【Agent智能体】吴恩达：AI智能体发展现状 | LangChain访谈--快速总结-优快云博客

本文链接：https://blog.youkuaiyun.com/kingdom_java/article/details/148398105

[原片 @ 00:00 开场与嘉宾介绍](#content-0000-开场与嘉宾介绍)
[原片 @ 01:10 吴恩达与 LangChain 的渊源](#content-0110-吴恩达与-langchain-的渊源)
[原片 @ 02:09 关于“Agentic（智能体性）”的定义与讨论](#content-0209-关于agentic智能体性的定义与讨论)
[原片 @ 03:16 现阶段 Agentic 系统的自主性与业务场景](#content-0316-现阶段-agentic-系统的自主性与业务场景)
[原片 @ 05:03 Agent 构建者需掌握的技能](#content-0503-agent-构建者需掌握的技能)
[原片 @ 07:10 触觉式知识与工具生态](#content-0710-触觉式知识与工具生态)
[原片 @ 09:18 工具迭代、RAG 与实践经验](#content-0918-工具迭代rag-与实践经验)
[原片 @ 10:02 被低估的“乐高积木”与 Voice Stack](#content-1002-被低估的乐高积木与-voice-stack)
[原片 @ 13:07 AI 辅助编码与团队协作](#content-1307-ai-辅助编码与团队协作)
[原片 @ 14:29 个人 AI 编码工具及 Voice Stack 技能迁移](#content-1429-个人-ai-编码工具及-voice-stack-技能迁移)
[原片 @ 16:04 语音交互 vs. 文本交互的本质差异](#content-1604-语音交互-vs-文本交互的本质差异)
[原片 @ 17:53 MCP 协议与生态发展](#content-1753-mcp-协议与生态发展)
[原片 @ 20:56 多智能体系统与 Agent 协作](#content-2056-多智能体系统与-agent-协作)
[原片 @ 22:12 Vibe Coding 与未来开发者技能](#content-2212-vibe-coding-与未来开发者技能)
[原片 @ 25:01 创业建议与 AI Fund 经验总结](#content-2501-创业建议与-ai-fund-经验总结)

原片 @ 00:00 开场与嘉宾介绍

本环节为炉边对话，嘉宾为吴恩达（Andrew Ng），无需过多介绍，广为人知。
吴恩达在 Coursera 和深度学习教育领域影响深远。
Harrison 介绍自己与吴恩达的合作渊源，尤其在 LangChain 相关课程开发上的支持。

原片 @ 01:10 吴恩达与 LangChain 的渊源

Harrison 及其团队已在深度学习、AI 及 Net Promoter Score 等领域开设了六门短课程，评价极高。
吴恩达称 Harrison 的课程为高质量代表，自己也借此学习了不少 agent（智能体）相关概念，这些内容帮助提升了 DeepLearning.AI 的课程质量。

原片 @ 02:09 关于“Agentic（智能体性）”的定义与讨论

吴恩达回顾了约 1.5-2 年前业界关于“智能体”与否的争论。
彼时他提出不必纠结某系统是否“真正的 agent”，而应关注“agenticness（智能体性）”这一连续光谱，每个系统都有不同自治程度。
以“agentic system”统一称呼不同自治程度的系统，减少无谓争论，提升社区效率。
这一建议目前已经较好落地。

原片 @ 03:16 现阶段 Agentic 系统的自主性与业务场景

吴恩达团队常用 LangGraph 解决复杂流程问题。
市场上大量业务场景属于线性流程或带少量分支（如合规检查、表单填写、数据库查验等），流程简单但重复。
当前挑战在于：
- 如何将实际业务流程拆解为可管理的微任务（micro-task）。
- 如何确定优化点，提升系统表现。
拆解与流程优化的技能依然稀缺，尤其在规模化落地上。

原片 @ 05:03 Agent 构建者需掌握的技能

复杂业务流程通常涉及合规、法务、HR 等多部门协作。
构建 agentic workflow 需关注：
- 数据的集成（如通过 LangGraph 或 MCP 协议）。
- 如何将流程拆解成多步自动化处理。
- eVal（自动化评估体系）的设计与应用，用于系统整体及各步骤性能追踪。
团队普遍对“自动化 eVal”的落地较慢，过度依赖人工评估，影响开发效率。
构建者需培养“触觉式知识”，即通过经验快速判断系统改进路径，避免陷入无效优化。

