第五階段：AI應用場景探索

Google 與 Kaggle 聯合推出的 5 天 AI 智能體密集課程，教授如何建構、評估與部署生產級 AI 智能體系統

Start Learning AI →
AI智能體GoogleGeminiWebSiteVideoFreeEnglish

5天AI Agents密集課程 - Google & Kaggle

課程概述

這是一門由Google的機器學習研究人員和工程師精心打造的免費線上課程，旨在幫助開發者掌握AI智能體（AI Agents）的建構、評估和部署技能。該課程是Google和Kaggle繼之前成功舉辦的生成式AI密集課程（吸引了超過28萬學習者）之後推出的進階版本。

基本資訊

  • 課程時間: 2025年11月10日–14日（為期5天）
  • 授課方式: 完全線上
  • 費用: 完全免費
  • 主辦方: Google & Kaggle
  • 課程語言: 英文
  • 參與人數: 預計數十萬學習者

課程特色

  1. 理論與實踐結合: 每天包含概念深入講解、動手實驗室（Codelabs）和現場討論
  2. 多樣化學習材料:
    • AI生成的播客（使用NotebookLM創建）
    • 專業白皮書（由Google專家撰寫）
    • 實踐程式碼實驗室
    • YouTube直播課程
    • Discord社群支援
  3. 實戰專案: 課程結束後有Capstone專案，優秀專案有機會獲得獎品並在Google和Kaggle社群媒體上展示
  4. 完成證書: 完成Capstone專案可獲得Kaggle徽章

課程架構與技術棧

核心技術

  • 核心模型: Google Gemini
  • 開發框架: Agent Development Kit (ADK)
  • 通訊協定: Model Context Protocol (MCP)
  • 平台: Kaggle（用於Codelabs）
  • 程式語言: Python
  • 輔助工具: NotebookLM

核心元件

課程涵蓋AI Agent的五大核心元件：

  1. Models（模型）: 大型語言模型基礎
  2. Tools（工具）: 外部函式和API呼叫
  3. Orchestration（編排）: 工作流程協調
  4. Memory（記憶）: 短期和長期記憶管理
  5. Evaluation（評估）: 品質保證和效能指標

每日課程詳解

Day 1: AI Agents簡介與架構

主題: 理解Agent系統與LLM的差異

核心內容:

  • Agent能力分類體系
  • "Agent Ops"規範的必要性
  • 互通性與安全性的重要性
  • 使用ADK建構推理型Agent
  • Think-Act-Observe循環的編排
  • 多Agent設計模式探索

學習材料:

  • 白皮書: Introduction to Agents
  • 播客: Unit 1 Summary (via NotebookLM)
  • Codelabs:
    • Building Agentic Apps with the Agent Development Kit (ADK)
    • Introduction to LangGraph
    • Function Calling with the Gemini API

技能獲得:

  • 理解Agent的基本架構
  • 掌握Agent循環機制
  • 學會使用ADK建構基礎Agent

Day 2: Agent工具與MCP互通性

主題: 透過API和工具實現真實世界的操作

核心內容:

  • 外部工具和函式的整合
  • 即時資料檢索
  • Model Context Protocol (MCP)介紹
  • 複雜長時間運行操作的處理

學習材料:

  • 白皮書: Agent Tools & Interoperability with Model Context Protocol (MCP)
  • 播客: Unit 2 Summary (via NotebookLM)
  • Codelabs:
    • Function Calling with the Gemini API
    • Using tools with LangGraph
    • Prompt Caching with the Gemini API

技能獲得:

  • 實現Function Calling
  • 使用MCP協定
  • 整合外部工具和API

Day 3: 上下文工程與記憶

主題: 實現短期和長期記憶系統

核心內容:

  • 上下文工程實務
  • 動態資訊組裝和管理
  • Sessions（會話）－即時歷史記錄
  • Memory（記憶）－長期持久化
  • 建立有狀態的個人化AI體驗

學習材料:

  • 白皮書: Context Engineering: Sessions & Memory
  • 播客: Unit 3 Summary (via NotebookLM)
  • Codelabs:
    • Context Caching with the Gemini API
    • Long-term Memory using LangGraph
    • Personalization with Gemini API

技能獲得:

  • 實現上下文視窗管理
  • 建構記憶系統
  • 建立個人化Agent體驗

Day 4: 品質、日誌與評估

主題: 可觀察性、追蹤和效能指標

核心內容:

  • Agent品質保證全面評估框架
  • 可觀察性技術基礎（Logs、Traces、Metrics）
  • 可擴展回饋循環
  • LLM-as-a-Judge方法
  • Human-in-the-Loop (HITL)工作流程

學習材料:

  • 白皮書: Agent Quality
  • 播客: Unit 4 Summary (via NotebookLM)
  • Codelabs:
    • LangSmith Fundamentals
    • Evaluating Agentic Applications
    • A/B Testing with Agents

技能獲得:

  • 實施品質評估體系
  • 使用日誌和追蹤工具
  • 設計評估指標

Day 5: 從原型到生產

主題: 部署和擴展多Agent系統

核心內容:

