吴恩达对谈LangChain创始人：企业构建Agen系统的核心认知！

最近，吴恩达和LangChain创始人坐下来聊了聊企业怎么搞Agent系统。这场对话信息量不小，直接点出了很多团队还在踩的坑——与其花时间争论某个系统算不算Agent，不如盯着“Agentic”这个方向。说白了，就是从弱自主到强自主的渐变过程，没必要非得画一条线。企业里那些存量流程，比如业务报表生成、客服流转，用Agentic工作流改造的潜力很大，但真要把这些流程拆得够细、自动化跑通，挑战一点也不少。

Agentic才是关键，别再纠结“是不是Agent”了

吴恩达上来就点明一个关键：别在定义上内耗，不如关注系统有多“Agentic”。这个词是他去年上半年提出的，核心意思是把自主性看作一个连续谱——从弱到强，没必要非划线。专注于构建Agentic systems就对了。很多企业的存量SPO或线性流程，都适合用Agentic工作流改造。不过，把这些流程拆解好、自动化好，依然有不少挑战。

Agent构建的三个核心难题

企业搞Agent的卡点到底在哪？聊下来核心就三条：任务拆解粒度该多细、工作流设计如何迭代、评估体系怎么落地。很多团队进展慢，就是因为还在手动评估——改完Prompt一个个看输出，效率极低。哪怕先搭一个几乎没什么帮助的评估系统，也比没有强，然后再慢慢优化。能追踪每一步、快速定位哪一步坏了、哪个Prompt失效，这才是效率的关键。

AI工具像乐高，模块化构建是趋势

现在AI工具就像各种颜色和形状的乐高积木。积木越丰富，组装能力越强：RAG、聊天机器人、记忆系统、Eval、Guardrails……都是不同形状的积木。有经验的人知道用哪块能快速搞定，没经验可能多花三个月走弯路。技术迭代也快——比如LLM上下文长度增加，一年半前的RAG最佳实践可能就不适用了。但RAG没消失，只是调参难度大大降低，拼插逻辑变了而已。

三个被低估的领域

吴恩达特别点了几个他认为被低估或值得关注的方向：评估系统、语音技术栈、AI coding。针对最后一点，他还补充道：现在有些人在推广AI coding时，直接建议“不要学编程”。但回顾过去几十年，每次编程变得更简单，学习编程的人反而更多了。无论对开发者还是非开发者，核心都是清晰准确地告诉计算机你想做什么。想做到这点，了解一点计算机基本原理非常有帮助。

语音这块吴恩达表现出很大的兴趣，很多大企业也极度重视，但开发者的关注度还不够。语音系统和文本系统最大的区别在于延迟要求——理想回应时间应该在1秒内，最好500毫秒内。传统Agentic工作流可能要几秒。这里有些小技巧，比如“预回应”（先来一句“嗯，这是个有意思的问题”）、播放背景音，都可以掩盖延迟。

MCP：潜力巨大，但道阻且长

MCP的核心价值在于让Agent更容易接入各种数据，简化管道工作，补上了市场空缺。目标是实现n个模型/Agent与m个数据源的连接，工作量从n×m降到n+m。但现在的MCP问题也不少：Server跑不起来、身份验证混乱、token过期之类的基础问题。协议本身还很早期，未来可能需要分层发现机制来应对成百上千的API调用。

Agent间通信？比MCP还早期，先让自家Agent跑起来再说

现在Agent AI整体处于非常早期阶段。团队内部构建的多Agent系统可以运转，因为协议、接口都清楚。但要让不同团队的Agent协同，现在来看还太早。如果说MCP还早期，那Agent间通信就更早期了——先把自家Agent跑通，再想互联的事。

AI创业制胜之道：快、准、狠

最后聊到AI创业，吴恩达基于AI Fund的经验给出了两个关键因素。高效团队的执行速度是传统企业完全想象不到的。市场营销、销售等商业技能固然重要，但真正稀缺的是技术理解力，因为技术在快速演进。AI Fund尤其喜欢和技术背景深厚的人合作。商业相关的能力相对更容易补足，而那些真正懂技术、知道什么该做、能让事情加速两倍的人，才是最宝贵的。