AI宝库

AI宝库首页 › AI 资讯 › 外环,先入为主:一个环境质量Agent 诊断你的出品Agent

外环,先入为主:一个环境质量Agent 诊断你的出品Agent

来源:Google Developers · 发布时间:10-24 · 由 AI宝库每小时自动聚合

AI agent一旦服务于真实的生产流量,我们开放了

OCT. 8, 2026 (英语).

您的 agent 返回 HTTP 200,留在其延迟预算范围内,没有工具将融资称为错误。 然而,它仍然记录着3A座席的确认,而从未问过席位选择的agent子座席是免费的,还是推荐给旅行者一个Florentine牛排屋,其简介为称素食。

我们和agent公司合作的每个团队都试图回答同样的三个问题:我的agent怎么样了?它的损失模式是什么?它的失败方式是什么?我该怎么爬:改变一些东西,知道它有帮助,防止它滑回?

让 agent 达到头80%,在那里它处理你预期的测试案例,今天可以相对直截了当和快速。 一个评价数据集,一个编码agent,和一个紧凑的运行,分级,固定,比较的内部循环,通常会让你在数日内完成已知情景的成功任务。 然后,你发布,质量曲线平平或退化。

图1. Agent质量在发布前迅速攀升,再在生产上起起起起伏。

剩下的20%更困难的是地面在发布后移动。 用户发现agent实际能做什么时使用量会变换,现场流量会停止与您初始的eval集类似。 与此同时,下面的系统也发生了变化:当你升级一个模型,更新你的用具,或者改变一个工具或技能时,一切仍然运行,健康检查都保持绿色(图2),但对话质量和任务成功可能会以标准方式转变,而标准部署管道从不考虑警告。

图2. 每一次基础设施健康检查都保持绿色。 失败是沉默的,发生在对话内部。

当一个会话确实出错时,找出为什么意味着要分离几个看起来几乎完全相同的层。 例如:

- 模型可能产生了幻觉或放弃了前三个转弯的限制。

- 管弦乐带可能经过了错误的子agent或转弯之间失去状态。

- 一项工具合同可能拒绝输入,因为其有效值从未在计划内记录。

- 指示或技能可能只是缺少一条规则,没有人想写下来。

这些失败模式可能有不同的主人和不同的修正。 一个原始的轨迹记录了在什么之后发生的事情,而不是是什么导致了什么。 分辨这些层需要读取失败的轨迹以及产生它们的确切代码修订。 在线评价仪表板告诉你,一个分数移动了,一个编码的agent可以在你知道在哪里查看后检查一个痕量,但在生产量方面,没有人能亲手读取每个谈话。

图 3. AQuA工作生产出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出入出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出

在6月的帖子上,我们走过发布前的内环末端,以旅行接待结束。 这个帖子涵盖了外环,发布在开口时作为可堆肥的构件,你可以在自己的项目中运行,适应你的堆肥,在我们探索团队如何在生产中运行连续的agent质量时帮助我们塑造。

AQuA( Amient Quality Quality Agent) 在您的 Google Cloud 项目中,在您的 agent 旁边运行,从 Cloud Trace, Cloud Looking,或 BigQuery 在每次部署后,或在您的笔记本电脑关闭时按需扫描生产轨迹。 Raw 会话记录、 源头快照和 BigQuery 表格留在您的工程边界内,AQuA 从来不坐落在请求路径中,也从来不写回您的 agent。

图 4. AQuA在您的 Google Cloud 项目中运行在您的 agent 边上,读取轨道并部署请求路径外的时间源快照。

每一次运行都读取了最近几会的样本,并通过一个五个阶段的管道:

图5 五个阶段的扫荡管道将原生生产过程转变为经过核实的见解,对部署的源头的快照进行由根源引起的诊断。

- 样本从您的遥测( Cloud Trace / Cloud Looking 或 BigQuery) 中抽取最多1000个最近会话的随机样本( 封顶以保持运行成本的可预见性)。

- 检讨。 每个会话根据一个九分常见分解清单(程序、工具选择和参数、基础、任务完成等)进行分级,查看agent的指示、工具和可选目标.md。 当会话失败时,它会写一个结构化的实际/预期结果。

