周末抽空看了一下吴恩达在美国红杉 AI 活动上分享的关于 AI Agent 的演讲，虽然简短但浓缩了行业大咖的思考，值得分享给读者，阅读本文大概需要 5 min。

不用担心听到 Agent、智能体、代理这些词就觉得高深莫测，读文本文相信会有收获。本文的目录如下：

1. 主流使用大模型的方式

2. 基于 Agent 的工作流程

3. 使用 Agent 的效果如何

4. 关于 Agent 的四个设计模式

01

主流使用大模型的方式

相信大多数人在使用 ChatGPT 这种大模型时，方式是这样的：你输入一段提示词，大模型会立即生成答案。

这就像你要求一个人写一篇关于「美食」主题的文章，要求他坐在键盘前，从头写到尾，而且不能删除。毕竟大模型的输出就是一个字一个字的往外蹦，不会发现自己写的内容有错误删除重写。

02

相比之下，Agent 工作流程是这样的: 同样是让它写一篇关于「美食」主题的文章。

这种有迭代反思的做法会带来显著的改进效果。

03

吴恩达的团队做了一系列实验，简单来说就是让 AI 去写一些代码并运行，最终对比不同模型和工作流程得出结果的性能，进行一个对比。结果如下：

• GPT-3.5 模型：准确率 48%

• GPT-4 模型：准确率 67% 

• GPT-3.5 + Agent：高于 GPT-4 模型的表现

• GPT-4 + Agent：表现的远高于 GPT-4 模型，非常出色

04

工具使用（Tool use）

当然这只是理想中的工作流程，对于很复杂的工作流其实很难可靠的运行，但是这是一种理念，针对比较成熟的、简短的场景它可能是 Work 的。

多智能体协作，这个就有点恐怖了，类似于之前大火的 AI 小镇。

吴恩达举的例子是开源项目 ChatDev，你可以让一个大语言模型扮演不同的角色，比如公司CEO、设计师、产品经理或测试人员，这些 Agent 会相互协作，共同开发一个 App 或者复杂程序。

虽然不是每次都能成功，但有时确实非常惊艳。

05

到这里，吴恩达的演讲就差不多结束了，上面 PPT 截屏的下面都会附上一些扩展资料，感兴趣的可以延伸阅读。最后他还提到了两个点：

1. 目前人类还是习惯“及时反馈”，希望输入一段命令能够尽快的给出反馈。虽然通过 Agent 能显著的提升效果，但是在 Agent 工作流程中，往往需要等待几分钟甚至几个小时，才能得到响应，人能不能接受这一点或者说习惯培养的难度到底有多大，还不得而知。

2.  快速生成 token 也很重要，即使使用质量略低但速度更快的语言模型，通过更多轮次的迭代，也可能比使用更高质量但速度较慢的模型获得更好的结果。