技术赋予Agent不仅仅是反应性的决议计划才能，还能做出积极主动的决议计划

这些技术赋予Agent不仅仅是反应性的决议计划才能，还能做出积极主动的决议计划。白皮书指出，这使得AI Agent具有高度的适应性，可以以传统模型无法做到的方式应对不确定性和复杂性。关于企业来说，这意味着AI Agent可以承当一些使命，例如故障排除供应链问题或剖析财务数据，且在较少人工监督的情况下完成高度的自主性。

AI Agent决议计划进程的流程，从用户输入到东西履行和最终呼应。（图片来源：谷歌）

东西拓展了Agent的才能，逾越了练习数据的约束

传统的AI模型常被描述为“静态常识库”，仅限于其练习数据所涵盖的内容。而AI Agent则不同，它们可以经过东西拜访实时信息，并与外部体系进行互动。这一才能使得它们在实际应用中具有实际价值。

白皮书解释道：“东西弥合了Agent内部才能与外部国际之间的差距。”这些东西包含API、扩展程序和数据存储，它们使Agent可以获取信息、履行操作，并检索跟着时间变化的常识。

例如，一位负责规划商务游览的Agent可以经过API扩展程序检查航班时刻表，经过数据存储检索游览政策，或者运用地图东西查找邻近的酒店。AI Agent可以动态与外部体系互动，这使得它们不再是静态的呼应者，而是商业流程中的活跃参与者。

谷歌还强调了这些东西的灵活性。例如，函数答应开发者将某些使命卸载到客户端体系，企业因此能更好地操控Agent怎么拜访敏感数据或履行特定操作。这种灵活性关于金融、医疗等职业至关重要，由于这些职业对合规性和安全性有严格的要求。

代理端和客户端操控的比较，说明人工智能Agent怎么与Google Flights API等外部东西交互。（图片来源：谷歌）

四、检索增生成（RAG），让Agent变得更智能

AI Agent规划中的一项最具前景的进展是检索增强生成（RAG）的整合。这项技术使Agent可以在其练习数据缺乏时，查询外部数据源——如向量数据库或结构化文档。

白皮书解释道：“数据存储经过供给拜访更动态和最新信息的途径，解决了[静态模型]的约束。”Agent可以实时检索相关数据，然后将其呼应根据事实信息。

根据RAG的Agent在信息变化迅速的范畴特别有价值。例如，在金融职业，Agent可以在做出出资主张之前拉取实时市场数据。在医疗范畴，Agent则可以检索最新的研究成果，来为确诊主张供给支撑。

这一办法还解决了AI中一个长期存在的问题：错觉（hallucinations），即生成不正确或虚假的信息。经过将呼应建立在实际国际数据的基础上，Agent可以提高准确性和可靠性，然后更适用于那些高风险的应用场景。

检索增强生成（RAG）怎么使Agent可以查询向量数据库并供给精确的上下文感知呼应。（图片来源：谷歌）

五、谷歌供给东西加速Agent布置

虽然这份白皮书充满了技术细节，但它相同为希望施行AI Agent的企业供给了有用的辅导。谷歌重点介绍了两个关键平台：LangChain，一个开源的Agent开发框架，以及Vertex AI，一个用于大规模布置Agent的保管平台。