合作伙伴Agent[13] - 在模型上下文协议(MCP)和Agent2Agent(A2A)协议支持下，通用框架专为互操作性设计[13] - 生态系统提供从使用ADK进行代码优先开发到通过Google Agentspace进行无代码Agent创建的全套工具[7] Agent核心架构组件 - AI Agent核心组件包括"大脑"(模型)、"双手"(工具)、执行功能(编排)以及实现信息准确性的"知识注入"(Grounding)机制[4] - 把Agent当系统而不是模型：大脑(LLM)、工具(API)、记忆(上下文)、编排(工作流)、运行时(限速/监控)缺一不可[4] - 模型分层选型：用"小模型"覆盖80%常规任务，大模型只做复杂/高价值环节以降低成本[4] 生产级运维框架(AgentOps) - 掌握确保Agent在生产环境中安全、可靠且可扩展的系统性方法，涵盖从持续评估、轨迹调试到安全监控的全过程[4] - 可观察性先行：对任务步数、调用失败率、成本、时延打点，才能发现"不确定性"的来源[4] - 限速、限步、限费防止失控：设硬阈值(token、费用、时延)，超限必须降级或中止[4] 代码优先构建方法 - 使用谷歌Agent开发工具包(ADK)一步步构建、测试和部署自定义Agent，并与已有工具和工作流集成[4] - ADK为创建对话式和非对话式Agent提供强大灵活环境，能够处理复杂任务和工作流[17] - 使用ADK构建的Agent可部署在Vertex AI Agent Engine上，这是专为此目的设计的可管理、可扩展环境[17] 知识注入技术演进 - Grounding优先：答案必须有据可依，RAG→GraphRAG→Agentic RAG是可靠性的核心路径[4] - RAG通过在生成答案前从外部知识库检索相关信息来增强LLM响应，确保回答有基于事实的可验证基线[78] - Agentic RAG将Agent从检索数据被动接收者转变为知识搜索中主动推理的参与者[93] 工具与编排系统 - 工具要少而准：工具接口越清晰、越语义化，Agent才能更稳地调用，避免"工具堆积"[4] - 编排是执行力：顺序/并行/循环三类工作流覆盖90%场景，要有终止条件、失败回退[4] - ReAct框架建立动态多轮循环，模型以交错方式生成推理轨迹和特定任务行动[69] 数据架构设计 - 三分记忆模型：长期记忆(用户/知识库)、工作记忆(短期上下文)、事务记忆(审计/一致性)[4] - 长期知识库是Agent智能、知识注入和个性化基础，与实时对话的快速短期上下文不同[58] - 工作记忆层管理正在进行的任务或对话所需瞬时信息，必须提供极低延迟访问[59] 商业化落地策略 - 找高频刚需的工作流切入：Demo不等于生意，优先做频次高、痛点大、能量化ROI的SOP[4] - 计费单元要透明：token+检索+API调用，需要像云计费一样拆账单，用户才会信任[4] - "答案可追溯"是销售力：企业客户要的不是酷炫，而是"答案可追溯"，证据列表能显著提高成交率[4] 团队组织要求 - 团队三角色必须齐全：Agent PM(定义任务)、编排工程师(工具/工作流)、Agent SRE(监控/评估)缺一不可[4] - 差异化强的自己做，标准化/合规重的优先集成以快速扩展产品边界[4] - 创业公司必须用"可扩展、可计费、可合规"的标准要求自己，生产落地才赢市场[4]