近日，谷歌發(fā)表了76頁(yè)的AI智能體白皮書！

智能體通過感知環(huán)境，并利用工具策略性地采取行動(dòng)，實(shí)現(xiàn)特定目標(biāo)。

其核心原理，是將推理能力、邏輯思維以及獲取外部信息的能力融合，完成一些基礎(chǔ)模型難以實(shí)現(xiàn)的任務(wù)，做出更復(fù)雜的決策。

這些智能體具備自主運(yùn)行的能力，它們可以追尋目標(biāo)，主動(dòng)規(guī)劃后續(xù)行動(dòng)，無需明確指令就能行動(dòng)。

參考鏈接：https://www.kaggle.com/whitepaper-agent-companion

白皮書深入探討了智能體的評(píng)估方法，介紹了谷歌智能體產(chǎn)品在實(shí)際應(yīng)用中的情況。

參與過生成式AI開發(fā)的人都知道，從一個(gè)創(chuàng)意發(fā)展到概念驗(yàn)證階段并不難，但想保證最終成果的高質(zhì)量，并將其投入實(shí)際生產(chǎn)，就沒那么簡(jiǎn)單了。

在將智能體部署到生產(chǎn)環(huán)境時(shí)，質(zhì)量和可靠性是最大的問題，智能體運(yùn)維（AgentOps）流程是優(yōu)化智能體構(gòu)建過程的有效方案。

智能體運(yùn)維

過去兩年，生成式AI（GenAI）發(fā)生了巨大變革，企業(yè)客戶越來越關(guān)注如何將解決方案真正應(yīng)用到實(shí)際業(yè)務(wù)中。

智能體與運(yùn)維（AgentOps）屬于生成式AI運(yùn)維的一個(gè)分支，重點(diǎn)關(guān)注如何讓智能體更高效地運(yùn)行。

AgentOps新增了一些關(guān)鍵組件，包括對(duì)內(nèi)部和外部工具的管理、智能體核心提示（像目標(biāo)、配置文件、操作指令）的設(shè)置與編排、記憶功能的實(shí)現(xiàn)，任務(wù)分解等。

開發(fā)運(yùn)維（DevOps）是整個(gè)技術(shù)運(yùn)營(yíng)體系的基石。

模型應(yīng)用開發(fā)在一定程度上繼承了DevOps的理念和方法，機(jī)器學(xué)習(xí)運(yùn)維（MLOps）則是在DevOps的基礎(chǔ)上，針對(duì)模型的特點(diǎn)發(fā)展而來的。

運(yùn)維離不開版本控制、通過持續(xù)集成 / 持續(xù)交付（CI/CD）實(shí)現(xiàn)的自動(dòng)化部署、測(cè)試、日志記錄、安全保障，以及指標(biāo)衡量等能力。

每個(gè)系統(tǒng)通常會(huì)根據(jù)指標(biāo)進(jìn)行優(yōu)化，衡量系統(tǒng)的工作情況、評(píng)估結(jié)果和業(yè)務(wù)指標(biāo)，然后通過自動(dòng)化流程獲取更全面的指標(biāo)，一步步提升系統(tǒng)性能。

不管叫「A/B測(cè)試」「機(jī)器學(xué)習(xí)運(yùn)維」，還是「指標(biāo)驅(qū)動(dòng)開發(fā)」，本質(zhì)上都基于相同的理念，AgentOps中也會(huì)遵循這些原則。

需要注意的是，新的技術(shù)實(shí)踐并不會(huì)完全取代舊的。

DevOps和MLOps中的優(yōu)秀實(shí)踐經(jīng)驗(yàn)，對(duì)于AgentOps來說依然不可或缺，它們是AgentOps順利運(yùn)行的基礎(chǔ)。

比如，智能體調(diào)用工具時(shí)會(huì)涉及API，而這個(gè)過程中用到的API，和非智能體軟件使用的API是一樣的。

智能體成功指標(biāo)

