吴恩达《Agentic AI》智能体课程五分钟速读

视频课程链接：https://learn.deeplearning.ai/courses/agentic-ai/lesson/moivygo8/task-decomposition:-identifying-the-steps-in-a-workflow

课程系统地介绍了Agentic AI的概念、价值、构建方法及核心设计模式。吴恩达开篇定义了Agentic AI工作流，即LLM通过执行多步骤、迭代式的过程来完成复杂任务，相比单次提示能产生更优质的结果。他强调了Agentic系统具备不同程度的自主性，从步骤固定的低自主性代理到能自主决策步骤序列的高自主性代理。

课程的核心在于教授如何构建有效的Agentic应用，其关键技能包括：

1. 任务分解：将复杂任务拆解为可由LLM或工具执行的离散步骤。
2. 严格评测与错误分析：通过端到端评测、组件级评测以及检查中间输出来驱动系统迭代和改进。
3. 应用设计模式：利用反思、工具使用、规划和多代理协作这四种主要模式来组合构建模块，形成强大的工作流。

Agentic AI的主要优势在于能显著提升任务性能（甚至超过模型本身升级带来的增益）、通过并行处理加速任务执行，并得益于模块化设计便于组件的更换与升级。课程通过研究代理、发票处理、客户服务等多种应用实例，说明了Agentic AI的广泛适用性和巨大潜力，并指出掌握其构建技能是当前AI领域最重要和最有价值的技能之一。

---

分章节总结：

第一章：欢迎 (welcome)

• 核心内容：课程引言与Agentic AI的价值定位。
• 关键知识点：

• 术语起源：吴恩达提出“Agentic”一词来描述AI应用构建的重要趋势，但该术语后来被市场过度炒作。
• 实际价值：尽管存在炒作，基于Agentic AI构建的真正有价值的应用正在快速增长。
• 课程目标：展示构建Agentic AI应用的最佳实践，这将为开发者开启新的机会。
• 应用场景：客户支持代理、深度研究、法律文档处理、医疗诊断建议等。
• 核心技能： disciplined development process（严格的开发流程），特别是专注于评测（evals）和错误分析（error analysis）。

第二章：什么是Agentic AI (what-is-agentic-ai)

• 核心内容：定义Agentic AI工作流及其优势。
• 关键知识点：

• 与传统LLM使用的对比：传统方式是单次提示生成完整内容（如一篇论文），而Agentic工作流是多步骤、迭代式的过程（例如：先写大纲→研究→写初稿→反思修订）。
• 工作流定义：一个基于LLM的应用程序执行多个步骤来完成一项任务。
• 核心技能：学习如何将复杂任务（如写论文）分解为更小的步骤，由Agentic工作流逐步执行。
• 运行示例：研究代理 (research agent)，能够规划研究、搜索网页、综合发现、起草大纲、编辑审查并生成最终报告。

第三章：自主程度 (degrees-of-autonomy)

• 核心内容：阐述Agentic系统的是指具有不同程度的自主性，而不是简单的是或者否。
• 关键知识点：

• 术语选择：使用形容词“Agentic”是为了避免关于“何为真正Agent”的无谓争论，承认系统可以具有不同程度的自主性。

• 自主性程度：

  1. 低自主性代理：步骤序列由程序员预先硬编码确定，大部分自主性仅体现在LLM生成的文本上。

  2. 高自主性代理：LLM自主决定执行任务的步骤序列，甚至可以编写新函数或创建新工具。

  3. 半自主性代理：介于两者之间，可以做出一些决策、选择工具，但工具通常是预定义的。

• 图示规范：用户输入、LLM调用、工具/软件调用。

第四章：Agentic AI的优势 (benefits-of-agentic-ai)

• 核心内容：详细说明使用Agentic工作流带来的主要好处。
• 关键知识点：

• 1. 性能提升：数据表明，在编码基准测试（Human Eval）中，将GPT-3.5置于Agentic工作流中，其性能提升幅度甚至超过了从GPT-3.5到GPT-4的模型代际提升。

