吴恩达深度剖析：AI Agent 工作流的演进与前景 精华

AI Agent 作为具备感知环境、做出决策和执行动作能力的智能实体，正在成为人工智能领域的关键发展动向。

随着大型语言模型（LLM）技术的持续进步，AI Agent 的潜力正被逐步揭示，它们不仅能够完成基于指令的任务，还能表现出更高水平的自主性和主动性。

在最近的红杉 AI Ascent 2024 活动中，人工智能领域的杰出人物吴恩达教授发表了一场关于 AI Agent 的富有洞见的演讲。他深入探讨了 AI Agent 的最新发展趋势和设计模式，为参与者提供了关于人工智能未来方向的深入理解。

AI Agent 工作流的效果

吴恩达教授在演讲中着重指出，AI Agent 正在引领工作流程的革新。与传统的工作流程不同，AI Agent 通过迭代和对话式的模式工作，不再是简单的指令执行者，而是能够进行自我反思、规划和修正的参与者。

在传统的工作流程中，用户向 AI Agent 模型输入指令，模型生成回答，这种方式类似于要求人类专家连续不断地完成任务，没有提供反思和修正的空间。

相对而言，AI Agent 的代理工作流是一个动态的、迭代的过程。AI Agent 首先接收一个大致的任务，然后制定工作计划，执行任务，并在每一步中进行自我评估和修正。

这种工作流程类似于人类在写作、编程或其他创造性任务中的思考过程，允许 AI Agent 通过不断的迭代来提升工作成果的质量。例如，AI Agent 可能会先创建一个草稿，然后审查和修改，这个过程可能会重复多次，直到达到满意的结果。

吴恩达教授通过案例研究展示了 AI Agent 代理工作流在编程任务中的实际效果。使用代理工作流的 AI Agent 能够生成更高质量的代码，并在遇到错误时自我修正，这种工作流不仅提升了代码的准确性，还减少了人为干预的需求。

吴恩达教授团队分析了一个叫做"人工评估基准测试"的编码基准数据,它包含诸如"给定一个非空整数列表，返回所有偶数位置元素的和"之类的编码问题。现有的做法是使用零样本提示，即直接让人工智能编写代码并运行，但没有人是这样编码的。

研究发现，GPT-3.5 使用零样本提示时只有 48% 的正确率，GPT-4 提高到了 67%。但如果在 GPT-3.5 上使用一个代理工作流程，它的表现实际上比 GPT-4 还要好。如果在 GPT-4 上使用代理工作流程，它的表现也非常出色。这意味着采用代理工作流程对于构建应用程序至关重要。

四种 AI Agent 设计模式

吴恩达教授还提到了 AI Agent 的四种关键设计模式，它们是实现其高效执行复杂任务的基础。这些模式包括反思（Reflection）、工具使用（Tool Use）、规划（Planning）和多智能体协作（Multiagent Collaboration），共同构成了 AI Agent 的能力框架。

1. 反思

反思（Reflection）允许 AI Agent 在完成任务后，能够对自身的输出进行再次审视和评估。在这种模式下，AI Agent 不仅仅是执行任务，而是能够像人类专家一样，对自己的工作进行批判性思考。

例如，AI Agent 可能会生成一段代码，然后根据预设的标准或反馈，自我检查代码的正确性、效率和结构，并提出可能的改进措施。这种自我监督和修正的能力，使得AI Agent在执行任务时能够不断提高准确性和效率。

2. 工具使用

工具使用（Tool Use）赋予 AI Agent 使用外部工具和资源的能力，以此来扩展其功能和提高生产效率。

这种模式下，AI Agent 可以搜索网页、生成和运行代码、分析数据等，利用各种工具来收集信息、执行操作。

例如，AI Agent 可能会使用图像处理工具来分析和处理图像数据，或者调用 API 来获取和整合外部信息。这样的能力使得 AI Agent 不再局限于其内置的知识库，而是能够与外部系统交互，从而更好地适应多变的任务需求。

3. 规划

规划（Planning）强调 AI Agent 在面对复杂任务时，能够进行系统性的规划和步骤分解。AI Agent 不仅能够理解任务的整体目标，还能够制定出详细的行动计划，并按照计划逐步推进任务的完成。

这种模式下，AI Agent 能够展现出类似于人类的前瞻性和策略性思维。例如，AI Agent 可能会在进行项目管理时，先确定项目的主要里程碑，然后为每个里程碑制定具体的执行步骤和时间表，确保项目能够有序进行。

4. 多智能体协作

多智能体协作（Multiagent Collaboration）突出了多个 AI Agent 之间的合作和协调。在这种模式下，每个 AI Agent 都可以扮演特定的角色，并与其他 AI Agent 共同协作以完成复杂的任务。

这种合作可以模拟真实世界中的团队工作流程，通过代理间的互补和协同作用，提高整体的执行效率和创新能力。

例如，在一个开源软件开发项目中，一个 AI Agent 可能负责编写代码，而另一个 AI Agent 则负责代码审查和测试，通过这样的分工合作，共同推动项目的成功完成。

总结

这些模式的结合使用，不仅提升了 AI Agent 在单个任务中的执行能力，还为其在更广泛的应用场景中进行协作和创新提供了可能。随着这些模式的进一步发展和完善，AI Agent 将在未来的工作流程中发挥更加关键的作用，推动各行各业向智能化转型。

AI Agent 的代理工作流在多个行业中展现出其实际应用的巨大潜力。吴恩达教授提到了这些智能体在编程、研究和多模态任务处理等领域的应用。

在演讲中，吴恩达教授采用了 "Agentic Reasoning" 作为主题，这一概念可以翻译为“代理性推理”。它指的是 AI Agent 在执行任务时所采用的一种推理方式，涉及自主性、目标导向和问题解决的能力。

代理性推理强调 AI Agent 不仅仅是对输入做出反应，而是能够主动地进行思考、规划和决策，以实现特定的目标或应对复杂的问题。这种推理方式使得 AI Agent 更加类似于一个自主行动的智能体，能够在多变的环境中灵活地执行任务。由此可见，AI Agent 的下一步发展或许才是真正意义上的智能体。

本文转载自​​AI探索者知白​​，作者：知白