谷歌的两个5天课程都讲了什么，介绍一下这9+N份白皮书 ｜最新

2025年末，谷歌通过Kaggle平台，以前所未有的力度，连续推出了两个为期五天的线上强化课程。这不仅仅是两次普通的线上分享，更像是一场由谷歌顶级机器学习（ML）研究员和工程师亲自引领的、深入探索生成式AI及其前沿应用——AI Agents（人工智能代理）的集训。

第一个课程 “5-Day GenAI Course” 是一个自定进度的综合性课程，与2025年3月31日至4月4推出的，全面覆盖了从大型语言模型（LLM）的基石技术到高级应用和运维（MLOps）的全链路知识。 

https://www.kaggle.com/learn-guide/5-day-genai ^[1]

第二个课程 “5-Day AI Agents Intensive Course” 则更加聚焦于未来，于 2025年11月10日至11月14日 期间，带领开发者深入探索AI Agents的构建、评估与部署。 

https://www.kaggle.com/learn-guide/5-day-agents ^[2]

对于任何希望在AI领域从入门到精通的开发者、研究人员或是技术爱好者来说，这都是一个不容错过的机会。课程内容从LLM的基石，到构建能够与真实世界交互、解决复杂问题的AI Agents，层层递进，干货满满。

谷歌为这两个课程配备了超过9份详尽的白皮书，随着后续三天的课程应该还有至少3份pdf文件。每一份都由内部专家撰写，深入剖析了从模型原理到运维实践的方方面面。这些白皮书不再是高高在上的理论陈述，而是与Kaggle上的Codelab动手实验、由NotebookLM生成的总结播客（音频）以及专家直播紧密结合的实战手册。

那么，这两个五日课程究竟涵盖了哪些硬核内容？那9+N份被反复提及的白皮书又藏着哪些宝藏？本文是一份非常准确的报告，可以成为您阅读这些材料入门指南。

第一天：奠定核心基石 (Foundational LLMs & Prompt Engineering)

欢迎来到第一天的学习！今天，您将探索大型语言模型（LLM）的演进历程，深入理解其背后的核心技术，并掌握与LLM高效互动的艺术——提示工程。

单元一：基础大语言模型与文本生成 (Foundational Large Language Models & Text Generation)

这份白皮书是您进入生成式AI世界的第一站，它将详细拆解构成现代LLM的技术基石，让您对“黑箱”之内有清晰的认知。

核心内容概览：

• Transformer架构全解析：
• 自注意力机制 (Self-Attention)：理解模型如何通过计算查询（Query）、键（Key）、值（Value）来权衡输入序列中不同部分的重要性，这是Transformer的核心。
• 多头注意力 (Multi-Head Attention)：学习模型如何从不同子空间、不同角度捕捉信息，增强对复杂模式的表达能力。
• 编码器-解码器 (Encoder-Decoder) 与 混合专家模型 (MoE)：探索不同的模型架构如何应对翻译、生成等不同任务。特别是MoE，它通过一个“门控网络”仅激活一部分“专家”子网络来处理输入，从而在保持巨大模型规模的同时，大幅提升训练和推理的计算效率。

• 模型的演进与谱系：
• 我们将追溯从开创性的 GPT-1、BERT，到规模与能力指数级增长的 GPT-3/4、LaMDA、PaLM，再到谷歌最新、能力最强的原生多模态模型 Gemini 家族（Ultra, Pro, Nano, Flash），以及轻量级、高性能的开源新星 Gemma。
• 同时，我们也会探讨业界其他重要的开源模型，如 LLaMA 和 Mixtral，并对它们进行横向比较，让您对整个LLM生态有宏观的把握。

• 训练与微调 (Training & Fine-tuning)：
• 监督式微调 (SFT)：如何使用高质量的“指令-回答”对数据集，让预训练好的模型适应特定任务或指令风格。
• 人类反馈强化学习 (RLHF)：揭秘如何通过训练一个“奖励模型”来学习人类的偏好，并以此为信号，利用强化学习算法（如PPO）来“对齐”模型，使其输出更符合期望、更安全、更有用。