• 2. 并行处理：可以并行执行某些任务（如同时下载多个网页），比人类顺序处理快得多。

• 3. 模块化设计：允许轻松**更换或升级**工作流中的各个组件，如不同的LLM模型、搜索引擎、新闻搜索工具等。

第五章：Agentic AI应用 (agentic-ai-applications)

• 核心内容：列举不同复杂度的Agentic AI应用实例。
• 关键知识点：

• 相对简单的应用（有清晰流程）：1）发票处理：PDF转文本 → LLM识别是否为发票并提取关键字段 → 更新数据库。2）基础客户订单查询：提取关键信息 → 查询订单数据库 → 起草回复（供人工审核）。

• 更具挑战性的应用（步骤不预先确定）：1）通用客户服务代理：需要LLM自行规划步骤序列（如查询库存、验证购买记录、检查退货政策）。

• 前沿研究领域：1）计算机使用代理：代理使用Web浏览器自主导航网站以完成复杂任务（如查询航班）。目前仍不可靠，但是重要的未来发展方向。

• 应用难度因素：1）较易：有清晰的逐步流程、仅处理文本。2）较难：步骤未知需实时规划、需要处理多模态输入（声音、视觉等）。

第六章：任务分解 (task-decomposition)

• 核心内容：讲解如何将复杂任务分解为可由Agentic工作流执行的离散步骤。
• 关键知识点：

• 分解方法：反思人类如何执行该任务，并将其分解为多个步骤。
• 可行性检查：对每个分解出的步骤，问自己：“这个步骤能否通过LLM、一段代码、一个API调用或一个工具来实现？”
• 迭代过程：初始分解 → 实施并评测结果 → 若结果不佳，则进一步分解有问题的步骤。
• 构建模块：1）AI模型：LLMs/LMMs、专用AI模型（如PDF转文本）。2）软件工具：各种API（网络搜索、天气、邮件）、信息检索工具（数据库、RAG）、代码执行工具。

第七章：评测 (evaluation-agentic-ai-(evals))

• 核心内容：强调评测（Evals）和错误分析对于构建有效Agentic工作流的关键作用。
• 关键知识点：

• 核心重要性：进行严格评测的能力是区分高效与低效开发者的关键。

• 评测方法：1）发现问题：先构建工作流，然后手动检查其输出，找出不满意之处。2）客观指标评测：对于明确的标准（如“是否提及竞争对手”），可以编写代码自动检查。3）LLM作为裁判：对于更主观的标准（如“文章质量”），可以使用另一个LLM来评测输出。

• 评测类型：1）端到端评测：衡量整个代理的最终输出质量。2）组件级评测：衡量工作流中单个步骤的输出质量。

• 错误分析：检查中间输出（痕迹）以找出改进点。

第八章：Agentic设计模式 (agentic-design-patterns)

• 核心内容：介绍构建Agentic工作流的四种关键设计模式。
• 关键知识点：

• 1. 反思：让LLM检查自己的输出（或结合外部反馈，如代码运行错误）并进行改进。可以扩展到多代理协作，例如一个“编码代理”和一个“评价代理”。
• 2. 工具使用：为LLM提供可调用的函数（工具），如网络搜索、代码执行、数据库查询、与生产力应用交互等，极大地扩展其能力。
• 3. 规划：LLM自主决定完成任务所需的步骤序列（通常是API调用序列）。更难控制，但有时能产生出色结果。
• 4. 多代理协作：模拟一个由多个具备不同角色的代理（如研究员、营销员、编辑）组成的团队，协作完成复杂任务。更难控制，但可能产生更好的结果。

最近这几年，经济下行，IT行业面临经济周期波动与AI产业结构调整的双重压力，很多人都迫于无奈，要么被裁，要么被降薪，苦不堪言。
但我想说的是一个行业下行那必然会有上行行业，目前AI大模型的趋势就很不错，大家应该也经常听说大模型，也知道这是趋势，但苦于没有入门的契机，现在他来了，我在本平台找到了一个非常适合新手学习大模型的资源。
[大家想学习和了解大模型的，可以点击这里前往查看]