大多數(shù)智能體都是圍繞完成特定目標(biāo)設(shè)計(jì)的，目標(biāo)完成率是一個(gè)關(guān)鍵指標(biāo)。

一個(gè)大目標(biāo)往往可以細(xì)分成幾個(gè)關(guān)鍵任務(wù)，或者涉及一些關(guān)鍵的用戶交互環(huán)節(jié)。這些關(guān)鍵任務(wù)和交互都應(yīng)單獨(dú)監(jiān)測(cè)和評(píng)估。

每個(gè)業(yè)務(wù)指標(biāo)、目標(biāo)，或者關(guān)鍵交互數(shù)據(jù)，都會(huì)按照常見的方式進(jìn)行匯總統(tǒng)計(jì)，比如計(jì)算嘗試次數(shù)、成功次數(shù)、成功率等。

另外，從應(yīng)用程序遙測(cè)系統(tǒng)獲取的指標(biāo)，像延遲、錯(cuò)誤率等，對(duì)智能體也非常重要。

監(jiān)測(cè)這些高級(jí)指標(biāo)，是了解智能體運(yùn)行狀況的重要手段。

用戶反饋也是一個(gè)不可忽視的指標(biāo)。

在智能體或任務(wù)執(zhí)行的過程中，一個(gè)簡(jiǎn)單的反饋表，就能幫助了解智能體哪些地方表現(xiàn)得好，哪些地方還需要改進(jìn)。

這些反饋可能來自普通用戶，也可能是企業(yè)員工、質(zhì)量檢測(cè)人員，或者是相關(guān)領(lǐng)域的專家。

智能體評(píng)估

想把概念驗(yàn)證階段的智能體，變成可以真正投入生產(chǎn)使用的產(chǎn)品，一個(gè)強(qiáng)大的自動(dòng)化評(píng)估框架必不可少。

評(píng)估智能體能力

在評(píng)估特定的智能體應(yīng)用場(chǎng)景之前，可以先參考一些公開的基準(zhǔn)測(cè)試和技術(shù)報(bào)告。

對(duì)很多基本能力，像模型性能、是否會(huì)產(chǎn)生幻覺、工具調(diào)用和規(guī)劃能力等，都有公開的基準(zhǔn)測(cè)試。

例如，伯克利函數(shù)調(diào)用排行榜（BFCL）和τ-bench等基準(zhǔn)測(cè)試，就能展示智能體的工具調(diào)用能力。

PlanBench基準(zhǔn)測(cè)試，則專注于評(píng)估多個(gè)領(lǐng)域的規(guī)劃和推理能力。

工具調(diào)用和規(guī)劃只是智能體能力的一部分。智能體行為，會(huì)受到它所使用的LLM和其他組件的影響。

智能體和用戶的交互方式，在傳統(tǒng)的對(duì)話設(shè)計(jì)系統(tǒng)和工作流系統(tǒng)中也有跡可循，可以借鑒這些系統(tǒng)的評(píng)估指標(biāo)和方法，來衡量智能體的表現(xiàn)。

AgentBench這樣的綜合智能體基準(zhǔn)測(cè)試，會(huì)在多種場(chǎng)景下對(duì)智能體進(jìn)行全面評(píng)估，測(cè)試從輸入到輸出的整體性能。

現(xiàn)在，很多公司和組織針對(duì)特定的應(yīng)用場(chǎng)景，設(shè)立了專門的公開基準(zhǔn)測(cè)試，如Adyen的數(shù)據(jù)分析排行榜DBAStep。

大多數(shù)基準(zhǔn)測(cè)試報(bào)告中，都會(huì)討論智能體常見的失敗模式，這能為建立適合應(yīng)用場(chǎng)景的評(píng)估框架提供思路。

