1. 白皮書

第一天的白皮書介紹了 AI agents 基礎(chǔ)知識，還進一步介紹了 agents 的能力分類體系、agents 落地運維規(guī)范、多 agents 協(xié)作與安全性等內(nèi)容

1.1. AI Agents 簡介

AI Agent 定義：Model(模型) TOOLS(工具) Orchestration-Layer(編排) Runtime -Services (運行服務) 四個要素的結(jié)合。

• Model(大腦): 處理信息、評估選項、做出抉擇
• Tools(雙手): API拓展、調(diào)用代碼函數(shù)、與外部知識(數(shù)據(jù)庫)連接
• Orchestration Layer(神經(jīng)系統(tǒng)): 任務規(guī)劃(React)、管理記憶、決策調(diào)度(think-action-observe)
• Deployment(軀干): 托管部署、監(jiān)控、日志記錄等

Agent 開發(fā)者像一個導演，不需要編寫每一行代碼，而是搭建場景(instructions and prompts),配置演員(tools and APIs)，提供私域信息(data)。主要目的是引導大模型呈現(xiàn)出預期的表現(xiàn)。

LLM 最大的特點就是靈活，導致她很難可靠且完美的完成某一特定任務。從 prompt engineering 到 context engineering，我們的目的是引導 LLM 生成期望的輸出。
每次調(diào)用她，我們會輸入：指令、事實依據(jù)、Tools、示例、會話歷史、私域數(shù)據(jù)等等，在上下文窗口中填入恰到好處的信息，然后獲得我們需要的輸出(模型唯一的作用：輸入->輸出)。而 Agent 則是通過管理我們的輸入來進行工作。

Agent 善后：追蹤(Traces)和日志(Logs)監(jiān)控Agent的思考過程和執(zhí)行鏈路，定位到與預期執(zhí)行鏈路不符的偏差點。開發(fā)者的職責是提供關(guān)鍵組件：專業(yè)領(lǐng)域知識、明確的角色設定、工具的無縫集成。在初始prompt設計完善的基礎(chǔ)上，還要多場景邊緣性測試然后持續(xù)全面評估并優(yōu)化。

本質(zhì)上：Agent 是一個專注于管理上下文窗口的系統(tǒng)。它始終處于持續(xù)不斷的循環(huán)過程中：整合上下文、給模型提供prompt、觀察模型結(jié)果，然后為下一步重新整合上下文。這里的上下文可能包括：指令、用戶輸入、會話歷史、長期記憶、來自權(quán)威來源的基礎(chǔ)信息、可使用的工具，以及已調(diào)用工具返回的結(jié)果等。這種對模型的精細化管理，能讓模型更有效的工作。

Agent 工作流程

Agent 通過一個持續(xù)的循環(huán)過程來實現(xiàn)其目標：

1. 獲取任務：用戶提出一個需求
2. 掃描場景：Agent 收集現(xiàn)有能解決用于需求的知識(memory history tools database等)
3. 深入思考：根據(jù)1和2進行循環(huán)推理制定執(zhí)行計劃
4. 采取行動：模型決策后開始調(diào)用Tools操作
5. 觀察并迭代：觀察Tools返回結(jié)果，循環(huán)tool->observe->think->tool.......

這種" think、act、observe"的循環(huán)會持續(xù)進行——由編排層管理，由模型進行推理，由工具執(zhí)行，直到智能體的內(nèi)部計劃完成且初始任務達成。

Agent 解決問題流程

1.2. Agentic 系統(tǒng)分類法

理解前面提到的 Agent 5步工作流程后，我們需要了解到這個循環(huán)的復雜性是可變的。對于架構(gòu)師來說，我們要根據(jù)我們需求的難易和復雜度決定構(gòu)建何種復雜程度的Agent。
Agentic system 從簡單到復雜可以分為以下五個級別：

Agent 五個級別

1.2.1. LLM

大模型僅基于訓練數(shù)據(jù)回答問題，無任何Tools、實時數(shù)據(jù)知識和記憶等等

1.2.2. LLM + Tools

大模型可以決策調(diào)用Tools去進行檢索實時數(shù)據(jù)、調(diào)用API等等豐富自己的知識和執(zhí)行能力(與外部世界交互)

