吳恩達《Agentic AI》課程模組一學習心得
- URL: https://www.youtube.com/watch?v=l2PtFPAbrV8
- Channel: 扣子說AI
- Fetched: 2026-09-18T18:25:09+00:00
- Language: zh
Transcript
[00:00] 今天分享最近學習吳恩達教授的agentic AI課程的一些收穫。
[00:05] 前兩天,吳恩達教授的一門人工智慧代理的課程在deeplearning網站發布。
[00:11] 這門課程非常良心,理論部分完全免費,只有每個模組的最後兩節實踐課程是收費的。
[00:20] 如果你想了解agentic AI的概念、原理和應用的學習者,學習這門課程已經足夠用了。
[00:28] 帶有中文字幕的完整課程
[00:30] 我會陸續同步在會員專區
[00:32] 課程總共有5個大的模組
[00:35] 5天左右就可以學習完成
[00:37] 接下來我會陸續總結每個模組的主要內容
[00:40] 分享給大家
[00:41] 在第一講
[00:42] 吳恩達開場就講的非常直接
[00:44] Agentic AI這個詞最近被炒作的有點厲害
[00:47] 但它所代表的代理工作形式確實非常重要
[00:51] 這種工作流已經被用於構建很多高價值的應用
[00:56] 比如複雜的客戶支援,自動生成研究報告,甚至是處理法律檔案
[01:02] 他還特別強調了Agentic成功的關鍵
[01:05] 不是說會寫提示詞,更重要的是要學會評估和錯誤分析
[01:09] 這兩項能力是決定你能不能真正構建出一個有價值的Agent的核心
[01:14] 在第二項的課程中,文達回答了什麼是Agentic AI
[01:19] 文達認為Agentic AI就是一種分佈完成任務的工作流程
[01:24] 和我們以前那種一部生成的大模型用法完全不一樣
[01:28] 以前我們會讓模型一口氣地寫完一篇文章
[01:31] 既不能停頓也沒辦法修改
[01:33] 但是在現實過程中
[01:35] 我們都知道人和AI都不可能一部做到最好
[01:39] Agentic工作流更像是我們寫論文的過程
[01:42] 比如說第一部你要先寫大綱
[01:45] 再去查詢資料
[01:46] 然後撰寫出稿
[01:48] 最後是反思修改再定稿
[01:51] 雖然這個過程所花的時間是比較長的,但是它的成果的質量是比較高的,也更有深度。
[02:00] 這整個過程的核心技能其實就是任務分解,把複雜任務拆成可執行的一步一步的小步驟。
[02:07] 在這個課程中,他也以一個AI工作流為例項,展示了AI如何規劃研究步驟,呼叫搜尋、整合資訊並撰寫報告。
[02:17] 第三講自主程度
[02:19] 在這講中吳恩達特別提及了一個名詞
[02:22] 叫做自主程度
[02:24] 這也是回答了我學習這門課程的一個疑問
[02:27] 為什麼智慧代理不使用agent
[02:30] 而是用了一個新的形容詞agentic
[02:33] 吳恩達在課程中也解釋了
[02:35] 主要的目的就是為了避免定義上的爭議
[02:38] 因為他認為現階段智慧代理的系統
[02:41] 自主程度存在較大的差異
[02:44] 這就造成了有的智慧體自主程度較低
[02:47] 步驟全是人工預先設定的
[02:50] 自主程度高的智慧體可以決定步驟的順序
[02:53] 甚至自己可以創作一些小工具來解決問題
[02:58] 自主程度聽起來比較完美
[03:01] 但是相對來說也更難控制
[03:04] 更不可預測
[03:05] 目前還主要停留在研究階段
[03:08] 第四講Agentic AI的優勢
[03:10] 這部分對我來說印象特別深刻
[03:13] Wenda在課程中展示了相關的資料
