吴恩达站台畅聊Agent Workflow 以及 4 种主流设计模式，LLM应用开发的新热点

先说一个核心判断：吴恩达教授最近在红杉AI活动上分享的观点，其实指向了一个被很多人忽略的趋势——Agent工作流正在重新定义我们使用LLM的方式。它不再是简单的“输入-输出”模式，而是变得更加迭代、更像人类之间的对话。 传统上，我们使用LLM的方式就像让一个人写一篇论文，要求他从头到尾不间断地打字，连退格键都不准按。老实说，LLM能做到这一点已经很神奇了。 但Agent工作流完全不同。它会让AI先写大纲，再判断是否需要做网络研究，然后写初稿，接着自己审视初稿，思考哪里需要修改，再修订——整个过程可以反复迭代。这更像一个正常的写作过程。 很多人没意识到的是，这种迭代式的工作流能带来显著更好的结果。吴恩达团队用OpenAI的Human Eval基准做了个测试，结果很有意思： 如果用GPT-3.5零次提示，正确率只有48%。GPT-4好一些，达到67.7%。但有趣的是，GPT-3.5加上Agent工作流后，表现居然超过了原生GPT-4。而GPT-4加上Agent工作流后，效果更是拉满。 这意味着什么？意味着Agent工作流可能比模型本身的升级更重要。目前，主流Agent设计模式可以归为四类，它们的成熟度和可靠性各不相同，但都展现出令人兴奋的潜力。 **1. Reflection** Reflection是最基础、也最实用的模式。简单说就是让Agent自我审视、自我修正。比如你让一个编码Agent写完代码后，再让它自己检查一遍代码的正确性和效率。很多时候，同一个LLM能发现自己刚才写的东西里有个bug，然后自动修复。 更高级的版本是让两个Agent对话——一个是编码Agent，另一个是批评Agent。虽然背后可能是同一个模型，但不同的提示词会让它们扮演不同角色。这种“自问自答”的工作流实现起来很简单，效果却出奇地好。 **2. Tool Use** 这个模式很多人已经见识过了。比如你问LLM“网上最好的咖啡机是哪款”，它会生成代码去执行搜索。关键在于，LLM不再只是“想”，而是能“做”——生成函数调用、操纵图像、调用API。有趣的是，这个模式最早流行于计算机视觉领域，因为早期的LLM对图像是“盲人”，只能通过生成函数来调用外部工具处理图像。现在，它已经成为扩展LLM能力边界的标准做法。 **3. Planning** 如果你还没玩过规划算法，可能会错过那些真正的“ChatGPT时刻”。吴恩达提到，他做过一些实时演示，有些失败了，但AI Agent居然能绕过失败自己恢复过来。这种感觉有点像第一次用ChatGPT时的震撼。 一个典型的例子：指令是“生成一张女孩读书的图片，要求姿势与示例图中的男孩一致，并用语音描述新图像”。Agent需要先拆解任务——确定男孩姿势、找到姿势检测模型、找到图像生成模型、合成图片，最后调用文本到语音。整个过程听起来复杂，但今天的Agent已经能自主完成，尽管还不太稳定。不过，这种“不稳定”恰恰是它迷人的地方：有时候失败了，但它能从失败中学习、调整。 **4. Multiagent Collaboration** 这个模式的效果可能比你想象的要好很多。吴恩达用ChatDev来举例，这是一个开源项目，可以在笔记本电脑上运行。它模拟了一个软件公司的运作——让同一个LLM分别扮演CEO、设计师、产品经理、测试人员。当你告诉它“开发一个多人游戏”时，这些“角色”会展开对话，花费几分钟编写代码、测试、迭代，最终生成一个相当复杂的程序。 还有一个有趣的设计模式是多Agent辩论——让ChatGPT和Gemini互相辩论，结果也能带来更好的表现。不同视角的碰撞，往往能激发出更优的解决方案。 **总结** 吴恩达的核心观点是：Agent工作流将在今年大幅扩展AI能完成的任务。但需要我们学会一件事——委托任务后耐心等待，而不是像网络搜索那样追求半秒钟的即时响应。这就像新手经理把任务委托给下属后，每隔五分钟就检查一次，那肯定不是高效的生产力。 另一个关键点是快速token生成。在Agent工作流中，模型需要不断迭代生成token，速度快到远超人类阅读速度。值得注意的是，即使基于质量稍低的LLM，快速迭代生成的结果，有时也能超过用更好模型但速度慢的零次提示。这从GPT-3.5加Agent超过原生GPT-4的案例中已经看得很清楚了。 最后，吴恩达坦诚地说，通往AGI的路更像是一个旅程而不是一个目的地，但Agent工作流确实帮助我们在这个漫长的旅途上向前迈进了一小步。这段话，值得我们认真琢磨。