  • Agent的操作生命週期（部署、擴展、生產化）
  • 從原型過渡到企業級解決方案
  • Agent2Agent (A2A) 協定
  • 部署到Vertex AI Agent Engine
  • 多Agent系統架構

學習材料:

  • 白皮書: Prototype to Production
  • 播客: Unit 5 Summary (via NotebookLM)
  • Codelabs:
    • Multi-agent Workflows with LangGraph
    • Human-in-the-loop Workflows in LangGraph
    • Deploying Agents with Google Cloud

技能獲得:

  • 部署生產級Agent
  • 建構多Agent協作系統
  • 使用Google Cloud進行擴展

Capstone專案

專案要求

  • 啟動時間: 2025年11月14日（第五天課程結束後）
  • 提交截止: 2025年11月30日晚上11:59 PM PT
  • 開發時間: 約2週

專案要求

  1. 使用Agent Development Kit (ADK)設計和實作AI Agent
  2. 必須展示至少3個課程中學到的核心功能（例如：工具使用、記憶、評估）
  3. 提供Kaggle寫作文件
  4. 包含簡短示範影片和專案描述

獎勵機制

  • 所有完成者: 獲得Kaggle個人檔案徽章
  • 前10名:
    • 獨家Kaggle周邊商品
    • 在Google和Kaggle官方社群媒體帳號上公開展示

學習時間投入

  • 每日作業: 1–2小時
  • 直播課程: 45–60分鐘（可選，有錄影）
  • 總計: 每天約2–3小時
  • 彈性: 可依自己的節奏學習，適合全職工作或學習的人

適合人群

最適合

✅ 已有一定AI/ML/LLM經驗，想要升級到Agent開發的開發者
✅ 在自動化工作流程或多步驟任務相關領域工作的人員
✅ 願意投入時間參與實踐工作和現場課程的學習者
✅ 想要建構可在組織內展示或使用的具體專案的人
✅ 資料科學家、ML工程師、軟體開發人員

不太適合

❌ 完全沒有AI/ML基礎且仍在學習基本LLM使用的初學者
❌ 無法承諾每天1–2小時學習時間的人

先備知識

  • Python程式設計基礎（有幫助但非強制）
  • 對AI、機器學習或資料科學有興趣
  • 熟悉Python notebooks和常見Agent函式庫

學習成果

完成本課程後，你將能夠：

  1. ✅ 設計Agent的清晰框架（目標 → 計畫 → 工具呼叫 → 記憶 → 評估）
  2. ✅ 透過Codelabs和Capstone專案獲得實務經驗
  3. ✅ 理解生產級考量因素（日誌記錄、容錯、擴展）
  4. ✅ 獲得完成證書和社群網絡
  5. ✅ 建構從簡單Agent到複雜多Agent系統的能力
  6. ✅ 掌握Agent的評估和最佳化方法

課程亮點

為什麼要學習AI Agents？

根據Google的觀點：企業正從孤立的模型呼叫轉向可擴展實驗和部署的Agent平台。Agent已成為團隊將強大模型轉化為工作軟體的方式——透過記憶、工具使用、規劃和評估來包裝LLM，使其能可靠地完成多步驟任務。

Agent vs. LLM

  • 傳統LLM: 單次提示-回應
  • AI Agents:
    • 能夠規劃
    • 呼叫工具
    • 與其他Agent協調
    • 具有記憶功能
    • 可以評估和最佳化
    • 能夠可靠完成多步驟任務

課程資源

官方連結

學習建議

  1. 提前準備環境: 確保熟悉Python notebooks和常見Agent函式庫
  2. 選擇實際問題: 帶著小型可自動化工作流程開始（如每週報告、支援分類、內容QA）
  3. 規劃評估指標: 草擬簡單的成功指標（任務完成率、延遲、節省的人工審核時間）
  4. Day 1–2: 掌握基礎——Agent循環、工具呼叫、記憶
  5. Day 3: 早期加入評估——即使是基本檢查也能防止最佳化錯誤方向
  6. Day 4: 僅在用例需要時才推向多Agent或多工具設定

競爭優勢

作為最早的結構化Agent學習課程之一，完成此課程將讓你：

  • 🎯 在許多組織仍在摸索如何採用Agent AI時獲得先發優勢
  • 🎯 擁有可展示給利害關係人或包含在作品集中的具體專案
  • 🎯 建立在Google和Kaggle社群的專業網絡
  • 🎯 獲得從「了解Agent」到「能夠交付Agent」的能力躍升

社群與支援

  • Discord頻道: 由Google員工積極維護和支援
  • 現場專家講座: 與Google研究人員和工程師的直播問答
  • 全球學習社群: 數十萬學習者共同成長
  • 錄影回放: 所有直播課程都有錄製，適合不同時區學習者

總結

5天AI Agents密集課程是一個及時、嚴謹的機會，幫助開發者和ML從業者從「LLM應用」轉向「Agent系統」。隨著AI從建議轉向行動，理解如何建構具有記憶、工具、協調、評估和部署能力的Agent的人將處於有利地位。

這不僅僅是一門課程，更是進入AI Agent時代的通行證。