吳恩達(dá)又出新課了，這次的主題是—Agentic AI。

在新課中，吳恩達(dá)將Agentic工作流的開(kāi)發(fā)沉淀為四大核心設(shè)計(jì)模式：反思、工具、規(guī)劃與協(xié)作，并首次強(qiáng)調(diào)評(píng)估與誤差分析才是智能體開(kāi)發(fā)的決定性能力：

誰(shuí)能建立起系統(tǒng)化的評(píng)估與誤差分析流程，持續(xù)定位并改進(jìn)智能體工作流中的問(wèn)題，誰(shuí)就在智能體開(kāi)發(fā)中領(lǐng)先一步。

在課程演示中，通過(guò)使用Agentic技巧，甚至可以讓GPT-3.5在編程任務(wù)中輕松秒殺GPT-4。

Agentic AI不再讓模型一次性“憋”出答案，而是學(xué)會(huì)拆解任務(wù)、反思結(jié)果、用工具修正偏差，并在多輪循環(huán)中不斷優(yōu)化。

這種更像人類(lèi)的工作流，讓它的表現(xiàn)遠(yuǎn)超傳統(tǒng)的端到端Agent。

想知道這是怎么做到的？來(lái)，跟著吳老師無(wú)限進(jìn)步就完了！

Agentic AI：從“調(diào)模型”到“設(shè)計(jì)系統(tǒng)”

首先需要明確的一點(diǎn)是，與其說(shuō)這次的新課是吳恩達(dá)關(guān)于智能體開(kāi)發(fā)的技術(shù)教程，不如說(shuō)它是一門(mén)揭示Agentic AI背后系統(tǒng)性方法論的課程——

它關(guān)注的重點(diǎn)，不是如何堆疊工作流界面，而是如何讓AI像人類(lèi)一樣，通過(guò)分解、執(zhí)行與優(yōu)化來(lái)解決復(fù)雜問(wèn)題。

其中，任務(wù)分解既是構(gòu)建Agentic工作流的起點(diǎn)，也是持續(xù)改進(jìn)與優(yōu)化系統(tǒng)的前提。

例如，我們?cè)趯?xiě)論文時(shí)，往往會(huì)先設(shè)計(jì)提綱，再查找資料、撰寫(xiě)初稿、反復(fù)修改。

AI同樣需要這樣的結(jié)構(gòu)化過(guò)程。

換句話說(shuō)，寫(xiě)作這一任務(wù)本身就是由多個(gè)相互銜接的子任務(wù)組成的。

而Agentic的核心理念，就是讓大語(yǔ)言模型以多步推理與分階段執(zhí)行的方式工作，而非一次性生成結(jié)果。

那么，如何拆解復(fù)雜任務(wù)呢？

吳恩達(dá)在課程中指出，他通常會(huì)先分析一個(gè)現(xiàn)有流程，將其拆解為離散步驟，并思考哪些步驟可由大模型實(shí)現(xiàn)（例如通過(guò)調(diào)用 API 或工具）。

若模型暫時(shí)無(wú)法完成某一步，他會(huì)繼續(xù)將任務(wù)細(xì)化，直至能夠落地實(shí)現(xiàn)。

在獲得初始工作流后，接下來(lái)的關(guān)鍵是評(píng)估與改進(jìn)——分析系統(tǒng)性能、定位薄弱環(huán)節(jié)，并不斷優(yōu)化迭代。這種以“分解—執(zhí)行—評(píng)估—優(yōu)化”為核心的循環(huán)，正是Agentic的本質(zhì)與此次課程的關(guān)鍵。

