吴恩达Agentic AI课程，第一课精华整理（上）

 Datawhale干货 

作者：陈辅元，Datawhale成员

人工智能著名学者、斯坦福大学教授吴恩达在社交平台 X 上发帖介绍了一门新课程 —— Agentic AI，这几天在全网都特别火。

课程介绍：吴恩达教授开新课了！还是亲自授课

我们梳理了第一课《Introduction to Agentic Workflows》的内容，大家可以配合视频一起学习。

一、什么是Agentic Al?

An agentic Al workflow：指基于大语言模型（LLM）的应用程序执行多个步骤以完成任务的过程。

换成通俗点话说：将一个复杂的任务拆分为具体的Steps，并且指挥多个LLM（可以是不同的LLM）完成每个不同的具体的Step，最终生成可交付的结果。

举个例子：Agentic AI 工作流就像请了一支“AI厨房天团”帮你做西红柿炒鸡蛋：你把任务拆成准备食材、炒菜、装盘三个步骤，分别指挥 Qwen 洗菜打蛋、Deepseek 掌勺控火、KIMI 精致摆盘，要是味道不对，还能让 ChatGPT 复盘问题、打回重做——全程你只动嘴不动手，靠多个大模型分工协作，一步步把复杂任务搞定。

所以在例子中最主要的是如何把一个复杂任务拆解成多个小步骤，让agent逐步去执行每一个步骤，从而得到你需要的结果！！！

二、Agentic Workflows的导论：自主性程度

我们已经有'agent'这个词，为什么还要创造'Agentic'?
与其去争论哪些工作算是智能体，哪些不算“真正的智能体“，不如让我们承认不同系统在主动性方面的不同程度

Less autonomous（低自主性）

1. 你告诉 LLM：“写一篇关于黑洞的论文”

2.  LLM → 写出搜索关键词

3. 去网页搜

4. 抓取网页内容

5. LLM 把这些内容整合成文章

这就像你指挥一个“听话但不会动脑”的助手：你得一步步告诉它做什么、什么时候查资料、怎么整理。AI 只负责“写”，其他事都得你来操心。

More autonomous（高自主性）

1. 你告诉 LLM：“写一篇关于黑洞的论文”

2. LLM 自己决定：先“web search”查资料 → 并且能调用“news”和“arXiv”等工具，找最新科研动态

3. 找到结果后，它自己判断：“我要选5个最好的来源” → 调用“web fetch” + “pdf to text”工具提取内容

4. 然后它写初稿 → 再自己反思：“这个段落逻辑不够强，数据没引用清楚” → 主动改进草稿

5. 最后输出高质量论文！

这就像请了一个“聪明又有责任心的实习生”：它知道该查什么、怎么筛选、怎么写、怎么改，全程自己规划步骤、调用工具、自我优化，最后交给你一份“成品”。

总结：Agentic AI 的精髓不是“能干活”，而是“会自己想怎么干、用什么工具、干完还能自己检查改错”——这才是真正意义上的“agent”，而不是“高级打字机”。

三、AgenticAI的好处

1. 性能飞跃（Much Better Performance）

2. 并行加速（Faster than Humans because of Parallelization）

3. 模块化设计（Modular: Can Add/Update/Swap Components）

性能跃升 (Much Better Performance)

Coding Benchmark (HumanEval) 展示的是不同 AI 系统在编程任务上的表现——重点是对比 Non-agentic 和 Agentic的能力差异。

横轴 → 是“通过率”（正确完成编程题目的比例），从 40% 到 100%，越高越好。

纵轴 → 区分模型版本：GPT-3.5 vs GPT-4（GPT-4 更强）。

在编程这个硬核任务上，有没有“agentic”，决定了 AI 是“码农”还是“架构师”

并行加速 (Faster than Humans because of Parallelization)

智能体工作流能够并行处理任务，从而比人类更快地完成特定工作。

• 实例： 以“撰写一篇关于黑洞的论文”为例。

• • 人类方式： 需要顺序地进行搜索、阅读网页、再搜索、再阅读，效率低下。

  • 智能体工作流方式：

1. 并行搜索： 可以同时启动三个 LLM 实例，各自生成不同的搜索关键词并执行网络搜索。

2. 并行抓取： 基于每次搜索的结果，每个 LLM 可以再并行抓取多个网页内容。

3. 最终整合： 将所有并行获取的信息汇总，输入给一个 LLM 来撰写最终的论文。

虽然整个流程步骤更多，但由于大量的并行操作，其总耗时反而比人类顺序操作快得多。

模块化与可替换性 (Modular: can add or update tools, swap out models)

智能体工作流是高度模块化的，允许开发者自由地添加、更新工具或替换模型。

• 替换工具： 例如，在“网络搜索”这个环节，可以轻松地将默认的搜索引擎替换Bing、Google 或专门为 AI 设计的工具。

• 切换功能： 可以将通用的“web search”替换为“news search”，以便获取最新的科学突破资讯。

• 优化模型： 不必在所有步骤中使用同一个 LLM。可以根据不同步骤的需求，尝试不同的模型提供商，选择在该步骤表现最佳的模型，从而优化整个系统的表现。

一起“点赞”三连↓