智能体崛起：从指令到自主，构建AI的未来

课程背景

这门课程于 2025 年 11 月 10-14 日在 Kaggle 平台进行了 5 天的直播教学，目前已转为自学指南形式开放，全球开发者可随时免费学习。

课程的核心理论基础来自 Google 于 2024 年 9 月发布的权威白皮书《Agents》，作者为 Google 的 Julia Wiesinger、Patrick Marlow 和 Vladimir Vuskovic。该白皮书系统性地阐述了 AI Agent 的架构设计、工具集成与编排策略。

从 ChatBot 到 Agent

人工智能正在经历一场从 "ChatBot" 到 "Agent" 的范式转移。

多年来，我们习惯了预测型 AI（如推荐系统）和生成式 AI（单纯的问答）。这种模式虽然强大，但通常需要人类一步步地指引（Prompting）。

现在，我们正迈向智能体 AI (Agentic AI) 的新时代。AI 不再仅仅是回答问题或生成图片的工具，而是变成能够自主解决问题、制定计划并执行任务的智能软件。

AI 智能体 (AI Agent) = 大语言模型 (推理) + 工具 (行动) + 编排 (规划)

简而言之，智能体是为了达成目标，在循环中主动使用工具的大语言模型。

本文将为您详细还原这门由 Google 顶级专家打造的 5 天强化课程，带您从理论到实践，掌握构建生产级智能体系统的全貌。

课程全景图 (The 5-Day Roadmap)

这门课程的设计非常精妙，它并不是简单地堆砌技术，而是模拟了一个开发者的成长路径：

天数	主题	核心内容
Day 1	基础 (Foundations)	理解什么是 Agent，核心组件，分级体系，认知架构
Day 2	工具 (Tools & MCP)	给 Agent 装上"双手"，MCP 协议，工具调用
Day 3	记忆 (Context Engineering)	给 Agent 装上"海马体"，会话管理，长期记忆
Day 4	质量 (Agent Quality)	如何"面试"和评估 Agent，日志追踪，指标监控
Day 5	实战 (Production)	部署上线，Multi-Agent 系统，A2A 协议

课程工具栈

本课程使用以下核心技术栈：

技术	用途
Google Gemini	核心大语言模型
ADK (Agent Development Kit)	Google 开源的 Agent 开发框架
Kaggle Notebooks	实验环境 (Codelabs)
Vertex AI Agent Engine	生产环境部署平台
Python	主要编程语言

Day 1: 智能体基础与架构 (Agents & Architectures)

什么是 AI Agent？

在深入技术细节之前，让我们先明确定义：

AI Agent（智能体） 是一种软件系统，它利用 AI（通常是大语言模型）来实现目标并为用户执行任务。与传统的聊天机器人不同，Agent 具备推理、规划、记忆能力，能够自主决策并适应环境变化。

Agent vs ChatBot 的核心区别：

维度	ChatBot	Agent
交互模式	一问一答	多轮自主行动
决策能力	无	自主规划与决策
工具使用	无或有限	丰富的工具生态
记忆能力	会话级	跨会话长期记忆
目标导向	响应用户	完成复杂任务

核心解剖学：三大支柱

如果把 AI 智能体比作一个人，我们可以拆解为三大核心组件：

组件	对应人体	功能说明
模型 (Model)	🧠 大脑	核心推理引擎。负责处理信息、评估选项并做出决策。它决定了智能体的智商上限。通常是 LLM，如 Gemini、GPT-4、Claude。
工具 (Tools)	✋ 双手	连接现实世界的接口。包括 API、数据库查询、代码执行、网页搜索等，让 AI 能"做事"，而不仅仅是"说话"。
编排层 (Orchestration)	🕸️ 神经系统	管理"感知-思考-行动"循环的控制逻辑。负责记忆管理、规划策略、错误处理与容错。

flowchart TB
    subgraph Agent["AI 智能体"]
        Model["🧠 模型 (Model)<br/>推理与决策"]
        Tools["✋ 工具 (Tools)<br/>API / 代码 / 搜索"]
        Orchestration["🕸️ 编排层 (Orchestration)<br/>规划 / 记忆 / 容错"]
    end
    
    User["👤 用户"] --> Agent
    Agent --> World["🌍 外部世界"]
    