[03:16] 如果在GPT3.5上加上Agentic工作流
[03:20] 所帶來的效能提升
[03:22] 必然比直接換成GPT4還大
[03:25] 換句簡單的話來理解
[03:27] 就是方法比模型更重要
[03:30] 它還提到了兩個關鍵的能力
[03:32] 第一個是並行處理
[03:34] Agentic工作流能同時處理多個子任務
[03:37] 比如說同時下載9個網頁
[03:40] 人類做不到
[03:42] 第2個是模組化,工作流是可以拆分,可以替換的
[03:46] 比如說你可以隨時更換搜尋引擎
[03:49] 或在不同步驟時用不同的模型,靈活性非常高
[03:53] 第5講是Agentic AI的應用
[03:55] 在這一講中,吳恩達舉了很多案例
[03:58] 有簡單的應用,比如發票處理
[04:01] 識別PDF是不是發票
[04:04] 提取關鍵欄位,更新資料庫
[04:06] 或者基礎客服,查定單寫回復再交給人工審閱
[04:11] 也有較為複雜的場景
[04:13] 比如客戶要查詢不同顏色的牛仔褲的庫存
[04:16] agent就需要自己規劃多次查詢
[04:20] 甚至還有像人一樣使用瀏覽器
[04:22] 比如在美聯行網站訂機票
[04:25] 再切換到不夠files
[04:27] 這些都屬於高自主性的嘗試
[04:30] 非常有趣
[04:31] 但目前可靠性還不夠高
[04:33] 第六項 任務分解
[04:35] 在這一講中
[04:36] 吳恩達反覆強調一個問題
[04:38] 如果AI一步到位,做不好的時候,就要想想人類是怎麼做的
[04:44] 比如我們在撰寫報告的時候,通常先寫大綱,再查資料,再正式撰寫
[04:49] 那麼如果結果不理想,再細分成寫出稿,反思,修改
[04:55] 這每個步驟都會對映到對應的構建模組
[04:59] 比如說第一個模組,大元模型
[05:02] 第二個模組是其他AI模型,例如PDF轉換成文字
[05:07] 第三個模組,軟體工具,例如一些API的呼叫,資料庫,郵件傳送,或者程式碼執行等等。
[05:14] 以上的邏輯其實非常簡單,就問自己一句,這一步能不能用AI或者工具完成。
[05:21] 如果不能,就繼續拆翻。
[05:23] 上就是這一講的核心內容。
[05:25] 第七講評估。評估能力是決定你能不能真正構建好Agent Take系統的關鍵。
[05:32] 很多人都卡在這裡
[05:34] 不是因為不會構建agent
[05:36] 而是不知道怎麼看輸出
[05:38] 找問題再改進
[05:40] 對於客觀標準
[05:42] 比如有沒有提到競爭對手
[05:44] 可以用程式碼來自動檢查
[05:46] 對於主觀標準
[05:48] 比如文章質量高不高
[05:50] 就可以使用大語言模型來充當裁判
[05:52] 讓他來打分
[05:54] 在這一講中
[05:56] 他還提到更高階的評估方法
[05:58] 比如端道端的評估
[06:00] 和元件級的評估
[06:01] 第八講
[06:02] AgentX設計模式
[06:04] 這是模組一的最後一講
[06:07] 在這一講中
[06:08] 文達總結了四種常用的設計模式
[06:11] 能夠讓Agent真正的執行起來
[06:13] 第一個是反思
[06:15] 它是讓AI自己檢查輸出
[06:17] 發現錯誤
[06:18] 然後再改進
[06:20] 第二個是工具使用
[06:22] 讓AI能夠呼叫外部的API
[06:24] 比如搜尋、資料庫、程式碼執行等等
[06:27] 第三個設計模式是規劃
[06:29] 讓AI自己決定執行順序
[06:32] 第四個方式是多種agent協作
[06:36] 這就像人類團隊一樣
[06:38] 讓不同角色的agent協作完成複雜任務
[06:41] 以上內容是模組一的理論部分