原片 @ 07:10 触觉式知识与工具生态

“触觉式知识”不仅与大模型（LLM）本身局限相关，也涉及产品设计与任务拆解能力。
AI 工具如 LangGraph、RAG（Retrieval-Augmented Generation）、chatbot、多种 Memory 机制、eVal、guardrail 等如同“乐高积木”，种类越丰富，组合能力越强。
经验丰富者能快速选配合适“积木”解决问题；缺乏经验时，可能在已有解决方案上重复投入，效率低下。
工具生态在不断演进，需持续学习多样化工具以提升决策与开发效率。

原片 @ 09:18 工具迭代、RAG 与实践经验

LLM 的 context memory 变长，使得一年前的 RAG 最佳实践已不再适用。
现在可直接向 LLM context 投入更多数据，RAG 仍有价值但调参敏感度降低。
随着底层能力提升，开发者需及时更新经验，“本能”也要与时俱进。

原片 @ 10:02 被低估的“乐高积木”与 Voice Stack

eVal 虽被反复强调，但实际落地率低，开发者往往以为 eVal 很难、必须一次做到完美。
吴恩达建议：
- eVal 可以从极简实现入手，快速搭建，对人工评估形成补充。
- 通过不断迭代简单 eVal，逐步完善，类似 MVP（最小可行产品）开发思路。
Voice Stack（语音应用栈）被认为是被低估的方向：
- 大型企业对语音应用需求极大，但开发者关注度与需求不匹配。
- 语音栈不仅限于实时语音 API，还包括可控性更强的 Agentic Voice Stack 工作流。
- 吴恩达团队正与多家企业合作语音相关应用，预期将有新成果公布。

原片 @ 13:07 AI 辅助编码与团队协作

使用 AI 编码助手的开发者效率显著提升。
许多企业（如 CIO、CTO）出于合规等原因仍对 AI 编码助手持保留态度，但实际 AI 辅助已成为开发主流。
AI Fund 内部要求所有成员（包括前台、CFO、法务等）都懂编程，借助 AI coding 提升全员生产力。
鼓励所有人学习基础编程知识，哪怕不是软件工程师，也能更好与 AI 协作。

原片 @ 14:29 个人 AI 编码工具及 Voice Stack 技能迁移

吴恩达个人使用了 cursor、windSurf 等 AI 编码工具。
Voice Stack 技能迁移性较高：
- 基于 LLM 构建 agent 的开发者容易上手语音 agent，但需要关注“延迟”问题。
- 语音交互要求 agent 在 500ms-1s 内响应，否则用户体验极差。
- 可通过“预响应”（pre-response）、背景噪音等方式掩盖延迟，提升体验。
- 语音 agent 在客户服务等场景极具价值，降低用户使用门槛。

原片 @ 16:04 语音交互 vs. 文本交互的本质差异

语音输入相较文本更自然、门槛低，用户更愿意表达观点。
语音交互中，时间单向流逝，用户不会反复修正，减少输入阻力。
语音 agent 需要大量细节处理，如背景噪声、实时反应等，开发难点高于纯文本 agent。
语音 agent 能促发更多“即兴”表达，降低用户对“完美表达”的心理负担，更易获取所需信息。

原片 @ 17:53 MCP 协议与生态发展

MCP（Manifest Capability Protocol）是近期重要新协议，推动 agent 与数据/工具的标准化对接。
吴恩达与 Anthropic 合作推出了 MCP 相关课程，澄清社区对于 MCP 的误解。
MCP 的意义：
- 解决 agent 对接多源数据与工具时的“接口碎片化”问题。
- 目标是将 $n$ 个模型/agent 与 $m$ 个数据源的对接复杂度，从 $\times m$ 降低为 $n + m$ 。
当前 MCP 生态仍处早期，存在服务稳定性、认证等问题，但长期看将极大提升集成效率。
未来 MCP 需引入更高层级的“分层发现”机制，避免 API 过于冗长难以管理。