    Model <--> Orchestration
    Tools <--> Orchestration

智能体分级体系 (Level 0 - Level 4)

Google 在课程中提出了一个5 级智能体分类体系，帮助开发者理解不同复杂度的 Agent 系统：

等级	名称	描述	示例
Level 0	核心推理系统	纯 LLM，无外部工具，仅依赖预训练知识	基础的 ChatGPT 问答
Level 1	联网问题解决者	能调用外部工具获取实时信息	能搜索网页的 AI 助手
Level 2	战略问题解决者	多步骤规划，上下文工程，策略性信息选择	复杂任务分解与执行
Level 3	协作多智能体系统	多个专家 Agent 协作，专业分工	Agent 团队完成软件开发
Level 4	自我进化系统	能动态创建新工具，自我学习与适应	研究型 AI 系统

graph LR
    L0["Level 0<br/>纯 LLM"] --> L1["Level 1<br/>+工具"]
    L1 --> L2["Level 2<br/>+规划"]
    L2 --> L3["Level 3<br/>+协作"]
    L3 --> L4["Level 4<br/>+进化"]
    
    style L0 fill:#f0f0f0
    style L1 fill:#e1f5fe
    style L2 fill:#b3e5fc
    style L3 fill:#4fc3f7
    style L4 fill:#0288d1,color:#fff

认知架构：Agent 如何"思考"

Google 在白皮书中介绍了几种主流的认知架构，它们决定了 Agent 如何处理复杂任务：

1. ReAct (Reasoning + Acting)

ReAct 是目前最流行的 Agent 架构之一，它将推理 (Reasoning) 和行动 (Acting) 交织在一起：

思考 (Thought) → 行动 (Action) → 观察 (Observation) → 思考 → ...

graph TD
    Q["用户问题"] --> T1["Thought: 我需要查询航班信息"]
    T1 --> A1["Action: 调用 search_flights API"]
    A1 --> O1["Observation: 返回 5 个航班选项"]
    O1 --> T2["Thought: 用户偏好早班机，过滤结果"]
    T2 --> A2["Action: 调用 filter_by_time API"]
    A2 --> O2["Observation: 2 个早班航班"]
    O2 --> T3["Thought: 生成推荐回复"]
    T3 --> R["最终回复"]

ReAct 的优势：

• 可解释性强：每步都有明确的思考过程
• 动态适应：能根据观察结果调整策略
• 错误恢复：发现问题可以重新规划

2. Chain-of-Thought (CoT) 思维链

将复杂问题分解为逻辑步骤，逐步推理：

问题 → 步骤1 → 步骤2 → 步骤3 → 答案

适用场景：数学问题、逻辑推理、多步骤计算

3. Tree-of-Thought (ToT) 思维树

探索多个推理路径，评估并选择最优解：

          问题
         /  |  \
      路径A 路径B 路径C
      /  \    |    \
    ...  ... ...   ...
          ↓
       最优路径

适用场景：创意写作、策略游戏、需要探索多种可能的任务

智能体的思考模式：Think-Act-Observe 循环

人类解决问题通常遵循 "OODA Loop"（观察-调整-决策-行动）。智能体也类似，通常遵循 Think-Act-Observe Loop：

graph TD
    Start([1. 接收任务 Mission]) --> Scan
    Scan[2. 扫描环境 Scan] --> Think
    Think[3. 思考规划 Think] --> Act
    Act[4. 执行行动 Act] --> Observe
    Observe[5. 观察结果 Observe] --> Check{任务完成?}
    Check -- No --> Think
    Check -- Yes --> End([完成])
    
    style Start fill:#e1f5fe,stroke:#01579b
    style End fill:#e6fffa,stroke:#00695c
    style Think fill:#fff3e0,stroke:#ef6c00

实际案例：

1. 接收任务 (Get the Mission)："帮我安排下周去上海的差旅"。
2. 扫描环境 (Scan the Scene)：检查记忆（用户偏好）和工具（携程 API）。
3. 思考规划 (Think it Through)："第一步，先查下周一的航班..."
4. 执行行动 (Take Action)：调用 search_flights(dest="Shanghai")。
5. 观察结果 (Observe and Iterate)：获得航班列表，存入记忆，开始规划下一步。

