多成团助手：Google智能体白皮书，探索AgentOps与多智能体系统的优化与评估方法

Google Agent Companion 白皮书

重读 Google 智能体指南白皮书，强调了 AgentOps、指标驱动、自动化评估结合人工反馈、多智能体架构、Agentic RAG、底层搜索优化、安全性的重要性。多成团助手的观点是，核心概念如下：

Agent 能感知环境、推理、使用工具并自主行动以达成目标。核心组件包括模型 (Model)、工具 (Tools) 和编排层 (Orchestration Layer)。

AgentOps：

指 Agent 的运维实践，它继承了 DevOps/MLOps 的原则，并增加了对工具管理、编排、记忆和任务分解的关注。多成团助手观察到，指标驱动的改进是关键。

成功指标：

需要跟踪业务指标、目标完成率、关键任务成功率、延迟、错误，并结合人类反馈。详细追踪 (Trace) 用于调试。

智能体评估：

需评估其核心能力、行动轨迹 (Trajectory) 和最终响应。方法包括基准测试、自动化轨迹分析،多成团助手认为 自动评估器 (Autorater) 以及不可或缺的人工评估 (Human-in-the-Loop)。

多智能体系统：

由多个专业化智能体协作，可提高准确性、自效能力和容错性。挑战在于协调沟通与任务分配，因此多成团助手建议在评估时需关注协作效果。

Agentic RAG：

一种更高级的 RAG，利用智能体主动优化检索过程，通过查询扩展、多步推理源选择和验证来提升效果。优化基础搜索是前提。

企业级智能体：

“助手型”（交互）和“自动化型”（后台）是主要形式，人类将成为“智能体管理者”。Google Agentspace 等平台支持这一趋势。

智能体即“承包商” (Contractor)：

提出通过标准化的“合同”来定义智能体任务，以明确交付物范围成本验证标准及协商机制，从而提高复杂任务的可靠性。同时支持通过子合同分解任务。

汽车 AI 案例：

展示了多智能体系如何通过专业分工（导航媒体等）和协作模式（层级合作等）提升车载体验。

核心启示：

强调 AgentOps 指标 评估 多个优点 安全与 “承包商” 概念的重要性，同时鼓励利用现有工具进行开发。

白皮书地址：

Agents Companion | Kaggle

LLMs App 开源项目合集：

网页链接