接下來(lái)，我們就來(lái)看吳恩達(dá)提出的四種Agentic設(shè)計(jì)模式。

首先是Reflection（反思）

反思的核心思想非常簡(jiǎn)單，就是讓大模型讓檢視自己的輸出結(jié)果，并思考如何改進(jìn)。

例如，我們可以讓模型先輸出一段代碼，然后將測(cè)試結(jié)果報(bào)給它，讓它在這個(gè)基礎(chǔ)上修改。

在這里，吳恩達(dá)在這里分享了自己利用反思方法的經(jīng)驗(yàn)：

首先，他指出，可以不僅在單一大模型上進(jìn)行優(yōu)化，還可以讓兩個(gè)模型互相配合，通過(guò)“左右互搏”獲取更優(yōu)答案。

其中，使用具備推理能力的模型進(jìn)行反思，通常比非推理模型效果更佳，因此在設(shè)置生成與反思模型時(shí)，可以嘗試不同的組合策略。

其次，在某些情況下，憑經(jīng)驗(yàn)或直覺(jué)難以判斷哪個(gè)輸出更優(yōu)，這時(shí)就需要客觀的評(píng)估標(biāo)準(zhǔn)。

為此，可以人為設(shè)定量化評(píng)分機(jī)制，例如二元打分，讓大模型根據(jù)評(píng)分計(jì)算結(jié)果，從而獲得相對(duì)公正的評(píng)估。

最后，若能夠獲取外部反饋，其效果通常遠(yuǎn)超僅依賴(lài)模型自身的反思。

例如，可以提供參考答案或正確內(nèi)容，讓大語(yǔ)言模型參照這些信息進(jìn)行自我修正，從而顯著提升輸出質(zhì)量。

接下來(lái)是工具調(diào)用（Tool use）

與傳統(tǒng)硬編碼、固定的工作流不同，工具調(diào)用指的是由大語(yǔ)言模型驅(qū)動(dòng)的應(yīng)用能夠自主決定調(diào)用哪些功能，例如進(jìn)行網(wǎng)頁(yè)搜索、訪問(wèn)日歷、發(fā)送郵件或編寫(xiě)代碼等。

模型可以通過(guò)外部函數(shù)，來(lái)實(shí)現(xiàn)相應(yīng)的請(qǐng)求。作為開(kāi)發(fā)者，可以提前集成多個(gè)工具，然后根據(jù)用戶(hù)請(qǐng)求，讓大語(yǔ)言模型調(diào)用。

在這里，吳恩達(dá)對(duì)比了傳統(tǒng)的工具調(diào)用流程和現(xiàn)在流行的MCP方法。

傳統(tǒng)流程中，開(kāi)發(fā)者需要先將工具提供給大語(yǔ)言模型，實(shí)現(xiàn)對(duì)應(yīng)函數(shù)，并告知模型該工具可用。

當(dāng)大語(yǔ)言模型決定調(diào)用工具時(shí)，它會(huì)生成特定輸出，提示開(kāi)發(fā)者調(diào)用該函數(shù)，獲取結(jié)果后再反饋給模型，以便模型繼續(xù)執(zhí)行后續(xù)操作。

顯然，這種方式更像是開(kāi)發(fā)者在主動(dòng)調(diào)用工具，而非大模型自主執(zhí)行。

由于實(shí)際需求復(fù)雜且多樣，開(kāi)發(fā)者不可能為每個(gè)功能手動(dòng)實(shí)現(xiàn)，最理想的方式是讓大模型能夠自主生成、調(diào)用并匹配工具。

為此，可以使用吳恩達(dá)及其團(tuán)隊(duì)開(kāi)發(fā)的AISuite開(kāi)源庫(kù)，這一Python庫(kù)旨在簡(jiǎn)化大語(yǔ)言模型與多個(gè)提供商之間的集成，讓模型能夠自主調(diào)用工具。

值得注意的是，讓模型自行編寫(xiě)和調(diào)用代碼仍存在一定風(fēng)險(xiǎn)。

在測(cè)試中，吳恩達(dá)發(fā)現(xiàn)大語(yǔ)言模型偶爾會(huì)刪除代碼，因此建議在沙盒環(huán)境（如 Docker 或 e2b）中進(jìn)行操作，以確保安全和可控。