除了參考公開評(píng)估，還要在各種不同的場(chǎng)景中測(cè)試智能體的行為。

可以模擬用戶和智能體的交互過程，觀察它的回應(yīng)，不僅要評(píng)估最終給出的答案，還要關(guān)注它得出答案的過程，也就是行動(dòng)軌跡。

軟件工程師可以把智能體評(píng)估和代碼的自動(dòng)化測(cè)試聯(lián)系起來。在代碼測(cè)試中，自動(dòng)化測(cè)試能節(jié)省時(shí)間，還能讓開發(fā)者對(duì)軟件質(zhì)量更有信心。

對(duì)于智能體來說，自動(dòng)化評(píng)估同樣如此。

精心準(zhǔn)備評(píng)估數(shù)據(jù)集非常重要，它要能準(zhǔn)確反映智能體在實(shí)際應(yīng)用中會(huì)遇到的情況，這點(diǎn)甚至比軟件測(cè)試中的數(shù)據(jù)集準(zhǔn)備還要關(guān)鍵。

評(píng)估行動(dòng)軌跡和工具使用

智能體在回復(fù)用戶之前，通常會(huì)執(zhí)行一系列操作。

比如，它可能會(huì)對(duì)比用戶輸入和會(huì)話歷史，消除某個(gè)術(shù)語(yǔ)的歧義；也可能查找政策文檔、搜索知識(shí)庫(kù)，或者調(diào)用API來保存票據(jù)。

這些操作中的每一個(gè)，都是其達(dá)成目標(biāo)路徑上的一個(gè)步驟，也被稱為行動(dòng)軌跡。

每次智能體執(zhí)行任務(wù)時(shí)，都存在這樣一條行動(dòng)軌跡。

對(duì)開發(fā)者來說，對(duì)比智能體實(shí)際采取的行動(dòng)軌跡和預(yù)期的行動(dòng)軌跡，非常有助于發(fā)現(xiàn)問題。

通過對(duì)比，能夠找出錯(cuò)誤或效率低下的環(huán)節(jié)，提升智能體的性能。

不過，并非所有指標(biāo)都適用于每種情況。

有些應(yīng)用場(chǎng)景要求智能體必須嚴(yán)格按理想的行動(dòng)軌跡執(zhí)行，而有些場(chǎng)景則允許一定的靈活性和偏差。

這種評(píng)估方法也存在明顯的局限性，那就是需要有一個(gè)參考行動(dòng)軌跡作為對(duì)比依據(jù)。

評(píng)估最終響應(yīng)

最終響應(yīng)評(píng)估，其實(shí)核心是：智能體有沒有實(shí)現(xiàn)既定目標(biāo)？

可以根據(jù)自身的需求，制定自定義的成功標(biāo)準(zhǔn)來衡量這一點(diǎn)。

比如，評(píng)估一個(gè)零售聊天機(jī)器人能否準(zhǔn)確回答產(chǎn)品相關(guān)問題；或者判斷一個(gè)研究智能體，能不能用恰當(dāng)?shù)恼Z(yǔ)氣和風(fēng)格，有效地總結(jié)研究成果。

為了實(shí)現(xiàn)評(píng)估過程的自動(dòng)化，可以使用自動(dòng)評(píng)分器。自動(dòng)評(píng)分器本質(zhì)上是一個(gè)LLM，它扮演著評(píng)判者的角色。

給定輸入提示和智能體生成的響應(yīng)后，自動(dòng)評(píng)分器會(huì)依據(jù)用戶預(yù)先設(shè)定的一組標(biāo)準(zhǔn)，對(duì)響應(yīng)進(jìn)行評(píng)估，以此模擬人類的評(píng)估過程。

不過要注意，由于這種評(píng)估可能沒有絕對(duì)的事實(shí)依據(jù)作為參照，精確地定義評(píng)估標(biāo)準(zhǔn)就顯得尤為關(guān)鍵。