1.2.3. LLM + Tools + Context-Engineering

通過高質(zhì)量的上下文管控LLM有限的注意力，戰(zhàn)略性規(guī)劃復雜、多模塊任務

1.2.4. (LLM + Tools + Context-Engineering) x n

在上一步的基礎(chǔ)上，構(gòu)造多個agents進行協(xié)作分工，主agent管理多個subagents

1.2.5. Self Evolving

Agent 能夠識別自身能力的不足，并動態(tài)創(chuàng)建 Tools 甚至 Subagent 來彌補這些不足, 賦予 Agent 主動拓張自己能力的能力，自我進化。

1.3. Agent 核心架構(gòu)：模型、工具與編排

落地三個組件從概念到代碼的實現(xiàn)，具體架構(gòu)如何設計

1.3.1. Model：Agent的大腦

LLM 是推理核心，選擇要素：

• 卓越的推理能力
• 應對復雜多步驟任務
• 可靠的工具調(diào)用能力
• 成本...

具體落地方案：

1. 針對你的業(yè)務用各個模型進行測試，做出在質(zhì)量、速度和價格上的最佳選擇。
2. 可以在 Agent 內(nèi)根據(jù)不同需求的難易程度選擇不同的模型，組件多模型團隊。
3. 模型會不段進化，Agent系統(tǒng)要具備持續(xù)集成新模型的能力。

1.3.2. Tools

Tools 使 Agent 能夠超越其靜態(tài)的訓練數(shù)據(jù)，獲取實時信息并在現(xiàn)實世界中采取行動。一個強大的 Tool 接口包含三個環(huán)節(jié)：定義功能、調(diào)用以及觀察結(jié)果。幾種主要的工具類型如下：

1.3.2.1. 檢索信息

google-search、RAG、查詢向量數(shù)據(jù)庫、查詢私域數(shù)據(jù)文檔、自然語言轉(zhuǎn)SQL查詢結(jié)構(gòu)化數(shù)據(jù)庫等等

1.3.2.2. 執(zhí)行操作

行動類工具：發(fā)郵件、執(zhí)行Python腳本、Human-in-the-Loop、操作瀏覽器等

1.3.2.3. 函數(shù)調(diào)用

可靠的進行函數(shù)調(diào)用，依賴MCP等規(guī)范

1.3.3. The Orchestration Layer

編排層是連接 LLM 和 Tools 的神經(jīng)網(wǎng)絡，運行Think, Act,Observe"循環(huán)的引擎，控制 Agent 行為的狀態(tài)機(可以參考 LangGraph 框架)

1.3.3.1. 核心設計

1. Agent 自主程度：(自由)React -> Workflow(限制)
2. 實現(xiàn)方式：(快速簡單)無代碼 -> 代碼優(yōu)先(復雜控制)
3. 框架選擇：多模型支持、具備可觀測性

1.3.3.2. 借助領(lǐng)域知識和角色定位

開發(fā)者最有力的干預模型手段是向 Agent 傳授領(lǐng)域知識并賦予其獨特的角色設定,通過 System Prompt 或一組核心指令來實現(xiàn)，作為 Agent 的行為準則。
例：你是xxx、你有哪些限制、期望輸出的格式、語氣、何時為何使用tools等等，并提供幾個場景示例。

1.3.3.3. 用上下文增強

• 短期記憶：當前會話的循環(huán)歷史記錄，Human、AI、Tools 的 Message
• 長期記憶：夸會話持久性存儲，會話記錄落盤和恢復

1.3.3.4. 多智能體協(xié)作

任務復雜性提高，單一超級 Agent 效率低下，需要組建 Agents 專家團隊各司其職。

多Agents迭代優(yōu)化模式

1.3.4. 部署與服務化

Agent 只是一種新的軟件形式，很多軟件部署原則仍然適用(docker CI/CD等)，額外需要注意的是會話歷史記錄、長期記憶記錄和客觀性性等內(nèi)容。
Google 的 Agent 專用部署運行平臺 Vertex AI Agent Engine：

Vertex AI Agent builder from

1.3.5. Agents 運維：應對不可預測性

從傳統(tǒng)確定性軟件到隨機的 Agentic 系統(tǒng)轉(zhuǎn)變，需要一種新的理念。由于語言的復雜性，通常我們需要用 LLM 來評估 Agent 的工作質(zhì)量：完成了所有應該做的、沒做不該做的、回復語氣得當?shù)鹊取?br> 生成式人工智能(GenAI)的發(fā)展主要有兩個領(lǐng)域：模型開發(fā)和應用開發(fā)，運維方式繼承關(guān)系如下：

