吴恩达教授最近在红杉 AI 峰会上讲述了他对 Agent 的一些看法，尽管一些媒体已经进行了相关报道，但为了分发的及时性，而采用了机翻的方式，牺牲了表述的准确性，增加了不必要的阅读门槛。
特工宇宙于是重新整理翻译了一版，既保留了吴恩达教授的原意，又加之了部分个人理解。期望即使是外行，也能无障碍阅读。
如今，我们在使用 ChatGPT 等 AI 工具时，基本我们会输入一个 Prompt，然后得到一个答案。这就有点像你给定一个主题，然后让一个人去写文章，你跟 Ta 说，坐在电脑边，去敲键盘吧！不断的打字直到写完全部。
相比之下，如果使用 Agentic Workflow（这很难信雅达地翻译，姑且认为是智能体工作流，即基于大语言模型的用流程构建的智能体系统），就好比你跟 Ta 说，先写一个大纲，如果需要的话去网上查点资料，再写一个草稿，然后思考你的草稿该怎么改，最后再修改，多次如此迭代。很多人没有意识到这会带来多大的优化，事实是我经常这样做，得到的效果非常惊艳。
我们团队做了一个案例研究，使用了 HumanEval （OpenAI 为了评估编程语言模型而设计的数据集），但出现了一些错误，比如我举的这个例子，“我给你一个数字列表里，找出奇数位置上的数字，返回其中所有奇数之和”，然后 AI 给了错误的回答。
我们平常大都会使用 Zero-shot（不给大模型具体训练样本或标签提示，直接提问让其回答）来写 Prompt，就是直接让 AI 编写代码并运行（这不是一个明智的做法）。
我们的研究结果表明，如果你使用GPT3.5 + Zero-shot 的正确率为 48%，GPT4 + Zero-shot 的正确率为 67%，但是，如果你用 GPT3.5 + Agentic Workflow，你会得到超越 GPT4 的效果！ 因此，Agent 在构建 AI 应用时非常重要。
（然后就到了主题） 尽管很多学者、专家谈论了很多关于 Agent 的东西，但我今天想更具体的分享我在 Agent 中看到比较广泛的四种设计模式（尽管很多团队，开源项目等做了很多种多样的尝试，但我还是按我的理解划分成了四类）。
Reflection 和 Tool Use 属于比较经典且相对已经广泛使用的方式，Planning 和 Multi-agent 属于比较新颖比较有前景的方式。
第一个讲的就是 Reflection（反思，类似于 AI 的自我纠错和迭代），举个栗子，我们让用 Reflection 构建好的一个 AI 系统写个xxx代码，然后 AI 会把这个代码，加上类似“检查此段代码的正确性，告诉我如何修改”的话术，再返回给 AI，AI可能会给你提出其中的 Bug，然后如此反复，AI 自己完成了自我迭代，虽然修改后的代码质量不一定能保证，但基本上来说效果会更好。
（每页PPT下方，吴恩达大佬都推荐了一些相关论文，可以去看看）
如上表述的是案例是 Single-agent（区别于 Mutli-agent 的单智能体），但其实你也可以用两个 Agent，一个写代码，然后另一个来 Debug
标签：GPT5,吴恩达,AI,模型,Agent,学习,代码 From： https://blog.csdn.net/xiangxueerfei/article/details/140780292