• 参数高效微调 (PEFT)：学习如 LoRA (低秩适应) 等前沿技术，如何在冻结绝大部分模型参数（高达99%）的情况下，仅通过训练极少数新增参数，就能以极小的计算和存储成本实现模型的有效定制。

• 推理加速 (Accelerating Inference)：
• 量化 (Quantization) 与 蒸馏 (Distillation)：了解如何通过降低模型参数的数值精度（如从FP16到INT8）或将大模型的“知识”迁移到小模型，来显著缩小模型体积，提升响应速度，这对于端侧部署至关重要。
• Flash Attention 与 推测解码 (Speculative Decoding)：探索在保证输出质量的同时，从算法层面优化计算效率的前沿技术。推测解码通过一个小的“草稿”模型快速生成候选序列，再由大模型一次性验证，从而加速解码过程。

单元二：精准驾驭：提示工程 (Prompt Engineering)

如果说LLM是一辆性能强悍的赛车，那么提示（Prompt）就是方向盘和油门。掌握提示工程，意味着您能精准地驾驭模型，使其按照您的意图行驶，发挥最大潜能。

核心内容概览：

• 基础与配置：
• 温度 (Temperature) 与 Top-K/Top-P采样：学习如何通过调整这些解码参数，在“事实性、确定性”的回答与“创造性、多样性”的回答之间找到最佳平衡点。低T值适用于问答和代码生成，高T值适用于创意写作。

• 核心提示技术：
• 零样本 (Zero-shot)、单样本 (One-shot) 与 少样本 (Few-shot)：从不给示例直接提问，到在提示中提供一两个甚至多个高质量的范例，这是引导模型理解任务意图、模仿输出格式与风格的最基本也是最有效的技巧。
• 角色扮演 (Role Prompting) 与 上下文提示 (Contextual Prompting)：通过“你现在是一个专业的法律顾问...”或提供详尽的背景信息，可以极大地提升模型回答的专业性和相关性。

• 高级推理技术：
• 思维链 (Chain of Thought, CoT)：通过在提示中加入“让我们一步一步地思考”或展示一个带有推理步骤的范例，可以引导模型在回答复杂问题（尤其是逻辑、数学和多步推理任务）前，先生成一个详细的推理过程。这显著提升了回答的准确性。
• 自洽性 (Self-Consistency)：在CoT的基础上，通过多次生成（使用较高的温度）并对最终答案进行“投票”，选出最一致的结果，可以进一步增强复杂推理任务的可靠性。
• 思维树 (Tree of Thoughts, ToT)：让模型像人类一样，在解决问题时探索多个不同的推理路径（分支），并对这些路径进行评估和剪枝，从而在需要深度探索和战略规划的任务上表现更佳。
• ReAct (Reason & Act)：这是构建AI代理（Agent）的基石。该框架让模型不仅能“思考”（Reason），还能决定调用外部“行动”（Act），如使用搜索引擎、计算器或查询API。模型会根据行动返回的“观察”（Observation）结果，继续进行下一轮的思考和行动，直至问题解决。

第二天：连接现实世界：嵌入与向量数据库 (Embeddings and Vector Stores/Databases)

第二天，您将学习如何利用嵌入（Embeddings）和向量数据库，将您的私有数据或实时信息引入LLM应用，这也是构建强大的检索增强生成（RAG）系统的关键。

单元三：嵌入表示与向量存储 (Embeddings & Vector Stores)

数据是AI的燃料，而嵌入（Embeddings）则是将文本、图像、音频等多样化的数据，转化为AI能够理解和处理的通用语言——高维向量。这份文档将带您深入探索数据表示的艺术。

核心内容概览：

• 嵌入的核心价值：理解为什么需要将现实世界中的对象（如单词、句子、图片）转换成低维、稠密的向量。这种表示的核心优势在于它能捕捉“语义相似性”——意义相近的对象在向量空间中的距离也更近。