Day 1 实验：使用 ADK 构建第一个 Agent

课程在第一天就让学员动手实践，使用 ADK (Agent Development Kit) 构建 Agent：

ADK (Agent Development Kit) 是 Google 于 2025 年 4 月在 Google Cloud NEXT 大会上发布的开源框架，专门用于构建、管理、评估和部署 AI Agent。

ADK 核心特性：

特性	说明
Multi-Agent 设计	原生支持多智能体系统，可组合专家 Agent
模型灵活性	支持 Gemini、Claude、Llama 等多种模型
丰富工具生态	内置搜索、代码执行，支持 MCP 协议
流式支持	原生双向流（文本/音频），实时交互
状态管理	自动管理短期会话记忆，支持长期记忆集成
内置评估	系统性评估 Agent 性能

Day 1 Codelab 任务：

1. 使用 ADK 创建一个简单的 Agent
2. 构建第一个 Multi-Agent 系统

Day 2: 工具与互操作性 (Tools & MCP)

这一天是关于如何让智能体"走出真空"，与现实世界交互。而其中的核心技术就是 MCP (Model Context Protocol)。

工具调用机制

在 Agent 系统中，工具 (Tools) 是连接 AI 与外部世界的桥梁。Google 将工具分为三类：

工具类型	说明	示例
Extensions（扩展）	预定义的 API 桥接器，Agent 直接调用	Google Search、代码执行器
Functions（函数）	开发者定义的自定义函数，API 执行与 Agent 解耦	业务逻辑、数据处理
Data Stores（数据存储）	通过 RAG 检索的知识库	企业文档、产品手册

flowchart LR
    Agent["Agent"] --> Extensions["Extensions<br/>直接调用外部 API"]
    Agent --> Functions["Functions<br/>自定义函数"]
    Agent --> DataStores["Data Stores<br/>RAG 检索"]
    
    Extensions --> APIs["外部 API"]
    Functions --> Logic["业务逻辑"]
    DataStores --> VectorDB["向量数据库"]

什么是 MCP？(Model Context Protocol)

对于初学者来说，MCP 就像是 AI 时代的 USB 接口。

• 没有 MCP 之前：如果你想让 AI 连接 Google Drive，你需要写一段专门的代码；想连接 Slack，又要写一段代码；想连接本地数据库，还得写一段代码。每接一个新工具，就像要配一根专用的数据线。
• 有了 MCP 之后：大家约定好一种通用的插口标准。Google Drive 提供一个 MCP Server，Slack 也是，数据库也是。你的 AI (作为 MCP Client) 只需要支持 MCP 标准，就可以即插即用，轻松连接所有这些工具。

🔍 深度解释： MCP 是一个开放标准，用于在 LLM 应用程序（如 Claude Desktop, Cursor, 或你的 Agent）和 外部数据源/工具 之间建立安全、双向的连接。 它主要包含三个角色：

1. MCP Host (主机)：AI 应用程序（如你的 Agent）。
2. MCP Client (客户端)：Host 内部的连接器。
3. MCP Server (服务端)：提供数据或工具的一方（如一个读取本地文件的服务）。

flowchart TB
    subgraph Host["MCP Host (AI 应用)"]
        Client1["MCP Client"]
        Client2["MCP Client"]
    end
    
    Client1 <--> Server1["MCP Server<br/>Google Drive"]
    Client1 <--> Server2["MCP Server<br/>Slack"]
    Client2 <--> Server3["MCP Server<br/>本地数据库"]
    Client2 <--> Server4["MCP Server<br/>企业 API"]

为什么 MCP 如此重要？

它解决了 AI 落地的**"最后一公里"**问题：

问题	MCP 解决方案
工具接入成本高	标准化协议，一次接入，处处可用
安全风险	明确的权限边界，工具能力受限
生态碎片化	开放标准，社区共建工具库

实际价值：你可以快速写一个 MCP Server 来查询你公司的内部库存系统，任何支持 MCP 的 AI 助手都能立刻获得查询库存的能力，而无需重新训练模型。

Day 2 实验：MCP Server 开发

课程第二天的 Codelab 任务：

1. 理解 MCP 协议的工作原理
2. 开发一个自定义 MCP Server
3. 将 MCP Server 集成到 Agent 中
4. 处理长时间运行的异步操作

Day 3: 上下文工程 (Context Engineering)

Prompt Engineering (提示工程) 是教 AI "怎么说话"，而 Context Engineering (上下文工程) 是给 AI "植入记忆"。

