【译】Google Agents白皮书

图1：智能体Agent的通用架构及其组成部分

• 他们首先收集相关信息，比如顾客点了什么菜，以及厨房现有的食材情况（储藏室和冰箱）。
• 接着，根据这些信息进行思考和判断，决定可以做哪些菜，以及如何搭配风味。
• 然后开始实际操作，完成菜品制作，例如切菜、调配香料、煎肉等。

• ReAct 是一种提示工程框架，它为语言模型提供了一套“先推理、再行动”的思考策略，使模型能够针对用户问题进行推理并执行相应操作，无论是否提供上下文示例（In-context examples）。实践表明，ReAct 在效果上优于多种当前主流的 SOTA 基线方法，同时还能提升大语言模型（LLMs）与人类交互时的可用性和可信度。
• Chain-of-Thought（CoT）是一类提示工程方法，通过引入“中间推理步骤”，让模型能够逐步展开思考，从而具备更强的推理能力。围绕 CoT 还发展出了多种变体技术，例如 self-consistency、active-prompt 和 multimodal CoT，不同方法在不同应用场景下各有优势与局限。
• Tree-of-thoughts（ToT）则是一种更适用于探索性问题或需要前瞻性规划任务的提示工程框架。它是在 Chain-of-thought 的基础上进一步扩展而来，使模型可以同时探索多条思维路径，并将这些路径作为中间推理过程，从而提升语言模型在复杂问题求解中的表现。

1. 用户向智能体发起请求
2. 智能体启动 ReAct 推理流程
3. 智能体向模型发送提示（Prompt），引导其生成下一步的 ReAct 推理步骤及对应结果，具体包括：
1. Question：用户提出的问题（作为输入提供给模型）
2. Thought：模型对“下一步该做什么”的思考过程
3. Action：模型决定采取的下一步行动
1. 在这一步可以选择是否调用工具
2. 例如，可选行动包括 [Flights, Search, Code, None]，其中前三个代表可用工具，最后一个表示不使用工具
4. Action input：若选择使用工具，模型需要给出传入工具的参数或输入
5. Observation：执行行动后得到的结果
1. 上述 Thought / Action / Action input / Observation 的过程可以根据需要重复多次
6. Final answer：模型最终生成并返回给用户的答案
4.  ReAct 循环结束，智能体将最终结果返回给用户

图2：在编排层中集成 ReAct 推理机制的智能体示例

图 3：智能体与外部 API 之间的交互方式示意图

1. 通过示例让智能体理解该如何调用 API； 
2. 明确告知智能体调用 API 所需的参数，从而确保调用能够成功执行。

图 4：通过 Extensions 实现智能体与外部 API 的连接

图5：智能体、Extensions 与 API 之间的“一对多”关系示意图

import vertexai import pprint PROJECT_ID = "YOUR_PROJECT_ID" REGION = "us-central1" vertexai.init(project=PROJECT_ID, location=REGION) from vertexai.preview.extensions import Extension extension_code_interpreter = Extension.from_hub("code_interpreter") CODE_QUERY = """Write a python method to invert a binary tree in O(n) time.""" response = extension_code_interpreter.execute(   operation_id = "generate_and_execute",   operation_params = {"query": CODE_QUERY} ) print("Generated Code:") pprint.pprint({response['generated_code']})# The above snippet will generate the following code. ``` Generated Code: class TreeNode:   def __init__(self, val=0, left=None, right=None(:     self.val = val     self.left = left     self.right = right  def invert_binary_tree(root):     """     Inverts a binary tree.     Args:       root: The root of the binary tree.     Returns:       The root of the inverted binary tree.     """     if not root:       return None     # Swap the left and right children recursively     root.left, root.right =  invert_binary_tree(root.right), invert_binary_tree(root.left)     return root# Example usage: # Construct a sample binary tree root = TreeNode(4) root.left = TreeNode(2) root.right = TreeNode(7) root.left.left = TreeNode(1) root.left.right = TreeNode(3) root.right.left = TreeNode(6) root.right.right = TreeNode(9) # Invert the binary tree inverted_root = invert_binary_tree(root)``` 

1. 模型只会输出要调用的 Function 及其参数，并不会直接执行 API 请求； 
2.  Functions 通常在客户端执行，而 Extensions 则是在智能体侧运行。 