人機(jī)協(xié)同評(píng)估

人機(jī)協(xié)同評(píng)估在一些需要主觀判斷、創(chuàng)造性解決問題的任務(wù)中，有很大的價(jià)值。

同時(shí)，它還能用來校準(zhǔn)和檢驗(yàn)自動(dòng)化評(píng)估方法，看其是否真的有效，是否符合預(yù)期。

人機(jī)協(xié)同評(píng)估主要有以下優(yōu)點(diǎn)：

• 主觀性：人類能夠評(píng)估一些難以量化的特質(zhì)，像創(chuàng)造力、常識(shí)以及一些細(xì)微的差別，這些是機(jī)器較難把握的。
• 情境理解：人類評(píng)估者可以從更廣泛的角度，考慮智能體行動(dòng)的背景以及產(chǎn)生的影響，做出更全面的判斷。
• 迭代改進(jìn)：人類給出的反饋，能為優(yōu)化智能體的行為和學(xué)習(xí)過程，提供非常有價(jià)值的見解，助力智能體不斷優(yōu)化。
• 評(píng)估評(píng)估者：人類反饋還能為校準(zhǔn)和優(yōu)化自動(dòng)評(píng)分器提供參考，讓自動(dòng)評(píng)分器的評(píng)估更加準(zhǔn)確。

多模態(tài)生成（如圖像、音頻、視頻）的評(píng)估，則更為復(fù)雜，需要專門的評(píng)估方法和指標(biāo)。

多智能體及其評(píng)估

如今，AI系統(tǒng)正朝著多智能體架構(gòu)方向發(fā)生變革。

在這種架構(gòu)中，多個(gè)具有專業(yè)能力的智能體相互協(xié)作，共同完成復(fù)雜的目標(biāo)。

多智能體系統(tǒng)就好比是一個(gè)由專家組成的團(tuán)隊(duì)，各自在擅長(zhǎng)的領(lǐng)域發(fā)揮專長(zhǎng)。

每個(gè)智能體都是一個(gè)獨(dú)立的個(gè)體，它們可能使用不同的LLM，承擔(dān)獨(dú)特的角色，并且有著不同的任務(wù)背景。

這些智能體通過相互溝通、協(xié)作，來實(shí)現(xiàn)共同的目標(biāo)。

這和傳統(tǒng)的單智能體系統(tǒng)有很大區(qū)別，在單智能體系統(tǒng)中，所有任務(wù)都由一個(gè)LLM來處理。

理解多智能體架構(gòu)

多智能體架構(gòu)會(huì)把一個(gè)復(fù)雜問題拆解成不同的任務(wù)，交給專門的智能體去處理。

每個(gè)智能體都有明確的角色，它們之間動(dòng)態(tài)互動(dòng)，以此優(yōu)化決策過程、提升知識(shí)檢索效率、確保任務(wù)順利執(zhí)行。

這種架構(gòu)實(shí)現(xiàn)了更有條理的推理方式、去中心化的問題解決模式，以及可擴(kuò)展的任務(wù)自動(dòng)化處理。

多智能體系統(tǒng)運(yùn)用了模塊化、協(xié)作和分層的設(shè)計(jì)原則，構(gòu)建出一個(gè)強(qiáng)大的AI生態(tài)系統(tǒng)。

智能體可以根據(jù)功能分為不同類型，例如：

• 規(guī)劃智能體：負(fù)責(zé)將高層次的目標(biāo)拆解成一個(gè)個(gè)結(jié)構(gòu)化的子任務(wù)，為后續(xù)工作制定詳細(xì)計(jì)劃。
• 檢索智能體：通過動(dòng)態(tài)地從外部獲取相關(guān)數(shù)據(jù)，優(yōu)化知識(shí)獲取過程，為其他智能體提供信息支持。
• 執(zhí)行智能體：承擔(dān)具體的計(jì)算工作，生成響應(yīng)內(nèi)容，或者與 API 進(jìn)行交互，實(shí)現(xiàn)各種實(shí)際操作。
• 評(píng)估智能體：對(duì)其他智能體生成的響應(yīng)進(jìn)行監(jiān)控和驗(yàn)證，確保符合任務(wù)目標(biāo)，并且邏輯連貫、準(zhǔn)確無誤。

