微信扫码
添加专属顾问
我要投稿
嘿,大家好!这里是一个专注于AI智能体的频道!
今天和大家聊聊Agentic AI,也就是自主智能AI。这可能是我们AI进化的下一个阶段哦。如果我们的AI能够自己做出更广泛的决策,还能适应不断变化的需求,这是非常酷的一件事啊!
最近,Andrew Ng在Sequoia Capital的AI Ascent上做了一个关于Agentic AI工作流及其潜力的演讲。
首先,让我们来区分一下非Agentic和Agentic的LLM工作流。非Agentic的LLM,也就是常说的zero-shot模型,它们在给出回应时是按顺序一个接一个地产生token,就像写一篇论文,从头到尾一气呵成,中间不修改。而Agentic工作流则是一个有计划的迭代过程,就像我们人类写论文一样,先有个大纲,然后收集研究资料,写草稿,最后再修订。
Andrew在他的演讲中提到了四种基本的设计模式:反思、工具使用、规划和多Agent协作。其中,反思和工具使用被认为是发展得比较好、可靠的。而规划和多Agent协作则还不太成熟,不太可靠。
反思,就是通过反馈循环迭代地改进回应。想象一下,你让模型写一个简单的程序,然后重新提示它去修复代码中的错误,最后可能还会要求它为了速度或格式来改进代码。
工具使用,就是LLM使用外部工具,比如网络搜索、代码解释器、编译器,或者其他AI模型,比如图像生成、图像字幕、目标检测和文本到语音等。使用这些工具可以帮助模型发现代码中的错误,然后自我提示去修正这些错误。
规划,就是将问题分解成多个步骤,每一步的输出都用于下一步的进一步细化。这有点像HuggingGPT论文中的例子,处理请求生成图像,然后用声音描述新图像。
多Agent协作,就是使用具有不同专业化和偏见的多个Agent来互相提示,迭代地改进它们的输出。比如,使用一个“批评Agent”作为反思设计模式的一部分,它被提示去发现需要改进的地方,然后它的回应用来为主力模型提供迭代反馈。
我对这些技术的看法是,虽然它们可以自动化LLM输出的手动细化过程,但如果没有人类操作者的方向引导,模型自身的自我反思和输出细化是有极限的。一个完全自动化的多Agent方法只是在一个已经封闭的反馈循环中增加了层次。这可能会受到模型崩溃的限制,或者在使用多个Agent进行协作(或辩论)的背景下,更像是模态崩溃。
至于AGI,我认为一个有能力的AGI必须能够通过自我反馈循环迭代地扩展其能力。我认为这在没有真实创造性的人类思想和指导的情况下是不可能的。人类有创造性的火花,我认为这是统计机器模型无法复制的。
53AI,企业落地大模型首选服务商
产品:场景落地咨询+大模型应用平台+行业解决方案
承诺:免费POC验证,效果达标后再合作。零风险落地应用大模型,已交付160+中大型企业
2026-04-11
那个“爱马仕”,想拯救“智障”小龙虾
2026-04-10
重磅!Anthropic官方Harnerss发布了!
2026-04-10
刚刚,100 美金的 ChatGPT 来了
2026-04-09
技术教科书:顶级开发团队设计的Harness工程项目源码什么样
2026-04-09
Anthropic 官方 Harness 发布:全面解读 Managed Agents
2026-04-09
SDD-RIPER 团队落地指南:如何让整个团队在一周内跑通大模型编程
2026-04-09
Claude Managed Agents 公测发布!Agent 开发成本直降 500 倍
2026-04-09
Anthropic 今天发了一个新产品,可能会让一批做 AI 智能体基础设施的团队失业
2026-01-24
2026-01-26
2026-01-23
2026-03-31
2026-03-13
2026-01-14
2026-01-21
2026-02-03
2026-02-03
2026-02-14
2026-04-07
2026-04-01
2026-03-31
2026-03-31
2026-03-22
2026-03-22
2026-03-21
2026-03-20