图 7：函数与外部 API 的交互方式示意图

• API 调用需要在智能体之外的系统层完成，例如通过中间件或前端框架处理；
• 出于安全或认证考虑，智能体无法直接访问 API（例如 API 未对外开放，或对智能体不可见）；
• 由于执行时序限制，API 调用无法实时完成，例如需要批处理或人工审核等流程；
• 在某些情况下，API 返回的数据还需要进一步处理，而这些处理逻辑智能体本身无法完成。例如，如果某个 API 不支持结果过滤（如限制返回条数），那么开发者可以在客户端通过 Functions 对返回结果进行二次加工；
• 此外，如果开发者希望在不额外部署 API 服务的情况下快速迭代智能体能力，也可以使用 Function Calling 来模拟（stubbing）API 调用，从而加快开发流程。

图 8：Extensions 与 Function Calling 在客户端与智能体侧控制职责的划分示意图

• Crested Butte（美国科罗拉多州）
• Whistler（加拿大不列颠哥伦比亚省）
• Zermatt（瑞士）”

function_call {   name: "display_cities"   args: {     "cities": ["Crested Butte", "Whistler", "Zermatt"],     "preferences": "skiing"   } }

图 9：用于说明一次 Function Call 从触发到完成全过程的时序图

• 当你希望模型推荐可用函数，但又不希望在代码中暴露敏感凭证时（因为函数不会被模型直接执行）；
• 当任务是异步的、耗时较长（例如超过几秒）时，Function Calling 更加适合；
• 当函数需要在不同设备或系统中执行，而不是在生成调用请求的系统中执行时。

from typing import Optional def display_cities(cities: list[str], preferences: Optional[str] = None):     """Provides a list of cities based on the user's search query and preferences.     Args:         preferences (str): The user's preferences for the search, like skiing, beach, restaurants, bbq, etc.         cities (list[str]): The list of cities being recommended to the user.     Returns:     list[str]: The list of cities being recommended to the user.     """     return cities

from google.genai import Client, types client = Client(     vertexai=True,     project="PROJECT_ID",     location="us-central1" ) res = client.models.generate_content(     model="gemini-2.0-flash-001",     model="I'd like to take a ski trip with my family but I'm not sure where to go?",     config=types.GenerateContentConfig(         tools=[display_cities],         automatic_function_calling=types.AutomaticFunctionCallingConfig(disable=True),         tool_config=types.ToolConfig(             function_calling_config=types.FunctionCallingConfig(mode='ANY')         )     ) ) print(f"Function Name: {res.candidates[0].content.parts[0].function_call.name}") print(f"Function Args: {res.candidates[0].content.parts[0].function_call.args}") > Function Name: display_cities > Function Args: {'preferences': 'skiing', 'cities': ['Aspen', 'Park City', 'Whistler']}

图 10：智能体如何与结构化数据和非结构化数据进行交互

图 11：数据存储（ Data Stores ）将智能体连接到各种类型的实时数据源

• 网站内容（如网页信息）；
• 各类结构化文档（PDF、Word、CSV、电子表格等）；
• 各类非结构化内容（HTML、PDF、TXT 等文本数据）；

图 12：展示智能体与多个 Data Stores 的一对多关系，每个 Data Store 可以存放不同类型的预先索引的数据

1. 用户输入的查询首先被送入嵌入模型（ embedding model ），生成对应的向量表示 ；
2.  这些查询向量会与向量数据库中的内容进行匹配（可使用 SCaNN 等匹配算法） ；
3.  匹配到的相关内容以文本形式从数据库中提取，并返回给智能体 ；
4.  智能体综合用户查询和检索到的内容，生成相应的回答或执行相应动作 ；
5.  最终生成的结果返回给用户，实现完整的问答或操作闭环；

图 13：展示在 检索增强生成（RAG） 应用中，用户请求从输入到智能体生成最终响应的完整流程

图 14：展示了一个结合 RAG 与 ReAct 推理/规划 的智能体应用示例

• 上下文学习（In-context learning）：在推理过程中为模型提供Prompt、工具和少量示例，让模型“即时学习”如何以及何时使用这些工具来完成任务。ReAct 框架就是自然语言任务中这种方法的典型示例。 
• 基于检索的上下文学习（Retrieval-based in-context learning）：通过从外部存储检索最相关的信息、工具和示例，动态丰富模型提示。例如，Vertex AI 扩展中的 “Example Store”，或前文提到的基于 RAG 架构的数据存储。 
• 微调学习（Fine-tuning based learning）：在推理前使用大量特定示例数据对模型进行训练，使模型在接收用户查询前就能理解何时以及如何使用特定工具。 

