代理式 AI 用途：管理互動式學習

Last reviewed 2026-10-14 UTC

本文說明應用程式的概略架構，這類應用程式會透過代理式 AI 工作流程，生成及管理互動式學習測驗。代理會評估使用者對特定主題的知識，並使用永久工作階段狀態和長期記憶，打造個人化體驗。代理會保留使用者的回答記錄，並據此動態調整後續問題的難度和內容。

本文適用對象包括建構及管理代理式 AI 應用程式的架構師、開發人員和管理員。這項架構適用於在各行各業中，建立互動式且具狀態的教育應用程式。本文假設您對 AI 代理系統已有基本瞭解。如要瞭解代理與非代理系統的差異，請參閱「AI 代理、AI 助理和機器人有何不同？」

本文的部署一節提供程式碼範例連結，協助您試著部署代理式 AI 應用程式，管理互動式學習測驗。

架構

下圖顯示互動式學習代理的高階架構。

互動式學習代理的架構。

架構圖顯示下列資料流程：

  1. 使用者在託管於 Cloud Run 的測驗應用程式中執行動作，例如開始測驗或提交答案。
  2. 應用程式將使用者輸入內容轉送至 AI 代理。

  3. AI 代理程式會使用 Gemini Enterprise Agent Platform 上的 Gemini 模型解讀使用者輸入內容，根據使用者的要求，代理會呼叫適當的工具，執行所要求的測驗動作。

    舉例來說，代理會選取工具來啟動測驗、評估答案或生成下一個問題。

  4. 代理程式會將回應傳送至測驗應用程式。

  5. 測驗應用程式將回覆轉送給使用者。

為維持測驗狀態並提供個人化體驗，代理會執行下列背景工作：

  • 代理程式會將最新的測驗進度和分數附加至儲存在 Gemini Enterprise Agent Platform Sessions 的已儲存工作階段記錄。
  • 代理程式會將測驗資料轉換為記憶，並儲存在 Memory Bank 中，以供長期回憶。代理會使用儲存在記憶體中的歷史資料，在日後的工作階段中生成符合脈絡的回覆。

使用的產品

這個範例架構使用下列 Google Cloud 和開放原始碼產品和工具：

安全性考量

為協助解決 AI 代理的獨特安全風險，Google 建議採用方法，結合確定性安全控制項與動態、以推理為基礎的防禦措施：

  • 人工監督：在業務關鍵系統中加入人工介入迴路流程，讓人工監督員審查輸出內容，並核准、覆寫或暫停代理程式動作。
  • Agent Identity： 為每個代理指派工作負載繫結的身分，強制執行最小權限 存取控管，並集中管理外部工具的憑證。
  • Agent Gateway：強制執行輸入和輸出流量管理、預設拒絕存取政策，以及使用 Model Armor 進行內嵌提示和工具檢查。
  • Agent Registry：確認代理只會連線至核准的子代理和 MCP 工具。

本節指南僅列出部分範例。如要進一步瞭解設計因素和最佳做法，以及建構及部署多代理式 AI 系統的建議，請參閱「 Google Cloud中的多代理式 AI 系統」。

部署作業

如要部署此架構的範例實作，提供程式設計相關測驗，請使用 GitHub 上的 Python 導師程式碼範例。

後續步驟

貢獻者

作者：Samantha He | 技術文件撰稿者

其他貢獻者：