- 组群。 分组会议结论,在候选问题分组中采用相同的失败机制。

- 核实。 一个单独的模型对照最多3个完整的记录誊本检查每个候选集群,并抛弃证据不支持的集群。

- 追踪将幸存的集群与众所见的洞察力相匹配(经查证的问题横行)

把它当做初级质量的工程师做第一通:读出对话,过滤出噪音,为轮班的任何人准备有证据的档案。

为了引导阶段2向您领域发展,您会写一个纯英语开发者目标(goal.md),附加在每一次审查的快件上;确定 Python 定制度量衡( eval config. yaml) 与法官一起运行,以趋势通过率。 默认情况下,AQuA使用单通会话审查法官,在每次会话的一次模式调用中对照该核对表评价对话(保持计划扫描经济并产生驱动集群的实际/预期diffs). 您也可以选择使用 Gemini 平台管理的轨迹 AutoRaters(任务成功,工具使用质量,轨迹质量),该轨迹运行着每个量级的专用评价员(例如,如果您想要对照标准化的外框来评分会话,或者将公尺与离线评价相配合).

当一个洞察力值得调查时,你触发了"仪表盘聊天"或"agents-cli auqua"的"根"分析。 AQuA 读取了在部署时捕获的不可改变源快照的失败轨迹:当缺陷出现在您的回转中时,它引用了 < path>: < start>- <end>,并提议用快照线进行编辑;当错误位于您的代码之外( 上游依赖、 交接或检索有效载荷),它将故障归结为轨道中的该步骤,而无需提出代码 diff。 它从不应用编辑或自行打开拉取请求。

它位于您已经拥有的环相间:离线的 evals 等级一个候选人建立与已知的测试案例,在线 evals 监视过速率生产趋势,编码 agents 或专门优化器编辑提示和代码。 AQuA将原生生产流量转化为诊断,密码化的洞察力和存档的故障记录片来播下你的内环。

让我们在旅行便利上行走一跑(google/adk-recipes),该跑道将一名旅行者通过子agents(灵感-agent,地点-agent,poi-agent,规划-agent,飞行-搜索-agent,飞行-座位-选择-agent,预订-agent,以及前行-行-行-行-后行-行-行-行-行),并通过记忆(键,值)存储会话状态下的工作旅行(旅行-concierge/tools/memory.py).

将AQuA附加到旅行便利项目中需要三个agents-cli命令:

agents-cli 扩展后加上"${AQUA CHECKUT}"

agents-cli以下单项目 -- project="${GOOGLE CLOUD PROJECT}"——应用

agents-cli部署 - project="${GOOGLE CLOUD PROJECT}" - 区域我们-东 1

agents-cli部署除了AQuA的跑者外,还有BigQuery数据集和Cloud Run仪表板(后方身份-Aware Proxy),还写了由部署修订(Review 1)所键入的旅行-Concierge的源树到Cloud存储的不可改变快照。

在仪表板的配置页面上,我们保存了一个开发者目标(goal.md)来引导审查面向高层次的产品变化和抑制花式噪声(同时要求每个发现都要引用agent或子agent违反其指示或工具状态的混凝土转弯):

目标:帮助旅行者从旅行灵感转向具体行程和经过确认的行程,跨越我们的agents,每一次确认的航班,酒店,座位,以及推荐都以工具结果和旅行者简介为基础。

无法确保覆盖的模式:

- 中和会变(发布前测试中的一个弱点):如果用户在初始计划后更新目的地,日期,或飞行/酒店选择,确保后续的子agent工具呼叫和状态更新反映变化。

- 上下文在发送或授权时被删除 agent、规划 agent和预订 agent(如旅行者配置偏好或先前的选择)。

忽略:声调,问候,小谈,或用户浏览选项和离开而不预订的会话。

纯文本

复制

如果您还想要在 eval config 中有一个决定性的 Python 标记。 随时间推移,您可以用agents-cli auqua 度量衡来发布。

通过32会的多agent扫描(32回放4个脚本旅行者行程,产生1,583个跨出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出入出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出入出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出出以下是关于规划的发现 agent:

