Google 與 Kaggle 推出 AI Agent 五天密集課程：從零打造自主智能體，全程免費開放
Google 攜手 Kaggle 推出免費五天課程，教你從零實作可部署的 AI 智能體。
AI Agents 為何成為 2025 年的關鍵轉折點
人工智慧正在從「生成式 AI」邁向「行動式 AI」。
過去，AI 的任務多停留在被動生成——例如翻譯、摘要或圖像創作；
而如今的趨勢，是讓模型主動思考、規劃並執行行動，進入「Agentic AI」時代。
為了幫助開發者掌握這項新興技能，Google 與 Kaggle 於 11 月聯合推出全新課程——
《5-Day AI Agents Intensive Course》，一個面向開發者的「五天密集訓練營」，
旨在讓學員從零起步，在五天內完成可部署的 AI 智能體。
課程簡介：Kaggle × Google 的「AI Agents 強化訓練營」
這門課程是 Kaggle Learn 全新 AI Agents Curriculum 的首個階段性課程，
由 Google AI 工程團隊親自設計，結合理論與實作。
課程完全免費，並提供互動式 Notebook 與官方 Playground 環境，
幫助開發者快速實作、測試與部署屬於自己的智能體。
適合對象
- 具備 Python 或 LLM 基礎的開發者
- 想從資料科學轉向智能體應用的工程師
- 想學習多步推理與自動化任務的研究者
課程特色
- 每日任務僅需約 1 小時
- 免費取得 Kaggle Certification Badge
- 由 Google AI 工程團隊參與設計
- 附加多模型實驗環境 Agents Playground
課程內容總覽：5 天完成可運行的 AI Agent
Day 1｜What Are AI Agents?（AI Agent 基礎）
從 LLM 與 Agent 的差異談起，介紹 ReAct、AutoGPT、LangChain 等經典架構。
實作內容：在 Kaggle Notebook 中構建第一個「算術 Agent」，
學會讓 LLM 呼叫外部函數（Function Calling），理解核心循環
Perception → Reasoning → Acting。
Day 2｜Tools and APIs（工具與外部接口）
學會讓 Agent 使用外部工具，例如 Google Search、Python REPL。
解析 OpenAI 與 Gemini Function Calling 的差異，
並完成能查詢即時天氣與匯率的多功能 Agent。
關鍵概念：「Tool abstraction」與安全的外部操作。
Day 3｜Planning and Memory（計畫與記憶）
探討長短期記憶（Memory Buffer / Summary Memory），
學會透過 Task Decomposition 讓 Agent 拆解任務並自動規劃。
範例專案：讓 Agent 自動撰寫研究報告。
重點：學會記憶持久化與多步推理的最佳實踐。
Day 4｜Multi-Agent Systems（多智能體協作）
引導學員構建多角色協作的智能體系統。
專案案例：「Research Team Agent」——包含 Researcher、Summarizer、Writer 三個角色。
核心重點：多智能體溝通協定（Message Passing）與任務分工。
Day 5｜Deploy and Evaluate（部署與評估）
教你在 Kaggle Notebook、Colab 或 Vertex AI 上部署智能體。
引入三大評估指標：成功率（Success Rate）、工具準確率（Tool Accuracy）、延遲與成本（Latency & Cost）。
最終專案：構建一個能回答金融問題並自動生成摘要的可運行 Agent。
完成課程後你將學會
- 設計、實作並評估一個完整智能體
- 掌握 Tool-using Agent 架構與記憶系統
- 構建多智能體協作場景
- 在 Kaggle 環境中部署與測試 AI Agent
- 利用雲端 API 打造真實可用的產品原型
官方課程連結：https://www.kaggle.com/learn-guide/5-day-agents
Google 最新白皮書《Introduction to Agents》：從原型到生產級智能體
作為課程的理論基礎，Google 同步發佈了最新白皮書
《Introduction to Agents》，提供完整的概念框架與實踐指南。
白皮書指出，智能體是語言模型在軟體世界中的自然延伸，
其核心不在於「讓模型更聰明」，而是讓模型能行動。
智能體的核心架構：模型、工具、編排層
模型（大腦）
負責推理、分析與決策，可採用通用模型或多模態模型。
工具（雙手）
負責與外部世界互動，例如 API、資料庫、搜尋引擎與執行代碼。
編排層（神經系統）
負責控制思考與行動的循環，包括規劃、記憶與反饋。
Google 建議使用「多模型路由」策略——大模型規劃，小模型執行，
在性能與成本之間取得平衡。
智能體的工作循環：思考—行動—觀察
根據白皮書，智能體在執行任務時會經歷五個階段：
- 接收任務（任務觸發）
- 感知環境（收集上下文）
- 思考（規劃行動路徑）
- 執行（呼叫外部工具）
- 觀察與修正（更新記憶與策略）
這個循環使得智能體能在不依賴人類的情況下完成多步推理與決策。
Agent Ops：AI 工程的新時代
Google 將智能體開發的工程實踐命名為 Agent Ops。
這是 MLOps 與 DevOps 的進化版，
核心在於可觀測、可評估與可調試的智能體運行環境。
主要包含：
- 成功率與準確率監控
- 成本與延遲追蹤
- 使用模型作為自動評審者
- 透過 OpenTelemetry 追蹤智能體行為
- 以人類回饋（HITL）持續優化迭代
智能體的未來：從協作到自演化
Google 在白皮書中提出智能體的五個演進階段：
| 等級 | 類型 | 特徵說明 |
|---|---|---|
| 0 級 | 核心推理系統 | 靠預訓練知識運作，無法互動 |
| 1 級 | 工具連接型智能體 | 可存取外部 API |
| 2 級 | 策略型智能體 | 具備規劃與記憶能力 |
| 3 級 | 多智能體協作系統 | 多角色分工與通信 |
| 4 級 | 自演化智能體 | 能自主學習與生成新工具 |
這一階段的轉變，標誌著 AI 正邁向「自組織、自適應」的真正智慧。
從開發者到「導演」：Google 對智能體時代的定義
Google 在結論中指出，開發智能體的角色更像是「導演」——
開發者不再只是寫代碼，而是設計舞台、設定上下文、挑選工具，
讓模型與外部系統協同運作，完成複雜任務。
這也是未來 AI 產業的新機會：
懂得如何讓模型「思考並行動」的開發者，
將成為企業數位轉型與自動化流程的核心人才。
Source
- Google 白皮書《Introduction to Agents》
https://www.kaggle.com/whitepaper-introduction-to-agents - Kaggle × Google 五天 AI Agents 強化課程
https://www.kaggle.com/learn-guide/5-day-agents