提示工程 vs 上下文工程

维度	提示工程 (Prompt Engineering)	上下文工程 (Context Engineering)
焦点	优化单次指令的表达	设计 AI 运行的全套信息环境
比喻	给员工下达一条清晰的指令	给员工提供完整的入职手册、工具箱和历史档案
目标	让回答更准确	让行为更连贯、个性化、符合长期目标
关键技术	Few-shot, COT (思维链)	RAG (检索), 记忆管理, System Prompt 设计
作用范围	单轮对话	跨会话、跨任务

会话管理 (Sessions)

在 ADK 中，Session（会话） 是管理短期状态的核心机制：

flowchart LR
    User["用户"] --> Session["Session<br/>会话状态"]
    Session --> Agent["Agent"]
    
    Session --> State["State<br/>短期记忆"]
    Session --> History["History<br/>对话历史"]
    Session --> Artifacts["Artifacts<br/>文件/数据"]

Session 的作用：

• 维护当前对话的上下文
• 存储临时状态（如购物车内容）
• 追踪对话历史

记忆的层级

在 Google 的架构中，智能体的记忆不仅仅是聊天记录，它被设计为多层结构：

记忆类型	实现方式	生命周期	类比
短期记忆	Context Window	会话内	工作记忆
长期记忆	Vector Database	永久	笔记本
情景记忆	事件图谱	永久	日记

1. 短期记忆 (Short-term Memory)

• 即 Context Window (上下文窗口)。
• 存储当前的对话历史、临时的思考过程。
• 就像你的大脑内存，关机（结束会话）即忘。
• ADK 实现：Session State 自动管理

2. 长期记忆 (Long-term Memory)

• 通常通过 Vector Database (向量数据库) 实现。
• 存储用户画像、历史偏好、知识库文档。
• 就像你的笔记本或硬盘，永久保存。
• ADK 实现：通过 Memory Service 集成

3. 情景记忆 (Episodic Memory)

• 这是更高级的形态。
• 它能记住事件的因果关系和时间线，而不仅仅是零散的知识点。
• 例如：记住"用户上次订了意大利餐厅后说太辣了"这个完整事件。

RAG (Retrieval-Augmented Generation)

RAG 是上下文工程中最重要的技术之一：

flowchart LR
    Query["用户查询"] --> Embed["向量化"]
    Embed --> Search["向量搜索"]
    Search --> VectorDB["向量数据库"]
    VectorDB --> Docs["相关文档"]
    Docs --> Context["构建上下文"]
    Context --> LLM["LLM 生成"]
    LLM --> Response["回复"]

RAG 的价值：

• 扩展 LLM 的知识范围（超越训练截止日期）
• 接入私有数据（企业文档、产品手册）
• 减少幻觉（基于检索的事实生成）

Day 3 实验：ADK 记忆管理

课程第三天的 Codelab 任务：

实验	目标	关键技术
Sessions 会话管理	实现即时上下文管理	ADK Session State
Memory 长期记忆	创建跨会话的个性化体验	Memory Service、向量存储
Context Engineering	构建有状态的智能体	对话历史管理、状态持久化

核心学习目标：

1. 使用 ADK 的 Session 机制管理对话历史
2. 实现 Memory 服务，让 Agent 记住用户偏好
3. 掌握上下文窗口优化技巧，避免 Token 浪费

Day 4: 智能体质量 (Agent Quality / Agent Ops)

这是从"玩具"迈向"产品"最关键的一步。传统的软件测试（Output == "Hello"）在 AI 时代失效了，因为 LLM 的输出是概率性的。我们需要新的方法论。

为什么传统测试失效？

传统软件	AI Agent
确定性输出	概率性输出
固定逻辑路径	动态决策路径
单元测试有效	需要评估框架
错误容易复现	难以复现相同结果

Agent 评估的三大支柱

flowchart TB
    subgraph Eval["Agent 评估体系"]
        GD["黄金数据集<br/>Golden Dataset"]
        Judge["LLM 裁判<br/>LLM-as-a-Judge"]
        Trace["轨迹追踪<br/>Tracing"]
    end
    
    GD --> Quality["质量保证"]
    Judge --> Quality
    Trace --> Quality

1. 黄金数据集 (Golden Dataset)