通過這些組件的協(xié)同工作，多智能體架構(gòu)不再局限于簡(jiǎn)單的基于提示的交互方式，實(shí)現(xiàn)了自適應(yīng)、可解釋且高效的AI驅(qū)動(dòng)工作流程。

多智能體評(píng)估

多智能體系統(tǒng)評(píng)估是在單智能體系統(tǒng)評(píng)估的基礎(chǔ)上發(fā)展而來的。

智能體的成功指標(biāo)在本質(zhì)上并沒有改變，業(yè)務(wù)指標(biāo)依然是核心關(guān)注點(diǎn)，其中包括目標(biāo)和關(guān)鍵任務(wù)的完成情況，以及應(yīng)用程序遙測(cè)指標(biāo)，如延遲和錯(cuò)誤率等。

通過對(duì)多智能體系統(tǒng)運(yùn)行過程的跟蹤記錄，有助于在復(fù)雜的交互過程中發(fā)現(xiàn)問題、調(diào)試系統(tǒng)。

評(píng)估行動(dòng)軌跡和評(píng)估最終響應(yīng)這兩種方法，同樣適用于多智能體系統(tǒng)。

在多智能體系統(tǒng)中，一個(gè)完整的行動(dòng)軌跡可能涉及多個(gè)甚至所有智能體的參與。

即便多個(gè)智能體共同協(xié)作完成一個(gè)任務(wù)，最終呈現(xiàn)給用戶的是一個(gè)單一的答案，這個(gè)答案可以單獨(dú)進(jìn)行評(píng)估。

由于多智能體系統(tǒng)的任務(wù)流程通常更為復(fù)雜，步驟更多，所以可以深入到每個(gè)步驟進(jìn)行細(xì)致評(píng)估。行動(dòng)軌跡評(píng)估是一種可行的、可擴(kuò)展的評(píng)估方法。

智能體增強(qiáng)檢索生成

在智能體增強(qiáng)檢索生成（Agentic RAG）中，智能體會(huì)通過多次搜索來獲取所需信息。

在醫(yī)療保健領(lǐng)域，智能體增強(qiáng)檢索生成可以幫助醫(yī)生瀏覽復(fù)雜的醫(yī)學(xué)數(shù)據(jù)庫(kù)、研究論文和患者記錄，為他們提供全面、準(zhǔn)確的信息。

Vertex AI Search是一個(gè)完全托管的、具有谷歌品質(zhì)的搜索與檢索增強(qiáng)生成（RAG）服務(wù)提供商。涵蓋數(shù)據(jù)收集、處理、嵌入、索引 / 排序、生成、驗(yàn)證和服務(wù)等流程。

Vertex AI Search擁有布局解析器、向量排序API等組件，還提供RAG引擎，通過Python SDK進(jìn)行編排，支持眾多其他組件。

對(duì)于希望構(gòu)建自己搜索引擎的開發(fā)者，上述每個(gè)組件都作為獨(dú)立的API開放，RAG引擎能借助類似LlamaIndex的Python接口輕松編排整個(gè)流程。

企業(yè)中的智能體

企業(yè)開發(fā)并使用智能體，協(xié)助員工執(zhí)行特定任務(wù)，或在后臺(tái)自動(dòng)化運(yùn)行。

商業(yè)分析師借助AI生成的見解，能輕松挖掘行業(yè)趨勢(shì)，制作極具說服力的數(shù)據(jù)驅(qū)動(dòng)型演示文稿；人力資源團(tuán)隊(duì)可利用智能體優(yōu)化員工入職流程。