DevOps、MLOps和GenAIOps的運營領(lǐng)域之間的關(guān)系

1.3.5.1. A/B 測試來衡量指標

明確當前業(yè)務背景下，模型工作產(chǎn)出的具體指標(KPI)，構(gòu)建KPI的可觀測策略，量化測試模型的工作效果。

1.3.5.2. 讓 LLM 評判

某些業(yè)務無法設定標準答案，通過讓領(lǐng)域?qū)＜?精通此業(yè)務人員)提供預定義的標準，來叫 LLM 評判 Agent 的工作產(chǎn)出

1.3.5.3. 新版本能不能上？

1. 一旦你自動化了數(shù)十個評估場景并建立了可信賴的質(zhì)量評分體系，你就可以放心的開始迭代升級的 Agent 了。新版本在整個評估數(shù)據(jù)集上運行測試，將分數(shù)與現(xiàn)版本進行對比(自動化評估)。
2. 還要額外考慮的因素：延遲、成本和任務的成功率等。
3. 采用A/B部署方式，收集生產(chǎn)指標結(jié)合模型評分體系一起決定新版本能不能上？

1.3.5.4. 追蹤調(diào)試你的 Agent

可以使用類似 OpenTelemetry 這種客觀性追蹤調(diào)用鏈路和日志的工具去查看你 Agent 的異常問題。觀察發(fā)送給模型的Prompt、模型內(nèi)部推理過程、選擇的Tool和參數(shù)以及Tool返回結(jié)果等。

1.3.5.5. 用戶反饋的重要性

獲取用戶反饋并形成一個新的評估數(shù)據(jù)集用于測試你的 Agent，可以讓系統(tǒng)對用戶反饋的問題具有免疫性。

1.3.6. Agent 交互

高質(zhì)量的 Agent 需要與其他 Agents 和用戶連接起來，你需要思考如何將你的 Agent 融入到更廣泛的生態(tài)系統(tǒng)之中。

1.3.6.1. Agents & 人

• 通過用戶界面提供給用戶，比如聊天機器人：用戶輸入，Agent 接收處理并返回一段文本給到用戶。
• 控制你的電腦，比如操作瀏覽器：打開小紅書，輸入XXX，進行搜索。
• 渲染你的UI，根據(jù)你的問題需求熱生成UI界面進行展示交互
• 訪問你的攝像頭麥克風直接獲取的你感官世界獲取的信息進行回應。

1.3.6.2. Agents & Agents

不同團隊的不同專業(yè) Agents 連接起來需要通用標準:

• 發(fā)現(xiàn): 我的 Agent 如何找到其他的 Agents 并了解他們的功能？
• 通信: 如何確保他們使用相同的語言交互？

Agent2Agent（A2A）協(xié)議 ：為解決該問題而設計的開放式標準，它相當于智能體生態(tài)中的 “通用握手協(xié)議”：

• 通過 A2A 協(xié)議，任何智能體都能發(fā)布一份名為 “智能體名片（Agent Card）” 的數(shù)字化文件。這份簡潔的 JSON 格式文件會公示智能體的核心能力、網(wǎng)絡端點（用于通信連接的地址），以及與該智能體交互所需的安全憑證。這種設計讓 “智能體發(fā)現(xiàn)” 過程變得簡單且標準化。
• A2A 協(xié)議與 MCP 的定位不同：MCP 側(cè)重處理事務性請求（如訂單查詢、數(shù)據(jù)調(diào)取等單一明確的任務指令），而 A2A 通信則通常用于輔助完成更復雜的問題解決流程（如多智能體協(xié)作拆解項目、聯(lián)合分析跨領(lǐng)域數(shù)據(jù)等）。
• Agent 被發(fā)現(xiàn)后，會采用面向任務的架構(gòu)進行通信。與簡單的 “請求 - 響應” 模式不同，Agents 間的交互以異步 “任務” 形式構(gòu)建：client agent 向 server agent 發(fā)送任務請求，隨后 server agent 可通過長連接實時流式返回更新信息。
• 這種穩(wěn)健、標準化的通信協(xié)議是實現(xiàn) Level 3 multi-agent systems 的關(guān)鍵一環(huán)，借助 A2A 協(xié)議，原本零散孤立的 Agents 集合，被轉(zhuǎn)化為一個真正具備互操作性的生態(tài)系統(tǒng)。