• 嵌入技术详解：
• 文本嵌入：回顾从经典的 Word2Vec、GloVe（它们基于词的共现统计）到基于Transformer的现代文档嵌入技术（如BERT、Sentence-T5）的演进。现代模型能够生成上下文感知的（context-aware）词向量，极大地提升了表示的准确性。
• 图像与多模态嵌入：学习如何将图像乃至图文并茂的内容映射到统一的向量空间。这使得跨模态的理解与搜索成为可能，例如“以图搜图”或用一段文字描述来检索相关图片。

• 向量搜索与数据库：
• 近似最近邻 (ANN) 算法：当数据量达到亿级甚至十亿级时，线性扫描所有向量进行比较变得不可行。我们将深入 LSH (局部敏感哈希)、HNSW (层级可选小世界图) 以及谷歌内部强大且已在Vertex AI中商用的 ScaNN (可扩展最近邻) 算法，理解它们如何在保证高召回率的同时，实现毫秒级的搜索响应。
• 向量数据库：了解为什么需要专门的向量数据库（如Vertex AI Vector Search, Pinecone, Weaviate）。它们不仅实现了高效的ANN索引，还提供了元数据过滤、实时增删改、水平扩展、安全与访问控制等生产级功能。

• 实战应用：检索增强生成 (RAG)：

• 这是当前最热门、最实用的LLM应用模式之一。我们将通过实例详细展示RAG的工作流程：将用户问题嵌入为向量 -> 在向量数据库中搜索最相关的文档片段 -> 将这些片段作为上下文注入提示 -> 最后让LLM基于这些“开卷”信息生成回答。这种方法能有效缓解模型的“幻觉”问题，并让模型的回答有据可查，极大地提升了其实用性和可靠性。

第三天：迈向自主智能：生成式AI代理 (Generative AI Agents)

第三天，您将学习构建复杂的AI代理，理解其核心组件、开发流程以及更高级的多代理协作架构。

单元四：AI代理 (Generative AI Agents)

AI代理是生成式AI的下一个前沿。它不再仅仅是一个被动的问答机器，而是一个能够理解目标、制定计划、并调用工具自主完成复杂任务的智能体。

核心内容概览：

• 代理的核心架构：

• 模型 (Model)：作为代理的“大脑”，通常是一个强大的LLM，负责推理、规划和决策。
• 工具 (Tools)：代理的“双手”和“感官”，可以是任何外部资源，如API（谷歌搜索、天气查询）、数据库、代码解释器等，使其能够与外部世界交互并获取实时信息。
• 编排层 (Orchestration Layer)：代理的“神经系统”，它实现了一个认知循环。最经典的框架就是 ReAct，它指导代理循环执行“思考-行动-观察”的流程，直到达成最终目标。

• 工具的类型与使用：
• 函数调用 (Function Calling)：这是目前最通用和灵活的工具集成方式。模型在“思考”后决定调用哪个函数并生成所需的参数（以JSON格式），但真正的执行由客户端代码完成，这给了开发者极大的控制权。
• 数据存储 (Data Stores)：了解如何将向量数据库等作为一种特殊工具，为代理提供动态、实时的知识检索能力。这是实现高级RAG（即Agentic RAG）的基础。

单元五：AI代理伴侣 (Agents Companion)

这份文档将带您深入多代理世界，并探讨如何将代理应用投入生产环境，确保其质量、可靠性和效率。

核心内容概览：

• AgentOps：这是专门针对AI代理的新型运维（MLOps）范式。我们将讨论如何定义代理的成功指标（如任务完成率、用户满意度）、如何进行有效的评估，以及如何实现自动化测试、持续集成与部署。

• 代理评估 (Agent Evaluation)：
• 能力评估：如何使用基准测试（如BFCL用于函数调用）来衡量代理的核心能力。
• 轨迹与工具使用评估：不仅仅看最终答案，更要分析代理的决策路径（Trajectory）——它是否选择了正确的工具？步骤是否高效、合理？
• 最终响应评估 与 人在环路 (Human-in-the-Loop)：结合自动化指标（如使用另一个LLM作为“裁判”的Autorators）与人类专家的主观判断，对代理的性能进行全面、深入的评估。

