吴恩达：别再纠结Agent定义，AI Agent开发者应关注这些要点

先说说吴恩达博士最近在与LangChain团队的对话中提到的一个观点。大约一年半前，他提出了“Agenticness”（智能体化程度）这个概念。当时社区里正热火朝天地争论某个系统到底算不算“真正的”Agent、够不够自主。与其在这种定义上耗下去，不如换个思路：系统在智能体化程度上本身就有高低之分。想构建具备一定自主性的系统没问题，想做高度自主的也行，管它是不是“真正”的Agent，统一叫智能体化系统就对了。这种实用主义视角，确实省下了不少无谓的争论。 从“Agent”到“Agenticness”：实用主义视角 吴恩达团队日常处理那些流程最复杂、最棘手的问题时，会用到LangGraph。但他同时也注意到，商业世界里大量的机会其实藏在相对线性的工作流里——比如业务流程中需要查看网站表格、进行网络搜索、检查数据库是否合规，或者偶尔来几次复制粘贴和二次搜索。这些工作流很多就是线性的，带点循环和偶尔的分支（通常表示失败或拒绝）。虽然高度复杂的智能体化工作流价值巨大，但从机会的广度来看，更简单的流程反而更值得关注。 AI Agent开发者需要掌握的关键技能 那么，构建AI Agent需要哪些核心技能？吴恩达给出的答案主要集中在如何把现有业务流程（涉及合规、法务、人力资源等多部门步骤）转化成智能体化工作流。这包括： * **任务分解能力**：把复杂事务拆成微任务或顺序步骤，同时处理好偶尔的少量分支。 * **构建Eval框架**：不只是衡量整体系统性能，还要能追踪到每个步骤。这样一旦出问题，可以精准定位是哪个步骤或Prompt需要改进。不少团队在这件事上做得太晚。 * **调试与优化**：当原型效果不理想时，知道该优化哪个环节来提升整体表现。 * **“触觉”知识与直觉**：通过反复实践、观察输出、跟踪日志，快速判断下一步行动。有经验的团队能一眼看出“死胡同”，避免在无效组件上浪费时间。 吴恩达把各种AI工具（比如LangGraph、RAG、聊天机器人、内存机制、Evals、Guardrails等）比作颜色形状各异的乐高积木。手里的积木种类越多，组装出好东西的速度就越快。关键是要知道什么时候用哪块积木——比如构建特定Eval时，知道可以用LLM作为评判者来快速实现。而且随着LLM技术进步（比如上下文窗口变长），工具的最佳实践也在不断变化。 被低估的“乐高积木”：Eval、语音堆栈与AI辅助编程 吴恩达特别提到几个当前被低估或未得到足够重视的领域。 **Evals**：虽然大家都在谈，但实际投入明显不足。他建议别把Eval当巨大工程，先从简单快速、哪怕不完善的版本开始。它能辅助人工检查，尤其能抓住回归问题。然后像迭代开发应用一样逐步改进Eval。 **语音堆栈（Voice Stack）**：吴恩达对此非常兴奋。大型企业表现出极大兴趣，用例广泛。但奇怪的是，投入这块开发的开发者数量与其重要性完全不成比例。语音应用的优势在于降低用户输入门槛——人们通过说话更容易表达想法，即使思路跳跃或改变主意。主要挑战是延迟，但可以用“预回应”或播放背景噪音等技巧来优化体验。“智能体化语音堆栈工作流”比单纯的语音输入/输出更容易控制。 **AI辅助编程**：使用AI编程助手的开发者效率明显更高。尽管有些公司因某些原因限制使用，但团队已经很难想象没有AI助手怎么编程了。吴恩达反驳了“AI将取代编程”的说法。历史上编程越变容易，学编程的人反而越多。AI辅助编程降低了门槛，更多人应该学习编程。未来最重要的技能之一就是能精确告诉计算机你想要它做什么。学一门编程语言（比如Python），能更好理解如何向计算机发指令。他自己借助AI助手，现在能写更多Ja vaScript和TypeScript代码，调试也更有把握。 MCP与多智能体系统 关于MCP（Model Catalog Protocol），吴恩达认为这是一个非常令人兴奋的标准。网络上对它有些混乱的解读，他为此与Anthropic合作推出了一门短期课程。MCP的目标是标准化Agent（以及其他软件）与不同数据源、工具或API的接口，简化数据集成中的“管道”工作。理论上，它能把N个模型/Agent与M个数据源/工具的集成工作量从N*M降低到N+M。不过目前标准和实现还处于早期，存在认证、层级发现机制等挑战。 相比之下，多智能体（Agent-to-Agent）系统就更早了。目前我们还在努力让单个Agent正常工作，让不同团队的Agent相互协作“感觉像是需要双重奇迹”。吴恩达直言，跨团队Agent成功协作的大规模案例目前还看不到。 “Vibe Coding”：不是靠感觉，是智力劳动 对于流行的“Vibe Coding”说法，吴恩达觉得名字很有误导性。它让人以为编程可以凭感觉来，随意接受或拒绝AI生成的代码。但实际不是这样——用AI辅助编程一天下来会非常疲惫，这仍然是深入的智力劳动。尽管名字不恰当，但现象本身（AI辅助编程）真实存在并且越来越流行。 给AI创业者的建议 作为AI Fund（一家风险投资工作室）的负责人，吴恩达分享了创业公司成功的关键因素。AI Fund只投资自己共同创建的公司。根据经验，成功的头号预测因素是**速度**——一个熟练团队的执行速度可能远超想象。第二个重要因素是**技术知识**。虽然市场营销、销售、定价等商业知识同样重要，但相对来说更普及。在技术快速迭代的当下，真正理解技术如何工作的知识更为稀缺。AI Fund非常青睐技术背景深厚、对方向有良好直觉的创业者。商业知识相对更容易学习和掌握。 结语 从Agent的定义到构建者技能，从被低估的技术方向到AI创业的成功秘诀，吴恩达的分享提供了不少实践指导和前瞻视角。在AI Agent的浪潮中，与其纠结概念，不如动手实践，掌握核心技能，关注前沿方向，并让“速度”和“技术深度”成为自己的武器。