與此同時(shí)，不同的開(kāi)發(fā)者可能都想讓AI或程序去操作Slack、GitHub、數(shù)據(jù)庫(kù)、云服務(wù)等來(lái)獲取數(shù)據(jù)或工具。

由于每個(gè)開(kāi)發(fā)者都獨(dú)立實(shí)現(xiàn)接口，寫(xiě)不同的API調(diào)用、認(rèn)證方式、數(shù)據(jù)解析，而這無(wú)異于重復(fù)造輪胎。

于是就出現(xiàn)了“統(tǒng)一協(xié)議”或“抽象層”的想法，例如Anthropic提出的MCP。

MCP/統(tǒng)一協(xié)議把散亂的工具調(diào)用從“各自為政”變成了“標(biāo)準(zhǔn)客戶(hù)端-服務(wù)器模式”，AI只需要像調(diào)用本地函數(shù)一樣調(diào)用服務(wù)端即可。

這極大地方便了當(dāng)下的智能體工具調(diào)用流程。

接下來(lái)是規(guī)劃（planning）。

在實(shí)際開(kāi)發(fā)中，如果每遇到一個(gè)請(qǐng)求就臨時(shí)補(bǔ)丁一個(gè)工具，不僅低效，而且難以形成可復(fù)用的流程。

因此，就需要規(guī)劃使大模型能夠根據(jù)不同請(qǐng)求，靈活調(diào)整工具序列的執(zhí)行順序，從而優(yōu)化性能與資源使用。

例如，出于成本和延遲的考慮，對(duì)于一些問(wèn)題，如果可以通過(guò)調(diào)用函數(shù)快速解決，就不必讓模型去執(zhí)行耗時(shí)的網(wǎng)頁(yè)搜索。

為實(shí)現(xiàn)這一點(diǎn)，吳恩達(dá)分享了一個(gè)實(shí)用技巧：可以通過(guò)提示將執(zhí)行步驟轉(zhuǎn)化為JSON或代碼形式，將任務(wù)離散化，使模型能夠嚴(yán)格按照步驟執(zhí)行。

通過(guò)這種方式，Agent的任務(wù)執(zhí)行表現(xiàn)能夠得到顯著提升，同時(shí)也為后續(xù)的評(píng)估和優(yōu)化提供了清晰的操作軌跡。

最后是多智能體協(xié)作（Multi-agent collaboration）。

多智能體協(xié)作（Multi-agent Collaboration）指的是構(gòu)建多個(gè)具備不同專(zhuān)長(zhǎng)的智能體，共同完成復(fù)雜任務(wù)，就如同一家公司雇傭多名員工，各司其職。

這個(gè)機(jī)制類(lèi)似于計(jì)算機(jī)中的多線程，能夠讓開(kāi)發(fā)者專(zhuān)注于某一個(gè)組件的優(yōu)化，同時(shí)讓其他智能體處理其余任務(wù)，最后將各環(huán)節(jié)結(jié)果整合，從而提升整體效率和任務(wù)完成質(zhì)量。

此外，大語(yǔ)言模型不僅可以調(diào)用工具，還可以調(diào)用其他智能體，實(shí)現(xiàn)不同層級(jí)的嵌套調(diào)用。

這種結(jié)構(gòu)化協(xié)作方式類(lèi)似于企業(yè)中的組織架構(gòu)，使復(fù)雜任務(wù)的分工與協(xié)作更加清晰、高效，同時(shí)也為工作流的可擴(kuò)展性和可維護(hù)性提供了保障。