軟件工程師依靠智能體，能主動(dòng)發(fā)現(xiàn)并修復(fù)漏洞，更高效地進(jìn)行開發(fā)迭代，加快部署進(jìn)程。

營(yíng)銷人員利用智能體，能深入分析營(yíng)銷效果，優(yōu)化內(nèi)容推薦，靈活調(diào)整營(yíng)銷活動(dòng)以提升業(yè)績(jī)。

目前，有兩類智能體嶄露頭角：

助手型智能體：這類智能體與用戶進(jìn)行交互，接收任務(wù)并執(zhí)行，然后將結(jié)果反饋給用戶。

助手型智能體既可以是通用的，也可以專門針對(duì)特定領(lǐng)域或任務(wù)。

例如，幫助安排會(huì)議、分析數(shù)據(jù)、編寫代碼、撰寫營(yíng)銷文稿、協(xié)助銷售人員把握銷售機(jī)會(huì)的智能體，甚至還有根據(jù)用戶要求對(duì)特定主題進(jìn)行深入研究的智能體。

它們響應(yīng)方式不同，有些能快速同步返回信息或完成任務(wù)，有些則需要較長(zhǎng)時(shí)間運(yùn)行（比如深度研究型智能體）。

自動(dòng)化智能體：這類智能體在后臺(tái)運(yùn)行，監(jiān)聽事件，監(jiān)測(cè)系統(tǒng)或數(shù)據(jù)的變化，然后做出合理決策并采取行動(dòng)。

這些行動(dòng)包括操作后端系統(tǒng)、進(jìn)行測(cè)試驗(yàn)證、解決問題、通知相關(guān)員工等。

如今，知識(shí)工作者不再只是簡(jiǎn)單地調(diào)用智能體執(zhí)行任務(wù)并等待結(jié)果，他們正逐漸轉(zhuǎn)型為智能體的管理者。

為了便于管理，未來會(huì)出現(xiàn)新型用戶界面，實(shí)現(xiàn)對(duì)多智能體系統(tǒng)的編排、監(jiān)控和管理，這些智能體既能執(zhí)行任務(wù)，還能調(diào)用甚至創(chuàng)建其他智能體。

NotebookLM企業(yè)版

NotebookLM是一款研究和學(xué)習(xí)工具，旨在簡(jiǎn)化復(fù)雜信息的理解與整合流程。

用戶可以上傳各種源材料，如文檔、筆記和其他相關(guān)文件，NotebookLM借助AI技術(shù)，助力用戶更深入地理解這些內(nèi)容。

想象一下，在研究復(fù)雜主題時(shí)，NotebookLM能把零散的資料整合到一個(gè)有序的工作空間。

本質(zhì)上，NotebookLM就像一個(gè)專屬研究助手，加速研究進(jìn)程，幫助用戶從單純的信息收集邁向深度理解。

NotebookLM企業(yè)版將這些功能引入企業(yè)環(huán)境，簡(jiǎn)化員工的數(shù)據(jù)交互方式，幫他們從中獲取有價(jià)值的見解。

例如，AI生成的音頻摘要功能，用戶可以通過「聽」研究?jī)?nèi)容來提升理解效率，促進(jìn)知識(shí)吸收。

NotebookLM企業(yè)版融入了企業(yè)級(jí)的安全和隱私功能，嚴(yán)格保護(hù)敏感的公司數(shù)據(jù)，符合相關(guān)政策要求。

Agentspace空間企業(yè)版

Google Agentspace提供了一套由AI驅(qū)動(dòng)的工具，旨在通過方便員工獲取信息，自動(dòng)化復(fù)雜的智能體工作流程，提升企業(yè)生產(chǎn)力。

Agentspace有效解決了傳統(tǒng)知識(shí)管理系統(tǒng)的固有缺陷，通過整合分散的內(nèi)容源，生成有依據(jù)且個(gè)性化的回復(fù)、簡(jiǎn)化業(yè)務(wù)流程，幫助員工高效獲取信息。