1.3.6.3. Agent & 金錢

是否允許 Agent 代表用戶安全可靠地進行交易?出了問題責任在誰？
Agent支付協(xié)議：Agent Payments Protocol (AP2)

1.3.7. Agent Security

Agent 的實用性和安全性具備沖突：

• 實用性：賦予它更多的權(quán)利(發(fā)郵件、增刪改查數(shù)據(jù)庫)
• 安全性：限制他有害的行為(刪庫跑路、敏感數(shù)據(jù)泄露)

混合式的深度防御策略

• 硬編碼規(guī)則，為 Agent 提供可預測、可審計的硬性限制 Prompt（禁止刪除表）
• 訓練模型或者小模型對操作進行安全檢查

1.3.7.1 Agent ID：一類新型主體

Agent 不僅僅是一段代碼，它是一個自主的參與者，是一種需要自身可驗證身份的新型主體。就像員工會領(lǐng)到工牌一樣，平臺上的每個智能體都必須獲得一個安全、可驗證的“數(shù)字護照”。
對每個身份進行驗證并為所有身份設置訪問控制，是 Agents 安全的基礎(chǔ)。一旦 Agents 擁有可通過加密方式驗證的身份，就可以為其賦予特定的、最小權(quán)限的許可（不同系統(tǒng)間權(quán)限隔離）。它能確保單個 Agent 被入侵或行為異常，潛在的影響范圍也能得到控制。

1.3.7.2 訪問約束策略

策略的本質(zhì)是授權(quán)(你能干啥)而非認證(你是誰)，需通過 “最小權(quán)限原則” 約束訪問范圍。Agentic 系統(tǒng)的權(quán)限關(guān)系更復雜，策略需延伸到 Agent 交互的所有關(guān)鍵環(huán)節(jié)：

• Agents: 限制自身能力
• Tools: 控制工具使用范圍
• SubAgents: 限制子 Agents 能力
• Context: 管控上下文敏感信息
• Remote Agent: 跨系統(tǒng)遠程 Agent 的訪問

1.3.7.3 ADK 智能體的保護

ADK 采用：

• 身份驗證(Agent Identity)
• 建立訪問策略(授權(quán)你能干啥)
• 工具和 SubAgents 內(nèi)置防護
• AI 動態(tài)防護(before_tool_callback工具調(diào)用前回調(diào)、AI插件實時監(jiān)控輸入輸出)
• 托管安全服務（Model Armor）
  的混合方案，既讓 Agent 具備強大功能，又能保證其可信任性和安全性。

1.3.8. 擴展單個 Agent 到 Agents 集群

單個到數(shù)百個的擴張管理起來會很復雜，需要更好的架構(gòu)性設計。

1.3.8.1 安全和隱私

縱深防御策略：從數(shù)據(jù)層開始，到控制輸入輸出、Prompt防火墻等(企業(yè)級別的數(shù)據(jù)保護)

1.3.8.2 Agents 治理

agent sprawl(智能體蔓延)：隨著多執(zhí)行體復雜交互網(wǎng)絡的出現(xiàn)，需要一個作為所有智能體活動控制平面的中央網(wǎng)關(guān)：可以檢查、路由、監(jiān)控和管理每一次 Agents 之間的交互。

• 運行時策略：驗證身份和授權(quán)操作，跟蹤記錄 Agent 行為日志和指標
• 集中式管理：Agents Tools 注冊表系統(tǒng)(管理界面)

1.3.8.3 成本和可靠性

企業(yè)級智能體必須既可靠又具成本效益。

1.3.9. 進化和學習

現(xiàn)實環(huán)境中政策、技術(shù)和數(shù)據(jù)不斷變化，Agents 需要具備成為老古董的能力。

1.3.9.1 智能體如何學習和自我進化

和人類相似，Agent 從經(jīng)驗和外部信息中學習。

• 運行過程中通過日志和跟蹤記錄積累失敗和成功的經(jīng)驗
• 外部數(shù)據(jù)源更新，私域知識的更新
• 增強型上下文工程：持續(xù)優(yōu)化Prompt、示例和內(nèi)存中用于檢索的信息
• Tool的新增和優(yōu)化：獲取、創(chuàng)建、修改 Tool

