吴恩达Agentic AI新课：手把手教你搭建Agent工作流，GPT-3.5反杀GPT-4就顺手的事

89 0 0

文章摘要

【关键词】 吴恩达、Agentic AI、设计模式、智能体开发、评估优化

吴恩达最新课程聚焦Agentic AI，提出四大核心设计模式：反思、工具、规划与协作。课程强调评估与误差分析是智能体开发的决定性能力，认为系统化的评估流程能持续改进工作流问题。演示显示，通过Agentic技巧，GPT-3.5在编程任务中可超越GPT-4。与传统端到端Agent不同，Agentic AI通过拆解任务、多轮优化和工具修正偏差，表现更接近人类工作方式。

任务分解是构建Agentic工作流的起点，也是优化系统的前提。吴恩达指出，复杂任务需拆解为离散步骤，分析哪些可由大模型实现，无法完成的步骤需进一步细化。初始工作流建立后，关键是通过“分解—执行—评估—优化”循环持续改进。课程详细阐述了四种设计模式：反思让模型检视输出并改进，工具调用使模型自主决定功能使用，规划优化工具序列执行顺序，多智能体协作则通过分工提升效率。

反思模式中，使用具备推理能力的模型进行反思效果更佳，可尝试不同模型组合策略。量化评分机制和外部反馈能进一步提升输出质量。工具调用方面，传统流程依赖开发者手动实现，而MCP等统一协议将工具调用标准化，极大提升效率。规划模式通过将步骤转化为JSON或代码形式，使执行更清晰。多智能体协作类似企业组织架构，实现任务分层处理与结果整合。

构建Agentic工作流遵循“采样-评估-改进”循环。开发者需搭建系统、收集输出，进行端到端和组件级评估，定位错误后优化流程。组件级评估能快速发现问题环节，如提示词、搜索工具或识别模块等。优化方式包括调整参数、替换组件、改进提示词或拆分流程。吴恩达建议尝试不同模型，参考他人提示词设计，观察模型在各步骤表现以提升系统可靠性。

课程澄清了Agentic与Agent的区别：Agentic强调任务的多步骤执行特性，而非二元分类。传统Agent端到端操作难以契合复杂任务，而Agentic AI通过分步处理显著提升表现。尽管术语被市场炒作，但其方法论为开发者提供了可落地的优化路径。当前除成熟代码Agent外，多步骤Agentic AI仍有广阔发展空间，通过拆解任务和逐步优化，实现高效可控的代理型流程。