最近工作中听到了好多Agent的概念，尤其是一些老师看到各个媒体上写的文章中无所不能的Agent后，要求算法工程师们来把之前的项目、产品、功能全部Agent化。

正如比尔盖茨所说，在科技领域，我们总是高估在一年或者两年中能够做到的，而低估五年或者十年中能够做到的。本人作为一名一线的大模型算法工程师，深知目前Agent的实用性远不如工作流编排。本着实事求是的态度，本人也一直在想着如何向同事分享这个观点。

恰巧，近期大牛吴恩达（Andrew Ng）老师再社交媒体上发布了他对于Agent概念的理解，在此翻译后分享给大家。

有需要看英文原文的，直接跳至最后，点击阅读原文即可。

TL;DR

unsetunset机器学习的包容性unsetunset

• 机器学习领域包容各种研究和算法，从未排斥不同方法的尝试。
• 历史上，像勒让德和高斯在19世纪初使用的线性回归算法，即使没有计算机，仍被视为机器学习的一部分。
• 相比之下，统计学领域曾经对机器学习有所排斥，导致其发展速度较慢，但近年来已经变得更开放。

unsetunsetAgentic系统的定义和包容性unsetunset

• 在开发agentic系统时，不应以二元的方式判断某个系统是否为agent，而是考虑其在不同程度上具有agent特性。
• “Agentic”这一形容词使人们能够更广泛地包容和研究这类系统

unsetunset模糊地带和包容性unsetunset

• 许多系统介于明显不是agent（例如只提示一次的大语言模型）和明显是agent（例如自主规划和执行多步任务的系统）之间。
• 通过承认系统在agent特征（反思、工具使用、规划和多Agent协作）上的不同程度，可以包容更多的研究和研究人员。

unsetunset社区文化和研究发展unsetunset

• 新人建议从简单的agentic工作流开始，逐步构建更复杂的系统。
• 技术人员更倾向于使用“agentic”这个词，这使得相关讨论和文章更具专业性和技术性。

中文翻译

机器学习成功的一个原因是我们的领域包容各种各样的研究。我甚至想不到有一个例子，某人开发了他们称之为机器学习的算法，而我们社区的高级成员批评说：“那不是机器学习！”事实上，早在19世纪初，数学家勒让德和高斯就使用了基于最小二乘法的线性回归算法，尽管那时还没有计算机，但机器学习领域已经接受了这些算法，并且我们在入门课程中通常称之为“机器学习”。

相比之下，大约20年前，我看到一些大学的统计学系在面对机器学习的发展时说：“那并不是真正的统计学。”这是机器学习在计算机科学领域比统计学系发展更快的原因之一。（幸运的是，自那时起，大多数统计学系已经对机器学习更加开放了。）

几个月前，当我思考如何谈论使用反思、工具使用、规划和多Agent协作等设计模式的agentic系统时，这种对比浮现在我脑海中，因为这些系统比零样本提示能产生更好的结果。我曾参与过关于某些系统是否应该被视为“agents”的讨论。我认为，与其非要用二元方式判断某个系统是否是agent，不如将这个系统视为在不同程度上具有agent特性。

与名词“agent”不同，形容词“agentic”使我们能够考虑这样的系统，并将它们全部纳入这一不断发展的领域中。

越来越多的人正在构建使用类似agent设计模式的系统，例如多次提示大语言模型。但是，在显然不是agent（只提示模型一次）和显然是agent（例如，根据高级指令计划、使用工具并执行多个迭代处理步骤的自主agent）之间存在一个模糊地带。

与其争论要包括或排除哪些工作是真正的agent，我们可以承认系统在agent特征上存在不同的程度。然后我们可以更容易地包容所有想要从事agentic系统研究的人。我们还可以鼓励新人从构建简单的agentic工作流开始，并逐步使他们的系统更加复杂。

在过去的几周里，我注意到，虽然技术人员和非技术人员有时使用“agent”这个词，但主要只有技术人员使用“agentic”这个词（目前为止！）。因此，当我看到一篇谈论“agentic”工作流程的文章时，我更有可能阅读它，因为它不太可能是营销宣传，而更可能是由理解这项技术的人撰写的。

让我们继续致力于agentic系统的研究，并欢迎任何想要加入我们领域的人！