Overview
这是吴恩达(Andrew Ng)在 DeepLearning.AI 的 Agentic AI 课程第一讲的字幕稿。讲者一开口就先把「agentic」这个词的遭遇讲清楚:这个词是他创造的,结果被营销人员当成万能贴纸贴到几乎所有东西上,让相关炒作一路飙升。但他的判断是——撇开炒作,真正有价值、有用的智能体应用同样增长很快,只是没有 hype 涨得那么快。课程本身要交付的不是概念科普,而是构建智能体应用的实战方法。
(字幕为语音转写稿,专有名词与个别词句有转写误差,本文按可辨认语义整理,关键表述保留原意。)
一个被滥用的术语
讲者说,当他造出 agentic 这个词来形容一个快速增长的趋势时,他没想到营销人员会把它当贴纸贴到几乎所有东西上,agentic AI 的 hype 因此一路飙升。好消息是:忽略 hype 之后,真正用智能体技术做出来的、有价值且好用的应用数量也增长得非常快——只是没有 hype 长得那么快。
这个开场其实定下了整门课的取向:不跟炒作走,只看有没有真正跑得通的用法。
课程要教什么
课程目标是展示构建智能体应用的最佳实践(best practices),并由此打开新的机会空间。
讲者对这门课重要性的判断相当直接:在他的许多团队里,有些项目如果沒有智能体工作流(agentic workflows)根本做不出来;而掌握构建这类应用的能力,是当下 AI 领域最重要、最有价值的技能之一——它既指向工作机会,也指向普通人自己动手做出好软件的可能。
智能体工作流在做什么
课程给出的应用例子覆盖客服与专业信息处理两类:
- 客服类应用(customer support agents)
- 写出有深度的研究报告
- 处理棘手的法律文件
- 读取患者信息,生成或提示可能的医学诊断
这些例子的共同点是:任务有明确产出,但也需要判断和取舍,不是单次问答能覆盖的。
真正的分水岭:评测与错误分析
讲者观察到,能真正构建好智能体工作流的人,和效果不佳的人之间,最大的差别在开发流程上。字幕是英文转写,原句如下:
the ability to drive a disciplined development process, specifically one focus on eVs and error analysis
中文意思是:能不能推动一套有纪律的开发流程,把重心放在评测(evals)与错误分析(error analysis)上——字幕把 evals 转写成了 eVs。
这是课程第一讲最硬的一条结论:智能体应用的能力差距不来自模型选型或提示词技巧,而来自有没有一套可复现、可度量的评估与纠错流程。课程后续内容正是围绕如何做 evals 和 error analysis 展开。
迁移到教学场景(本文延伸)
下面是把这条结论迁移到教师工作场景的读法,属于延伸推论,不是课程原文:
- 给 AI 产出的教学材料做评测:一份教案、一套练习纸,先定几条可检查的标准(是否覆盖课标要求、难度是否匹配学情、有无事实错误),再逐份记录问题——这就是最朴素形式的 error analysis。
- 把批改反馈当数据:学生的错题分布本身就是 eval 数据,哪类错误最集中,就该调整下一轮教学重点,而不是凭印象改进。
- 先建评测集再调提示词:与课程主张一致,提示词怎么改都不如先有一套能稳定复现的评测标准来得可靠。