示例：

1. 學習新的合規(guī)指南
   金融企業(yè)必須在符合隱私和監(jiān)管規(guī)則的前提下給用戶提供報告
   Querying Agent: 響應用戶請求檢索原始數(shù)據(jù)
   Reporting Agent: 總結(jié)數(shù)據(jù)生成報告
   Critiquing Agent: 根據(jù)已知合規(guī)指南對報告進行審查，模糊場景提交給人工干預
   Learning Agent: 學習整個流程尤其是人工專家干預部分，將人工反饋歸納為新的合規(guī)指南中的一條。

   
   
   學習新合規(guī)鏈路

1.3.9.2 模擬與 Agent 訓練平臺

離線過程中而非運行時獲取的信息來優(yōu)化 Agents 能力。
模擬環(huán)境、使用高級模擬數(shù)據(jù)生成器、與領(lǐng)域?qū)＜易稍儷@取指導。

1.4. 高級 Agents 示例

自己隨便看看就好

1.4.1. Google Co-Scientist

1.4.2. AlphaEvolve Agent

1.5. 總結(jié)

生成式人工智能智能體標志著一次關(guān)鍵的進化，將人工智能從單純的內(nèi)容創(chuàng)作，轉(zhuǎn)變?yōu)榻鉀Q問題過程中積極且自主的搭檔。
Agent 三個基本組件：Model Tools Orchestration-Layer 組合在一起實現(xiàn)了連續(xù)的 "Think, Act, Observe" 循環(huán)鏈路。
Agent 開發(fā)者的工作變成了引導、約束和調(diào)試 Agent 行為。

2. 代碼實驗室

2.1. first AI agent

基礎(chǔ)模型對話中加入谷歌查詢 Tool 來達到根據(jù)用戶需求實時進行谷歌搜索的能力

root_agent = Agent(
    name="helpful_assistant",
    model=Gemini(
        model="gemini-2.5-flash-lite",
        retry_options=retry_config
    ),
    description="A simple agent that can answer general questions.",
    instruction="You are a helpful assistant. Use Google Search for current info or if unsure.",
    tools=[google_search],
)

print("? Root Agent defined.")

2.2. first multi-agent system

2.2.1. Research & Summarization System

主 agent 調(diào)用檢索 agent 和總結(jié) agent 實現(xiàn)檢索總結(jié)系統(tǒng)

1. ResearchAgent 負責使用谷歌搜索Tool進行數(shù)據(jù)檢索

   # Research Agent: Its job is to use the google_search tool and present findings.
   research_agent = Agent(
       name="ResearchAgent",
       model=Gemini(
           model="gemini-2.5-flash-lite",
           retry_options=retry_config
       ),
       instruction="""You are a specialized research agent. Your only job is to use the
       google_search tool to find 2-3 pieces of relevant information on the given topic and present the findings with citations.""",
       tools=[google_search],
       output_key="research_findings",  # The result of this agent will be stored in the session state with this key.
   )
   
   print("? research_agent created.")
   

2. SummarizerAgent 負責總結(jié)ResearchAgent 的檢索結(jié)果

   # Summarizer Agent: Its job is to summarize the text it receives.
   summarizer_agent = Agent(
       name="SummarizerAgent",
       model=Gemini(
           model="gemini-2.5-flash-lite",
           retry_options=retry_config
       ),
       # The instruction is modified to request a bulleted list for a clear output format.
       instruction="""Read the provided research findings: {research_findings}
   Create a concise summary as a bulleted list with 3-5 key points.""",
       output_key="final_summary",
   )
   
   print("? summarizer_agent created.")
   