Agentspace企業(yè)版的架構(gòu)基于多個(gè)核心原則構(gòu)建。

安全性始終是Google Agentspace的首要關(guān)注點(diǎn)。

員工可以通過它獲取復(fù)雜問題的答案，還能統(tǒng)一訪問各類信息源，無論是文檔、郵件等非結(jié)構(gòu)化數(shù)據(jù)，還是表格等結(jié)構(gòu)化數(shù)據(jù)。

企業(yè)可根據(jù)自身需求配置一系列智能體，用于深度研究、創(chuàng)意生成與優(yōu)化、數(shù)據(jù)分析等工作。

智能體空間企業(yè)版還支持創(chuàng)建定制化的AI智能體，滿足特定業(yè)務(wù)需求。

該平臺(tái)能夠開發(fā)和部署具有上下文感知能力的智能體，幫助營(yíng)銷、財(cái)務(wù)、法律、工程等各部門員工高效開展研究、快速生成內(nèi)容，并實(shí)現(xiàn)重復(fù)性任務(wù)（包括多步驟工作流程）的自動(dòng)化。

定制智能體可連接內(nèi)外部系統(tǒng)和數(shù)據(jù)，貼合公司業(yè)務(wù)領(lǐng)域和政策要求，甚至能基于專有業(yè)務(wù)數(shù)據(jù)訓(xùn)練模型。

多智能體架構(gòu)實(shí)際應(yīng)用

為了說明多智能體概念在實(shí)際中的應(yīng)用，來看一個(gè)專為汽車設(shè)計(jì)的綜合多智能體系統(tǒng)。

在這個(gè)系統(tǒng)中，多個(gè)專用智能體協(xié)同工作，為用戶帶來便捷、流暢的車內(nèi)體驗(yàn)。

•  對(duì)話式導(dǎo)航智能體：專門用于幫助用戶查找位置、推薦地點(diǎn)，并借助Google Places和Maps等API進(jìn)行導(dǎo)航。
•  對(duì)話式媒體搜索智能體：專注于幫用戶查找和播放音樂、有聲讀物和播客。
•  消息撰寫智能體：幫助用戶在駕駛時(shí)起草、總結(jié)和發(fā)送消息或電子郵件。
•  汽車手冊(cè)智能體：借助檢索增強(qiáng)生成（RAG）系統(tǒng)，專門解答與汽車相關(guān)的問題。
•  通用知識(shí)智能體：解答關(guān)于世界、歷史、科學(xué)、文化及其他通用主題的事實(shí)性問題。

多智能體系統(tǒng)將復(fù)雜任務(wù)拆解為多個(gè)專業(yè)子任務(wù)。

在這種架構(gòu)下，每個(gè)智能體專注于特定領(lǐng)域。這種專業(yè)化使整個(gè)系統(tǒng)更加高效。

導(dǎo)航智能體專注于定位和路線規(guī)劃；媒體搜索智能體精通音樂和播客資源查找；汽車手冊(cè)智能體擅長(zhǎng)解決車輛相關(guān)問題。

系統(tǒng)會(huì)根據(jù)任務(wù)難度分配資源，簡(jiǎn)單任務(wù)用低配置資源，復(fù)雜任務(wù)再調(diào)用高性能資源。

關(guān)鍵功能（如調(diào)節(jié)溫度、開窗等）由設(shè)備端智能體快速響應(yīng)，而像餐廳推薦這類非緊急任務(wù)則交給云端智能體。

這種設(shè)計(jì)還具備天然的容錯(cuò)能力。網(wǎng)絡(luò)連接中斷時(shí)，設(shè)備端智能體仍能保證基本功能正常運(yùn)行，比如溫度控制和基本媒體播放不受影響，只是暫時(shí)無法獲取餐廳推薦。