在各位AI大佬中，吴恩达是水豚最喜欢的一位。多少人是和水豚一样，看吴恩达的机器学习课程入门，在Coursera不断进步。我始终觉得，吴恩达的课程总能做到深入浅出，让大多数人听得懂学得会，他在普及AI这件事上做出的贡献当世数一数二。这次他带来的新课程名字非常直接，就叫做"Agentic AI"。如果你还在写提示词（Prompt），并期望AI能完成复杂的项目，那你一定也体会过各种无奈！未来谁能用好AI，不在于提示词工程 (Prompt Engineering)，而在于如何更好地编排智能体工作流 (Agentic AI Workflow)。
吴恩达这门课程，旨在教会你如何搭建一个能自我规划、使用工具、迭代改进的AI系统，真正让AI像有效的专家团队那样自主工作。本文将深入解读这门课程的核心内容，带你掌握构建Agentic AI系统的四大设计模式和实战工程化技巧。
一、为什么需要自主智能体 (Agentic AI)?
早期LLM使用中，我们通常输入Prompt，模型返回结果。这种模式在处理简单任务时非常高效，但面对复杂、需要多步决策、外部数据或操作的任务时，就会显得力不从心。Agentic AI提供了一种全新范式。不再局限于单次响应，而是允许LLM：- 自我优化：通过自我反思和工具使用来提升最终输出的质量。
简而言之，AI智能体的目标是让LLM能够像一位经验丰富的软件工程师或项目经理那样，自主处理复杂的业务流程。
二、Agentic AI的核心武器库：四大设计模式本课程核心在于教授和实践四种驱动自主智能体AI系统的关键设计模式：1. 反射 (Reflection)：自动化“代码审查”反射 (Reflection) 允许AI评估自己（或其他AI）的工作并反馈结果，让AI系统自主迭代和自我改进。大白话讲，就是将AI生成的内容作为输入，给到（不同）AI进行审查并输出审查结果。
反射能基于预设标准，也可引入外部反馈（external feedback）。比如把AI生成的代码在外部运行，将运行结果与代码一起交给AI审核，能大大提高反射的准确性和可靠性。
2. 工具使用 (Tool Use)：让AI拥有“双手”和“眼睛” 通过将AI连接到外部工具或服务，使其执行实际操作，而不仅仅是生成文本。比如工具赋予AI连接数据库、调用外部API、进行网页搜索，甚至执行代码的能力。一种方式是，预设工具，并且明确告诉AI可用的工具和用途，让AI调用。更加灵活的方式是，可以让AI自己写代码，并且运行。工具调用中，值得一提的是MCP，可以有效减少下图中这种重复开发Tools的浪费。
3. 规划 (Planning)：复杂任务的“工作手册”规划 (Planning) 告诉AI如何将复杂任务分解成可执行步骤。LLM可以遵循这些步骤，并在执行过程中，针对实际情况进行适应和调整。概念很简单，就是每个LLM的输出成为下一个LLM的输入。如下图右下部分。- 步骤怎么分， 怎么编排？这不仅是技术问题，更是对业务知识和常识的考验。这也是AI时代对技术同事的新要求。课程中也提到对于部分场景，可交由LLM实时进行规划。
- 步骤间交付/传递什么？从效果来讲，代码 > JSON格式输出 > 自然语言
4. 多智能体工作流 (Multi-Agent Workflow)：团队协作的力量 协调多个不同角色的LLM，让它们各司其职，共同处理复杂工作流的不同部分。就像组建一支由不同专家（如研究员、设计师、编辑）构成的虚拟团队。其中的要点在于如何设计多智能体系统间的沟通模式 (Communication patterns)，从而实现更高效、更深入的协作。课程中提到了四种方式：
Agentic AI工作流构建中容易被忽视，但也是最重要的一点，在于必须具备严格的工程化评估和优化技能。这是Gen AI应用能脱离POC (Proof of Concept，概念验证)，真正进入生产的关键。课程中总结了一套简单的评估流程：
定义标准：明确什么是“好”输出，例如文本质量或数据准确性；
从小规模样本开始：先用 20~50 个样本快速发现问题，有时直接肉眼识别即可；
选择评估类型：客观评估 - 当任务有明确标准时，编写测试代码计算准确率；主观评估 - 用另一 LLM 根据评分标准打分，如图表是否有标题、是否使用合适的图表类型
此外，评估可分为端到端和组件级。端到端测试适合体验整套工作流，但成本高；组件级评估则更有针对性，有助于快速定位问题。
立即咨询 JOTO
JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。 联系 JOTO 获取 AI 落地咨询