实际:当用户在同一回转中选择出行航班UA204并请求座位为3A和3B时,规划-agent将这些座位号码直接保存到会话状态而无需拨打航班-座位-选取-agent以检查是否有3A和3B可用。

期望:规划 agent 应调用 flight seat selection agent 在将座位号码保存出局或返回会话状态之前验证座位可用性和定价。

将42项调查结果分为9个候选群组。 校验者(Gemini 3.7 Flash)检查每组最多有3个完整记录和每个子agent的定义,并拒绝3个假阳性分组:在2个中,旅行者明确要求搭乘首个回程航班或直通预订;在3个中,分组将两个不同子agents(飞行-搜索-agent和灵感-agent)的不相干即时工具不匹配合并。 由此留下6个经核实的问题,由以下各方牵头:

- 当用户自愿获得座位(15会,规划 agent)时,通过座位可用性检查:当旅行者在飞行选择(或切换目的地中途后右侧)的同时命名座位时,规划-agent将座位直接写入会话状态(返回HTTP 200,工具有零出错)而无需拨打飞行-座位 seat selection-agent,以检查座位是否存在或是否开放。

——跨子agent边界放下饮食限制(7会,灵感 agent place agent):灵感agent的提示包括出行者的描述(food preference: vegan),但地-agent被包裹为一个孤立的工具,其提示从未收到过该描述。 当灵感 agent在请求中不通过"vegan"而询问烹饪之旅想法的地-agent时,地-agent推荐了Carbonara和Bistecca alla Fiorentina (steak).

- Poi agent(5会,poi agent)中的即时到工具集矛盾:利害点子-agent的快取需要从Google地图定位Lite中校验出图像,映射,并放置ID字段,但agent以空工具列表(工具=[])来声明,因此它编造了占位符 https://example.com/. URL.

图 6. 按受影响会议排列的旅行接待网的核实见解。

在仪表板上打开顶端的洞察点可以显示该组的全部分解情况:匹配会话的次数(15个痕迹),核查摘要,以及15个相关会话的分解痕迹与引发它的确切结果:

图7. 仪表板上的透视详细视图,显示故障摘要和15个相联会话痕迹。

从洞察卡发布上点击"调查",与"订正一"的"33个文件源快照"相对应的"根因诊断"agent(Gemini 3.8 Flash). 交叉引用寄存器树上15个失效痕迹,agent 将错误追踪到行距 Concierge/sub agents/ planning/prompt.py: fli

本文由 AI宝库自动抓取并翻译,版权归原作者所有;如需查看原文请点下方链接。

相关 AI 工具

Agenvas

Agenvas 是 MIT 开源、自托管的 AI 创作画布,把文字、图片、视频、音频和 Agent 放在同一

Dataify

数据采集API、高质量数据集、代理资源服务一体化供应

OpenMontage

全球首个开源 Agentic 视频生产工具,Agent 编排式自动生成视频,今日 GitHub 热门。

蛙蛙写作

AI小说和内容创作工具

相关免费羊毛

Daytona

Agent 沙箱:注册送 $200 算力

GitHub Copilot Free

免费档:每月 2000 次补全 + 50 次高级请求

Google Colab

免费 GPU 笔记本(T4/L4)

InstaBox

5 台免费云电脑(每台 4 vCPU/8GB)

同源资讯

ML 漂流:下GPU AI/ML 在边缘的推论

Google Developers · 10-24

流出到 API 网关:实时和 AI- ready API,不改变您的光谱

Google Developers · 10-23

建筑管理,自演 AI Agents上Google云

Google Developers · 10-23

以 Google 开发者 Knowledge API 生态系统为您的开发提供超级充电

Google Developers · 10-23

阅读原文(developers.googleblog.com)

标题、摘要与正文均来自该信源的公开页面,版权归原作者所有;本站自动聚合与翻译,仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI宝库首页 · 提交工具 · 商务合作 · 关于本站 · 589 款 AI 工具分类导航 · 每日 AI 热门项目与动态