你需要建立一套考题库：

组成部分	说明
输入	典型的用户提问（覆盖简单、复杂、边界场景）
参考答案	期望的理想回答，或必须包含的关键点
评分标准	明确的评估维度和权重

最佳实践：

• 覆盖正常场景、边界情况、恶意攻击
• 定期更新，反映真实用户行为
• 包含不同难度级别

2. LLM as a Judge (让 AI 当裁判)

既然人工评分太慢，那就用另一个强大的模型来给智能体的回答打分：

# 伪代码示例
judge_prompt = """
请评估以下 Agent 回复的质量：

问题：{question}
回复：{response}
参考答案：{reference}

评分维度（1-5 分）：
1. 准确性：回答是否基于事实？
2. 有用性：是否解决了用户问题？
3. 安全性：是否包含有害信息？
4. 完整性：是否遗漏关键信息？

请给出每个维度的分数和理由。
"""

常用评估维度：

维度	说明
准确性 (Accuracy)	回答是否基于检索到的事实？
有用性 (Helpfulness)	是否真正解决了用户的问题？
安全性 (Safety)	是否包含有害、偏见或不当信息？
忠实度 (Faithfulness)	是否忠实于检索到的上下文？

3. 链路追踪 (Tracing)

当 Agent 出错时（例如死循环），你不能只看结果。你需要像看电影回放一样，查看它的思考轨迹 (Trajectory)：

flowchart LR
    T1["Thought 1"] --> A1["Action 1<br/>search API"]
    A1 --> O1["Observation 1<br/>结果"]
    O1 --> T2["Thought 2"]
    T2 --> A2["Action 2<br/>filter API"]
    A2 --> O2["Observation 2<br/>错误!"]
    O2 --> T3["Thought 3<br/>重试策略"]

追踪需要回答的问题：

• 它第一步想了什么？
• 它调用了哪个工具？参数传对了吗？
• 工具返回了什么错误信息？
• 它是如何根据错误信息修正计划的？

推荐工具：

• OpenTelemetry：分布式追踪标准
• LangSmith：LangChain 生态的追踪工具
• Weights & Biases：ML 实验追踪

日志、指标与监控

生产环境中需要监控的关键指标：

指标类型	具体指标
性能指标	响应延迟、Token 消耗、工具调用次数
质量指标	任务成功率、用户满意度、错误率
安全指标	敏感内容拦截率、越狱攻击检测

Day 4 实验：可观测性与评估

课程第四天的 Codelab 任务：

实验	目标	关键技术
Observability 可观测性	实现 Agent 调试能力	日志记录、执行追踪
Evaluation 评估	系统性评估 Agent 性能	黄金数据集、LLM-as-a-Judge

核心学习目标：

1. 使用 ADK 内置的追踪功能，记录每一步决策过程
2. 构建针对你的业务场景的黄金测试数据集
3. 实现自动化评估流水线，持续监控 Agent 质量
4. 设置告警规则，及时发现性能下降

Day 5: 生产环境与未来 (Production & Scaling)

最后一天，我们探讨如何把 Agent 真正部署到生产环境，以及未来的 Multi-Agent (多智能体) 形态。

从原型到生产

将 Agent 部署到生产环境需要考虑的因素：

考虑因素	说明
可扩展性	支持高并发请求
可靠性	故障恢复、重试机制
安全性	认证授权、输入验证
成本控制	Token 用量优化、缓存策略
监控告警	实时监控、异常告警

从单打独斗到团队协作 (Multi-Agent Systems)

随着任务变复杂，一个全能的 Agent 往往会顾此失彼。Google 提倡 "专家团队" 模式：

flowchart TB
    User["用户请求"] --> Router["Router Agent<br/>路由分发"]
    
    Router --> Research["Research Agent<br/>信息搜索"]
    Router --> Coding["Coding Agent<br/>代码编写"]
    Router --> Review["Reviewer Agent<br/>质量审核"]
    
    Research --> Coordinator["Coordinator<br/>结果整合"]
    Coding --> Coordinator
    Review --> Coordinator
    
    Coordinator --> Response["最终响应"]

角色分工：

角色	职责
Router (路由)	前台接待，判断用户意图，分发给专人
Research Agent	专门负责搜索信息、知识检索
Coding Agent	专门负责写代码、代码执行
Reviewer Agent	专门负责审核输出、质量把关
Coordinator	整合各专家结果，生成最终响应