除了以上的構(gòu)建模式，吳恩達(dá)還分享了構(gòu)建Agentic的實(shí)用技巧。

這里其實(shí)頗像強(qiáng)化學(xué)習(xí)里的采樣-評(píng)估-改進(jìn)的循環(huán)。

每一步智能體工作流的構(gòu)建，實(shí)際上都可以看作是一個(gè)閉環(huán)迭代反饋：

• Build / Sampling（采樣）：首先搭建系統(tǒng)或工作流，讓模型在不同任務(wù)或請(qǐng)求上嘗試執(zhí)行，收集輸出結(jié)果。
• Evaluation/Analyze（評(píng)估）：對(duì)輸出進(jìn)行分析，既有端到端的整體評(píng)估，也有組件級(jí)別的精細(xì)評(píng)估，快速定位錯(cuò)誤來(lái)源。
• Improvement（改進(jìn)）：根據(jù)評(píng)估結(jié)果優(yōu)化流程或組件，調(diào)整參數(shù)、替換模塊、改進(jìn)提示詞或拆分步驟，然后進(jìn)入下一輪循環(huán)。

通過(guò)這種循環(huán)，Agentic AI不斷迭代升級(jí)，就像強(qiáng)化學(xué)習(xí)中的智能體通過(guò)反復(fù)試驗(yàn)和反饋，逐步提高策略效果。

不同的是，這里的“策略”是工作流和組件設(shè)計(jì)，即通過(guò)反思、工具調(diào)用、規(guī)劃與多智能體協(xié)作等agentic工作流，實(shí)現(xiàn)任務(wù)拆分、組件優(yōu)化與迭代改進(jìn)，從而讓AI系統(tǒng)在復(fù)雜場(chǎng)景中高效執(zhí)行、持續(xù)進(jìn)化。

具體來(lái)說(shuō)，錯(cuò)誤評(píng)估既有端到端的輸入輸出評(píng)估，也有組件級(jí)別的評(píng)估，而組件級(jí)別的評(píng)估可以更快的找到具體出現(xiàn)錯(cuò)誤的地方，從而集中精力更好、更快的改進(jìn)系統(tǒng)。

在構(gòu)建Agentic工作流時(shí)，收集和分析錯(cuò)誤是優(yōu)化系統(tǒng)的核心環(huán)節(jié)。

這里所指的錯(cuò)誤，是指某一步輸出的結(jié)果明顯低于人類(lèi)專(zhuān)家在相同輸入下的表現(xiàn)。

為此，可以通過(guò)追蹤中間執(zhí)行軌跡來(lái)定位問(wèn)題所在的環(huán)節(jié)。

比如，如果提示詞本身沒(méi)有問(wèn)題，但網(wǎng)頁(yè)搜索結(jié)果出現(xiàn)垃圾信息，則問(wèn)題可能出在大語(yǔ)言模型調(diào)用搜索工具的環(huán)節(jié)。

如果PDF轉(zhuǎn)文檔出現(xiàn)錯(cuò)誤，則需要檢查大語(yǔ)言模型的識(shí)別和提取模塊是否存在問(wèn)題。

這種評(píng)估既可以依賴(lài)人工完成，也可以通過(guò)大語(yǔ)言模型輔助加速。

例如，可以創(chuàng)建高可信度的信源清單，或者編寫(xiě)能夠多方求證的工具，從而提高組件級(jí)評(píng)估的效率。

接下來(lái)，通過(guò)組件級(jí)評(píng)估，可以針對(duì)特定環(huán)節(jié)進(jìn)行優(yōu)化：調(diào)整組件參數(shù)，例如修改RAG搜索范圍（按時(shí)間、類(lèi)別等）；替換組件，包括函數(shù)或工具；改進(jìn)大模型組件，例如優(yōu)化提示詞、嘗試不同模型、拆分流程或進(jìn)行微調(diào)。

在更換或選擇大模型組件時(shí)，吳恩達(dá)提供了一些自己的實(shí)踐直覺(jué)：

首先，多嘗試不同模型，準(zhǔn)備多種測(cè)試問(wèn)題以評(píng)估性能。

其次，參考他人如何編寫(xiě)提示詞，并以此鍛煉自身提示詞設(shè)計(jì)能力。

最后，將不同模型應(yīng)用于工作流中，觀察其在各個(gè)步驟的表現(xiàn)，從而不斷迭代和提升整個(gè)系統(tǒng)的可靠性與效率。

以上就是吳恩達(dá)課程的粗略梳理，課程全集可在Deeplearning.AI上訂閱收聽(tīng)。

為什么是Agentic而不是Agent

對(duì)于到底是Agent還是Agentic，早在去年年初，吳恩達(dá)就提出了自己極具前瞻性的思考：Agentic作為形容詞，而非二元分類(lèi)，表示系統(tǒng)在智能體特性（自主性）上的不同程度。

