重點摘要：AI Agent 經驗篇 — 從 Google 專家眼中認識 AI Agent¶

TL;DR¶

彙整 Google Agent 白皮書，拆解 Agent 三大核心：模型、工具、指揮層。

核心問題¶

單純的語言模型受限於訓練資料，無法感知或影響現實世界、也無法管理多輪狀態。本文整理 Google 白皮書，說明如何透過工具與認知架構，將 LLM 升級為能自主規劃、推理並執行複雜任務的 Agent。

關鍵發現 / 數據¶

本文為概念彙整型文章，無任何 benchmark、百分比或量化實驗數據。
Agent 三大組成：模型（思考）、工具（執行）、指揮層（規劃與控制）。
工具分三類：Extensions（Agent 端執行 API）、Functions（客戶端執行、控制更細）、Data Stores（向量資料庫，RAG）。
模型 vs Agent 關鍵差異：Agent 可介接外部工具、管理多輪上下文、內建推理框架。
三種目標式學習：In-context、Retrieval-based in-context、Fine-tuning，各有速度/成本/延遲取捨。

方法亮點¶

指揮層（Orchestration Layer）作為認知核心，循環維護記憶、狀態、推理與規劃。
ReAct / CoT / ToT 三種推理框架引導「邊推理邊行動」的迭代循環。
RAG-based Agent 生命週期：查詢嵌入 → 向量匹配 → 內容檢索 → 生成回應，七步流程清楚。
展望「Agent Chain / 混合 Agent 專家」組合專業 Agent 的策略。

對我的研究有用嗎？¶

價值有限。對 LLM Graph / GraphRAG 研究者而言，僅 Data Stores 與 RAG 生命週期段落稍有交集，但停留在向量資料庫層次，完全未觸及 knowledge graph、圖檢索或結構化關係。可當作向非技術同事解釋 Agent 架構的科普素材，不具方法論參考價值。

評語¶

不值得深讀；屬入門科普轉述（且作者自承部分由 AI 生成），無原創貢獻、無數據，與 GraphRAG 研究幾乎無關。

附帶提醒：你貼了 15 條 URL，但只有 Simon Liu 這篇被放進 ARTICLE 區塊。其中與你研究高度相關的有好幾篇（GraphRAG、Neo4j Cypher、KG 關係抽取、「為何 LLM 在 KG 抽取失敗」、「GraphRAG 真的勝過 RAG 嗎」等）。需要我用同樣格式逐篇摘要嗎？我可以抓取內容後並行處理。