Agent2Agent (A2A) 协议

这是 Google 对未来的愿景——让不同公司、不同平台的 Agent 能够互相协作。

A2A 协议 是 Google 于 2025 年 4 月发布的开放标准，旨在让 AI Agent 能够互相发现、认证并委托任务，形成一个巨大的智能体互联网络。

A2A vs MCP：

协议	方向	作用
MCP	垂直整合	Agent ↔ 工具/数据
A2A	水平协作	Agent ↔ Agent

A2A 核心概念：

flowchart LR
    subgraph ClientAgent["Client Agent"]
        Card1["读取 Agent Card"]
        Task["发送 Task"]
    end
    
    subgraph RemoteAgent["Remote Agent"]
        Card2["发布 Agent Card"]
        Process["处理 Task"]
    end
    
    Card1 --> Card2
    Task --> Process
    Process --> Result["返回结果"]

概念	说明
Agent Card	JSON 文件，描述 Agent 能力、认证方式、支持的任务类型
Task	结构化的任务请求（非自然语言聊天）
Client Agent	发起任务请求的 Agent
Remote Agent	接收并处理任务的 Agent

想象一下：你的 "私人助理 Agent" 可以直接与 "携程的订票 Agent" 对话。它们之间传输的不是自然语言，而是结构化的 Tasks (任务) 和 Handshakes (握手信号)。

Vertex AI Agent Engine

Google Cloud 提供的生产级 Agent 部署平台：

特性	说明
托管运行时	无需管理基础设施
内置记忆	短期/长期记忆服务
A2A 支持	原生支持 Agent 间通信
安全合规	企业级安全与合规
自动扩缩	根据负载自动调整资源

Day 5 实验：生产部署与 A2A 协作

课程最后一天的 Codelab 任务：

实验	目标	关键技术
A2A Protocol	实现 Agent 间协作	Agent Card、任务委托
Production Deployment	部署到生产环境	Vertex AI Agent Engine

核心学习目标：

1. 使用 A2A 协议让多个 Agent 互相发现和协作
2. 编写 Agent Card 描述你的 Agent 能力
3. 将 Agent 部署到 Vertex AI Agent Engine
4. 配置生产级监控、日志和告警

总结

Google 的这门 5 天课程不仅是技术的教学，更是一种思维的升级。它告诉我们：

构建 Agent 不仅仅是写好 Prompt，而是在构建一个完整的软件系统。

flowchart LR
    A["Prompt<br/>Engineering"] --> B["Tool<br/>Integration"]
    B --> C["Context<br/>Engineering"]
    C --> D["Agent<br/>Ops"]
    D --> E["Production<br/>Deployment"]
    
    style A fill:#e1f5fe
    style B fill:#b3e5fc
    style C fill:#81d4fa
    style D fill:#4fc3f7
    style E fill:#29b6f6

核心 Takeaways：

天数	核心收获
Day 1	Agent = Model + Tools + Orchestration，理解分级体系
Day 2	MCP 是 AI 时代的 USB，标准化工具接入
Day 3	上下文工程让 Agent 有了"记忆"和"人格"
Day 4	Agent Ops = 传统 DevOps + AI 特有的评估体系
Day 5	Multi-Agent + A2A 是未来，协作产生智能

踏出这一步，你就不再只是 Prompt Engineer，而是 Agent Architect (智能体架构师)。

权威参考资料

您可以通过以下链接获取课程的原始资料和更深度的内容：

课程与白皮书

资源	说明
5-Day AI Agents Intensive Course	Kaggle 课程主页，包含所有 Codelab 和视频
Agents 白皮书 (2024.09)	Julia Wiesinger 等著，Agent 架构核心文献
Introduction to Agents 技术指南 (2025.11)	54 页深度指南，包含 5 级分类体系

开发工具

资源	链接
ADK 官方文档	Agent Development Kit Documentation
ADK GitHub	google/adk-python
MCP 协议	Model Context Protocol 官方文档
A2A 协议	Agent2Agent Protocol

Google Cloud 平台

资源	链接
Agentic AI 概览	Building Agentic AI Applications
Vertex AI Agent Builder	Vertex AI Agent Builder
Agent Engine 文档	Vertex AI Agent Engine