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整體架構，該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。

本文件適用於建構及管理代理式 AI 應用程式的架構師、開發人員和管理員。這個架構可靈活調整，適合用於建立各產業的互動式有狀態教育應用程式。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？」一文。

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. 應用程式將使用者的輸入內容轉送給 AI 代理。

  3. AI 代理會使用 Gemini Enterprise Agent Platform 上的 Gemini 模型解讀使用者輸入內容。代理會根據使用者要求，呼叫適當的工具來執行要求的測驗動作。

    例如，代理會選取工具來啟動測驗工作階段、評估答案或生成下一個問題。

  4. 代理將回覆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：

  • 代理會將最新的測驗進度和分數，附加至儲存在 Gemini Enterprise Agent Platform 工作階段中的已儲存工作階段記錄。
  • 代理會將測驗資料轉換為記憶，並儲存在 Memory Bank 中，以便長期回顧。代理會使用儲存在記憶體中的歷來資料，在日後的工作階段中生成符合情境的回覆。

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

為因應 AI 代理特有的安全風險，Google 建議採取做法，結合確定性安全控管機制與動態、基於推論的防禦措施：

  • 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、覆寫或暫停代理動作。
  • Agent Identity：為每個代理指派與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：確認代理只會連結至核准的子代理和 MCP 工具。

本節提供的指引僅供參考，如要進一步瞭解設計因素和最佳做法，以及建構和部署多代理式 AI 系統的建議，請參閱「 Google Cloud中的多代理式 AI 系統」。

部署作業

如要部署這個架構的範例實作，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：