3. ResearchCoordinator 作為 Root 負責啟動任務調(diào)用兩個 AgentTool

   # Root Coordinator: Orchestrates the workflow by calling the sub-agents as tools.
   root_agent = Agent(
       name="ResearchCoordinator",
       model=Gemini(
           model="gemini-2.5-flash-lite",
           retry_options=retry_config
       ),
       # This instruction tells the root agent HOW to use its tools (which are the other agents).
       instruction="""You are a research coordinator. Your goal is to answer the user's query by orchestrating a workflow.
   1. First, you MUST call the `ResearchAgent` tool to find relevant information on the topic provided by the user.
   2. Next, after receiving the research findings, you MUST call the `SummarizerAgent` tool to create a concise summary.
   3. Finally, present the final summary clearly to the user as your response.""",
       # We wrap the sub-agents in `AgentTool` to make them callable tools for the root agent.
       tools=[AgentTool(research_agent), AgentTool(summarizer_agent)],
   )
   
   print("? root_agent created.")
   

4. 通過 ResearchCoordinator 啟動主流程

   runner = InMemoryRunner(agent=root_agent)
   response = await runner.run_debug(
       "What are the latest advancements in quantum computing and what do they mean for AI?"
   )
   

2.2.2. Blog Post Creation with Sequential Agents

確定鏈路workflow demo，使用順序鏈路調(diào)用 Agents 創(chuàng)建博客文章

• Outline Agent : 為給定主題創(chuàng)建博客大綱
• Writer Agent : 撰寫博客文章
• Editor Agent : 編輯博客文章草稿，使其清晰且結(jié)構(gòu)合理
  
  順序鏈路
  
  與上一個demo類似，三個子 Agent 由主 Agent 整合為 SequentialAgent(順序性Agent)即可:

root_agent = SequentialAgent(
    name="BlogPipeline",
    sub_agents=[outline_agent, writer_agent, editor_agent],
)
print("? Sequential Agent created.")

2.2.3. Parallel Multi-Topic Research

當你有多個獨立任務時，你可以使用 ParallelAgent 同時運行所有這些任務。該 Agent 會并發(fā)執(zhí)行其所有子 Agent，顯著加快工作流程。所有并行任務完成后，你就可以將它們的合并結(jié)果傳遞到最后的 “聚合” 步驟。
一個包含四個 Agents 的系統(tǒng)：

• Tech Researcher ：研究人工智能 / 機器學習新聞和趨勢
• Health Researcher ：研究近期醫(yī)療新聞和趨勢
• Finance Researcher ：研究金融和金融科技新聞和趨勢
• Aggregator Agent ：將所有研究成果整合為一份摘要
  
  并行鏈路
  
  前三個 Researcher 均為帶有谷歌搜索 Tool 的** Agent **，不再贅述。
  Aggregator Agent 代碼如下，將三個 Researcher 結(jié)果和總結(jié)需求提交給 LLM ：

# The AggregatorAgent runs *after* the parallel step to synthesize the results.
aggregator_agent = Agent(
    name="AggregatorAgent",
    model=Gemini(
        model="gemini-2.5-flash-lite",
        retry_options=retry_config
    ),
    # It uses placeholders to inject the outputs from the parallel agents, which are now in the session state.
    instruction="""Combine these three research findings into a single executive summary:

    **Technology Trends:**
    {tech_research}
    
    **Health Breakthroughs:**
    {health_research}
    
    **Finance Innovations:**
    {finance_research}
    
    Your summary should highlight common themes, surprising connections, and the most important key takeaways from all three reports. The final summary should be around 200 words.""",
    output_key="executive_summary",  # This will be the final output of the entire system.
)

print("? aggregator_agent created.")

并發(fā)執(zhí)行方式如下：
主 Agent 為順序鏈路 Agent，先執(zhí)行 parallel_research_team 然后執(zhí)行aggregator_agent。
parallel_research_team 為并行 Agent，同時執(zhí)行三個researcher。

# The ParallelAgent runs all its sub-agents simultaneously.
parallel_research_team = ParallelAgent(
    name="ParallelResearchTeam",
    sub_agents=[tech_researcher, health_researcher, finance_researcher],
)

# This SequentialAgent defines the high-level workflow: run the parallel team first, then run the aggregator.
root_agent = SequentialAgent(
    name="ResearchSystem",
    sub_agents=[parallel_research_team, aggregator_agent],
)

runner = InMemoryRunner(agent=root_agent)
response = await runner.run_debug(
    "Run the daily executive briefing on Tech, Health, and Finance"
)

2.2.4. Iterative Story Refinement

當一項任務需要通過反饋和修訂循環(huán)來改進時，你可以使用循環(huán)代理（LoopAgent）。循環(huán)代理會重復運行一組子代理，直到滿足特定條件或達到最大迭代次數(shù)。這就形成了一個優(yōu)化周期，使代理系統(tǒng)能夠不斷改進自己的工作。
一個包含兩個 Agents 的系統(tǒng)：