• 多代理架构 (Multi-Agent Architectures)：
• 当单个代理不足以解决复杂问题时，就需要一个“代理团队”。我们将探索不同的多代理协作模式，如 顺序型、层级型（Hierarchical，有一个“经理”代理负责分发任务）、协作型（Collaborative，代理们像同事一样讨论和分享信息）。

第四天：精通垂直领域：领域特定LLM (Domain-Specific LLMs)

第四天，您将深入了解如何创建和应用专为特定行业（如网络安全、医疗健康）打造的LLM，并学习如何使用您自己的数据对Gemini模型进行微调。

单元六：用LLM解决领域特定问题 (Solving Domain-Specific Problems Using LLMs)

通用大模型虽然强大，但在需要深度专业知识和极高准确性的垂直领域，经过“精装修”的领域模型往往能发挥出更大的价值。

核心内容概览：

• 网络安全领域的 SecLM：

• 挑战：面对瞬息万变的攻击手法、海量的告警日志和持续的专业人才短缺，网络安全领域亟需AI的助力。
• 解决方案：SecLM 是一个专为网络安全定制的LLM。它通过在海量的安全语料（如威胁情报报告、恶意软件样本、安全博客）上进行持续预训练和微调，能够深度理解恶意代码、自动生成检测规则、分析攻击路径，并能与SIEM（安全信息和事件管理）等现有安全工具无缝集成，成为安全分析师的得力助手，极大地提升威胁响应效率。

• 医疗健康领域的 MedLM：
• 挑战：医学知识浩如烟海、日新月异，且对信息的准确性、推理的严谨性以及回答的安全性有着极高的要求。
• 解决方案：以 Med-PaLM 为代表的 MedLM 系列模型，通过在海量医学文献、教科书和临床数据上进行专门的微调，并在美国执业医师资格考试（USMLE）等权威基准上进行严格对齐，展现出媲美甚至超越人类专家的医学问答与推理能力。我们将深入探讨其独特的评估方法、创新的训练策略，以及它在辅助诊断、解读病历等方面的巨大潜力和责任边界。

第五天：规模化落地：生成式AI的MLOps (MLOps for Generative AI)

第五天，您将学习如何将传统的MLOps实践应用于生成式AI，并利用Vertex AI的强大工具来运维和管理您的GenAI应用。

单元七：在Vertex AI上借助MLOps实现生成式AI的运维 (Operationalizing Generative AI on Vertex AI)

从一个Jupyter Notebook中的实验到一个稳定、可靠、可扩展的生产级应用，中间隔着一整套系统化的工程最佳实践。这份文档是您将GenAI项目成功落地投产的终极行动指南。

核心内容概览：

• GenAI的MLOps新范式：

• 核心组件的变化：传统的MLOps以“模型”为中心，而GenAI的MLOps则转向以“提示-模型-数据”三位一体的“提示化模型组件 (Prompted Model Component)”为核心。
• 新的资产管理：提示模板、链（Chains）/代理（Agents）的定义、向量数据库的索引、参数高效微调的适配器（Adapters）等，都成为需要进行版本控制、测试和治理的新型ML资产。

• GenAI应用的完整生命周期：

• 发现 (Discover)：如何在 Vertex AI Model Garden 中发现、比较并选择最适合您业务场景的基础模型。
• 开发与实验 (Develop & Experiment)：在 Vertex AI Studio 这个统一的UI界面中，进行快速的提示工程、模型微调（支持SFT, RLHF, PEFT）和RAG原型验证。
• 评估 (Evaluate)：使用Vertex AI Evaluation服务，对模型的输出质量进行自动化或人工评估。
• 部署 (Deploy)：如何将您的应用打包成容器，通过 Vertex AI Pipelines 和 Cloud Build 实现CI/CD，并将其部署到可自动扩展的 Vertex AI Endpoint 上。
• 监控与治理 (Govern)：如何监控模型的性能指标、检测数据漂移，并利用 Vertex AI Model Registry 和 Dataplex 进行全面的模型与数据治理及血缘追踪。

课程二：5天AI代理强化课程 (5-Day AI Agents Intensive Course)