這一表述在當(dāng)時(shí)有助于厘清概念，使開(kāi)發(fā)者和研究者能夠更準(zhǔn)確地理解和描述系統(tǒng)在智能體能力上的連續(xù)性，而不是將其簡(jiǎn)單地劃為“是”或“不是”。

而在此次的課程中，我們又可以進(jìn)一步的窺見(jiàn)其思考的加深：Agentic的意思是一個(gè)基于大語(yǔ)言模型（大語(yǔ)言模型）的應(yīng)用程序執(zhí)行多個(gè)步驟來(lái)完成一項(xiàng)任務(wù)。

與傳統(tǒng)的Agent相比，這里的關(guān)鍵區(qū)別在于任務(wù)執(zhí)行方式：傳統(tǒng)Agent往往是端到端操作——用戶(hù)制定一個(gè)prompt，大語(yǔ)言模型 返回一個(gè)輸出——而這種方式很少與人類(lèi)的工作方式契合，AI亦然。

在課程中，吳恩達(dá)表示：Agentic AI通過(guò)將任務(wù)拆分為多個(gè)步驟，逐步推進(jìn)，每一步都經(jīng)過(guò)處理和優(yōu)化，從而顯著優(yōu)于一次性輸出答案的端到端Agent。

就像我們開(kāi)頭提到的GPT3.5戰(zhàn)勝GPT-4的例子。

因此，學(xué)習(xí)如何將復(fù)雜任務(wù)分解為步驟，并構(gòu)建組件高效執(zhí)行每一步，是一項(xiàng)復(fù)雜但至關(guān)重要的技能，這正決定了開(kāi)發(fā)者能否在各種應(yīng)用場(chǎng)景中構(gòu)建高效的代理型工作流。

更進(jìn)一步，對(duì)于端到端的Agent，留給開(kāi)發(fā)者優(yōu)化流程的空間實(shí)際上非常有限。

我們無(wú)法通過(guò)設(shè)計(jì)和改進(jìn)工作流來(lái)提升任務(wù)表現(xiàn)，只能依賴(lài)prompt的優(yōu)化、模型能力的提升，甚至完全寄希望于模型本身。

而通過(guò)拆分組件、逐步優(yōu)化，每個(gè)環(huán)節(jié)都可迭代改進(jìn)，從而讓系統(tǒng)持續(xù)進(jìn)化，這正是Agentic AI的優(yōu)勢(shì)所在。

值得一提的是，當(dāng)吳恩達(dá)首次提出“Agentic”這個(gè)術(shù)語(yǔ)，原本是為了描述基礎(chǔ)應(yīng)用開(kāi)發(fā)中快速增長(zhǎng)的重要趨勢(shì)，但沒(méi)想到市場(chǎng)營(yíng)銷(xiāo)人員將其廣泛用作標(biāo)簽，使Agentic AI炒作迅速升溫。

盡管如此，吳恩達(dá)表示，在實(shí)際應(yīng)用中Agentic的方法論仍然發(fā)揮著實(shí)際價(jià)值，為開(kāi)發(fā)者提供了可落地、可優(yōu)化的路徑。

在當(dāng)下，除了成熟的代碼Agent之外，基于步驟的Agentic AI仍有廣闊的發(fā)展空間。

這為開(kāi)發(fā)者探索更復(fù)雜、更智能的多步驟工作流提供了豐富機(jī)會(huì)，也體現(xiàn)了課程的核心理念：通過(guò)拆解任務(wù)、構(gòu)建組件、逐步優(yōu)化，讓AI系統(tǒng)真正實(shí)現(xiàn)高效、可控的代理型流程。