吴恩达提出反直觉观点：关于Agent如何进步

 Datawhale干货 

作者：吴恩达，编译：Datawhale

人工智能著名学者、斯坦福大学教授吴恩达在 X 上最新发帖中表示，他上周提到一个观点，即真正决定团队在构建AI智能体方面进展速度的，不是掌握最新工具，而是看似平淡无奇的评估和错误分析流程。这个说法引发了特别多读者的讨论，有人惊讶有人赞同。

他观察到，人们常倾向于跳过这些流程，快速尝试修复错误，而不是放慢脚步找到根本原因。但他认为，一个有纪律的评估和错误分析流程能够带来更快的进步。

在这封分两部分的通讯文章的第一篇中，吴恩达教授分享了一些发现并解决智能体系统问题的最佳实践。

错误分析看似枯燥，实际上特别重要

尽管错误分析一直是构建监督学习系统的关键环节，但它的重要性往往被低估，人们更倾向于追捧最新、最热门的工具。他认为，找出特定类型错误的根本原因看似十分“枯燥”，但这能带来显著回报。

为了证明错误分析的价值，吴恩达教授举了几个例子：

• 想要熟练掌握一首乐器曲目时，更重要的是找出薄弱环节，有针对性地加强练习，而不是只从头到尾演奏。
  

• 保持健康时，需要咨询医生、并通过验血检查是否存在问题，而不是只根据最新的营养潮流来调整饮食。

• 提高运动队表现时，需要回顾比赛录像以发现差距并加以解决，而不是只练习花哨的技巧。

因此，他建议，在提升 agentic AI 系统时，不应该盲目堆叠那些在社交媒体上刚火起来的流行技术。相反，应通过错误分析找出系统薄弱环节，并针对性地加以改进。

评估（Evals）的流程和挑战

在分析错误之前，首先要明确「什么是错误」。因此，第一步是引入评估机制。本文余下部分将重点探讨这一问题，而错误分析则留到下周再讲。

• 监督学习：评估相对简单，因为算法犯错的方式有限（如输出0而不是1），并且可以使用标准指标，如准确率（accuracy）、精确率（precision）、召回率（recall）和 F1 分数、ROC 曲线等。

  因此，只要清楚测试数据的分布，模型评估就相对直接。错误分析的主要工作在于识别模型在哪些类型的输入上容易出错，这也推动了以数据为中心的 AI 方法——通过收集更多数据，针对性地增强模型在薄弱环节的表现。

• 生成式AI的挑战：虽然监督学习中评估和错误分析的许多经验仍然适用，但生成式AI带来了一个新的挑战：输出空间要丰富得多，导致算法出错的方式也更多。

  以财务发票的自动化处理为例，大家通常采用 agentic workflow ，将收到的发票信息自动录入财务数据库。但算法是否可能错误提取发票的到期日？或搞错应付金额？是否可能混淆付款方和开票方的地址？是否会弄错货币种类？又或者因调用错误的 API 而导致验证失败？由于输出结果的可能性更多，潜在的出错方式也随之大幅增加。

鉴于生成式AI输出的复杂性，吴恩达教授建议一种更有效的方法：不是预先定义错误指标，而是首先快速构建一个原型。

然后，人工检查少量智能体的输出，观察它在哪些方面表现良好，哪些方面出现问题。这使得开发者可以集中精力构建数据集和误差衡量标准——这些标准有时是通过代码实现的客观指标，有时则是利用 LLM 作为裁判的主观评估。

他发现，在 agentic workflow 中，调整评估指标（tuning evals）是一个更加迭代的过程，需要更频繁地进行调整，来捕捉更广泛的潜在问题。

下一步则是通过错误分析，精准定位最需要改进的地方，以便集中开发资源。

一起“点赞”三连↓