课程时间：2025年11月10日 - 2025年11月14日

这个为期五天的强化课程，旨在帮助开发者探索AI代理的基础和实践应用，学习其核心组件——模型、工具、编排、内存和评估，并最终将代理从原型推向生产。

第一天：AI代理入门 (Introduction to Agents)

这本白皮书介绍了AI代理，提出了代理能力的分类法，强调了AgentOps对于可靠性和治理的重要性，并讨论了通过身份和约束策略实现代理互操作性和安全性的重要性。

白皮书8: 《代理简介》

• 核心内容:
• 代理能力分类法: 将代理系统分为五个级别：从Level 0（核心推理系统）到Level 1（连接的问题解决者）、Level 2（战略问题解决者）、Level 3（协作式多代理系统）直至Level 4（自我进化系统）。

• 核心架构: 再次强调“模型-工具-编排”的核心架构，并引入“部署”作为其“身体和腿”，使其成为可靠的服务。
• AgentOps: 提出一套针对代理的结构化运维方法，包括如何度量成功、使用语言模型作为“裁判”进行质量评估、通过OpenTelemetry追踪进行调试，以及珍视人类反馈。
• 互操作性与安全: 探讨了代理与人、代理与代理、代理与金钱的交互方式。重点提出了“代理身份”作为一种新的安全主体，并强调需要通过策略来约束其访问权限。

• 动手实验 (Codelabs):
• 使用谷歌的代理开发套件（Agent Development Kit, ADK）和Gemini，构建您的第一个AI代理，并赋予其使用谷歌搜索回答实时问题的能力。
• 构建您的第一个多代理系统，学习如何创建专业化的代理团队并探索不同的协作模式。

第二天：代理工具与互操作性 (Agent Tools & Interoperability)

今天的白皮书聚焦于外部工具，这些工具允许代理执行其训练数据之外的操作或检索实时数据，并介绍了设计有效工具的最佳实践。您还将了解模型上下文协议（MCP），重点介绍其架构组件、通信层、风险和企业准备度差距。

白皮书9: 《代理工具与MCP互操作性》

• 核心内容:
• 工具设计最佳实践: 详细指导如何编写清晰的工具文档，强调应“描述动作，而非实现”，并建议将工具设计得尽可能原子化，返回简洁的输出，并提供有意义的错误信息。
• 模型上下文协议 (MCP): 深入剖析MCP如何解决“N x M”的集成难题。它通过定义标准的“主机-客户端-服务器”架构和基于JSON-RPC的通信，旨在创建一个可插拔的工具生态系统。
• MCP的核心原语: 重点介绍Tool定义，但也涵盖了Resources, Prompts, Sampling, Elicitation等其他能力，尽管后者目前支持度有限。
• 风险与挑战: 坦诚地讨论了MCP在企业环境中面临的挑战，包括上下文窗口膨胀、性能瓶颈、以及在认证、授权和可观察性方面的“企业准备度差距”。
• MCP安全专题: 详细分析了由MCP引入的新攻击面，如动态能力注入、工具遮蔽（Tool Shadowing）、恶意工具定义，并提出了相应的缓解措施，强调了在网关层面进行策略强制的重要性。

• 动手实验 (Codelabs):
• 通过将您自己的Python函数转换为代理可执行的动作，为您的代理创建自定义工具。

• 使用MCP实现长时运行操作，让代理在等待人类批准时可以暂停工具调用，然后再继续。

第三、四、五天：深入探索与顶点项目

• 后续内容: 课程的后三天将继续深入，具体内容将在 2025年11月12日、13日和14日 陆续发布。
• 顶点项目 (Capstone Project): 在课程的最后一天（11月14日），您将有机会应用所学知识，构建自己的AI代理，并有机会在Kaggle上获得徽章。

最后，希望这篇文章能让你掌握生成式AI的核心技术，更能具备将其应用于实际问题、创造真实价值的工程能力。所有资料我将在群里分享，欢迎来聊。

引用链接

[1]: https://www.kaggle.com/learn-guide/5-day-genai

[2]: https://www.kaggle.com/learn-guide/5-day-agents

文章来自于“Al修猫Prompt”，作者“Al修猫Prompt”。