• 想象一下，一位厨师收到了一份具体食谱（Prompt）、一些关键食材（相关工具）和几道示例菜品（少量示例），来自顾客的需求。依靠这些有限信息和他对烹饪的一般知识，厨师需要“即兴”制作出最符合食谱和顾客口味的菜肴——这就是上下文学习（In-context learning）的概念。
• 现在再想象，厨师在一个物资丰富的厨房里（外部数据存储），里面有各种食材和烹饪书（示例与工具）。他可以根据需要动态选择食材和参考书籍，使菜肴更贴近顾客的食谱和偏好。借助现有知识与新获取的信息，他能制作出更加精细、信息充足的菜肴，这就是基于检索的上下文学习（retrieval-based in-context learning）。 
• 最后，假设我们让厨师回学校学习新的菜系或多种菜系（在更大、特定示例数据集上的预训练）。这样，当他面对之前未见过的顾客食谱时，就能用更深入的理解来应对。如果希望厨师在特定菜系（知识领域）表现卓越，这就是最合适的方法——微调学习（fine-tuning based learning）。 

from langgraph.prebuilt import create_react_agent from langchain_core.tools import tool from langchain_community.utilities import SerpAPIWrapper from langchain_community.tools import GooglePlacesToolos.environ["SERPAPI_API_KEY"] = "XXXXX" os.environ["GPLACES_API_KEY"] = "XXXXX"@tool def search(query: str):     """Use the SerpAPI to run a Google Search."""     search = SerpAPIWrapper()     return search.run(query)@tool def places(query: str):     """Use the Google Places API to run a Google Places Query."""     places = GooglePlacesTool()     return places.run(query)model = ChatVertexAI(model="gemini-2.0-flash-001") tools = [search, places] query = "Who did the Texas Longhorns play in football last week? What is the address of the other team's stadium?" agent = create_react_agent(model, tools) input = {"messages": [("human", query)]}for s in agent.stream(input, stream_mode="values"):     message = s["messages"][-1]     if isinstance(message, tuple):         print(message)     else:         message.pretty_print()

============================== Human Message ================================ Who did the Texas Longhorns play in football last week? What is the address  of the other team's stadium? ================================= Ai Message ================================= Tool Calls: search Args:     query: Texas Longhorns football schedule ================================ Tool Message ================================ Name: search {...Results: "NCAA Division I Football, Georgia, Date..."} ================================= Ai Message ================================= The Texas Longhorns played the Georgia Bulldogs last week. Tool Calls: places Args:     query: Georgia Bulldogs stadium ================================ Tool Message ================================ Name: places {...Sanford Stadium Address: 100 Sanford...} ================================= Ai Message ================================= The address of the Georgia Bulldogs stadium is 100 Sanford Dr, Athens, GA 30602, USA.

图 15：在 Vertex AI 平台上构建的端到端智能体示例架构

1. 智能体可以通过使用工具访问实时信息、提供实际操作建议，并自主规划和执行复杂任务，从而完成语言模型单独难以或无法完成的工作。它们可以结合一个或多个语言模型来决定何时切换状态，并合理调用外部工具处理复杂任务。 
2. 智能体的核心是编排层，它是一种认知架构，用于组织推理、规划和决策，并指导行动。通过 ReAct、Chain-of-Thought、Tree-of-Thoughts 等推理技术，编排层能够收集信息、进行内部推理，并生成合理的决策或回答。 
3. 工具，如 Extensions、Functions 和 Data Stores，是智能体通向外部世界的钥匙，使其能够与外部系统交互并访问超出训练数据的知识。Extensions 让智能体能调用外部 API 并获取实时信息；Functions 允许开发者更精细地控制操作，使智能体生成参数后由客户端执行； Data Stores 为智能体提供访问结构化和非结构化数据的能力，从而实现数据驱动的应用。