• Writer Agent ：撰寫短篇小說草稿
• Critic Agent ：審閱并評論短篇小說，提出改進建議
  
  循環(huán)鏈路

1. 初始化撰寫小說 Agent :

   # This agent runs ONCE at the beginning to create the first draft.
   initial_writer_agent = Agent(
       name="InitialWriterAgent",
       model=Gemini(
           model="gemini-2.5-flash-lite",
           retry_options=retry_config
       ),
       instruction="""Based on the user's prompt, write the first draft of a short story (around 100-150 words).
       Output only the story text, with no introduction or explanation.""",
       output_key="current_story",  # Stores the first draft in the state.
   )
   
   print("? initial_writer_agent created.")
   

2. 評價小說 Agent，如果通過返回 APPROVED，否則給出修改建議:

   # This agent's only job is to provide feedback or the approval signal. It has no tools.
   critic_agent = Agent(
       name="CriticAgent",
       model=Gemini(
           model="gemini-2.5-flash-lite",
           retry_options=retry_config
       ),
       instruction="""You are a constructive story critic. Review the story provided below.
       Story: {current_story}
       
       Evaluate the story's plot, characters, and pacing.
       - If the story is well-written and complete, you MUST respond with the exact phrase: "APPROVED"
       - Otherwise, provide 2-3 specific, actionable suggestions for improvement.""",
       output_key="critique",  # Stores the feedback in the state.
   )
   
   print("? critic_agent created.")
   

3. 當評論通過返回APPROVED退出循環(huán)用的函數(shù)：

   # This is the function that the RefinerAgent will call to exit the loop.
   def exit_loop():
       """Call this function ONLY when the critique is 'APPROVED', indicating the story is finished and no more changes are needed."""
       return {"status": "approved", "message": "Story approved. Exiting refinement loop."}
   
   print("? exit_loop function created.")
   

4. 指揮上面三個部分協(xié)作的 Agent:

   # This agent refines the story based on critique OR calls the exit_loop function.
   refiner_agent = Agent(
       name="RefinerAgent",
       model=Gemini(
           model="gemini-2.5-flash-lite",
           retry_options=retry_config
       ),
       instruction="""You are a story refiner. You have a story draft and critique.
       
       Story Draft: {current_story}
       Critique: {critique}
       
       Your task is to analyze the critique.
       - IF the critique is EXACTLY "APPROVED", you MUST call the `exit_loop` function and nothing else.
       - OTHERWISE, rewrite the story draft to fully incorporate the feedback from the critique.""",
       output_key="current_story",  # It overwrites the story with the new, refined version.
       tools=[
           FunctionTool(exit_loop)
       ],  # The tool is now correctly initialized with the function reference.
   )
   
   print("? refiner_agent created.")
   

5. 程序的主 Agent構(gòu)造
   主 Agent 先順序鏈路執(zhí)行 initial_writer_agent 初始化故事，然后執(zhí)行 story_refinement_loop 進入 LoopAgent，循環(huán)調(diào)用 critic_agent 對故事評價和 refiner_agent 指揮1、2、3部分協(xié)作。

   # The LoopAgent contains the agents that will run repeatedly: Critic -> Refiner.
   story_refinement_loop = LoopAgent(
       name="StoryRefinementLoop",
       sub_agents=[critic_agent, refiner_agent],
       max_iterations=2,  # Prevents infinite loops
   )
   
   # The root agent is a SequentialAgent that defines the overall workflow: Initial Write -> Refinement Loop.
   root_agent = SequentialAgent(
       name="StoryPipeline",
       sub_agents=[initial_writer_agent, story_refinement_loop],
   )
   
   print("? Loop and Sequential Agents created.")
   
   runner = InMemoryRunner(agent=root_agent)
   response = await runner.run_debug(
       "Write a short story about a lighthouse keeper who discovers a mysterious, glowing map"
   )
   

2.3. 選擇合適的 Agent 模式

Agent 類型選擇

參考文獻：
5-Day AI Agents Intensive Course with Google
Introduction to Agents
Day 1a - From Prompt to Action
Day 1b - Agent Architectures