Agent 创业如何落地｜吴恩达提出的 5 个设计原则

推荐语

吴恩达揭秘Agent创业落地的5大黄金法则，从自主性到评估机制一网打尽。

核心内容：
1. Agent自主性光谱理论：如何科学设定AI的自主程度
2. 评估机制设计：从Lamini案例看可持续迭代的评估体系
3. 工具系统搭建：绘制"工具图谱"提升Agent能力边界

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

在 2025 年 5 月的 LangChain Interrupt 峰会上，吴恩达（Andrew Ng）抛出了一个核心问题：

Agent 系统，怎么才能在现实中真正跑起来？

他没讲概念，而是带着工程视角，回到五个具体判断：Agent 要多自主？评估怎么做？工具怎么接？语音系统怎么搭？标准怎么定？

这篇文章结合他的判断逻辑与 Glean、Lamini、Cognition Labs（Devin）、Reka 等案例，整理成一份 Agent 创业者可用的落地笔记。

01｜Agent 要多自主才合理？

吴恩达提出一个关键判断工具：“agenticness 是一个光谱（spectrum）”。

意思是，每一个 Agent 系统，都应被视为一个在 “自主程度” 上的滑块，而不是 “是不是 Agent” 的标签分类。

创业团队最常犯的错误，就是一上来就试图打造 “超级 Agent”，让它理解需求、主动规划、自己解决问题。

结果不是做不出来，就是做出来完全不可控。

他建议从三个角度判断该把 Agent 放在光谱哪一段：

• 任务结构复杂吗？ 简单、重复、确定性的任务适合低自主（Level 2–3）；
  
  

• 是否需要人类监督？ 高风险任务应保留 “人在环（human-in-the-loop）” 的设计，让人类在关键节点仍有决策权；
  
  

• 能否拆解为线性步骤？ 若能，就不必走高度自治路线。
  
  

Devin 是一个典型案例：它虽然被称作 “AI 工程师”，但背后有非常清晰的任务界定、计划机制和沙盒权限 —— 属于中高自主、限定域 Agent 的代表。

落地启发：

创业公司更应该在光谱中 “往低靠”，从 “高质量低自主” 的系统做起，再逐步提升复杂度。

案例参考：

Cognition Labs 如何通过任务界定与沙盒机制控制 Devin 的自主性。

02｜评估机制不是配角，是 Agent 成败的关键指标

吴恩达强调，如今大多数团队对 Agent 的评估还过于原始，改完代码就人工盯输出，不仅慢，还不系统。

他的建议是：哪怕只覆盖 5 个样本，也要为每一个失败步骤建立 “快速检测器”，哪怕初级、简陋，也要尽早上线 —— 系统是否 “可改进”，比是否 “完美” 更重要。

Lamini 就把评估机制作为产品主线之一，它提供了定制模型的 “评测流水线” ，帮助开发者在 RAG、分类等 Agent 应用场景中形成可持续迭代的数据闭环。

落地启发：

评估不是事后 QA，而是工程主干之一。

案例参考：

Lamini 如何通过评估工具链迭代 Agent 精度表现。

03｜工具系统怎么搭？先画出你的 “工具图谱”

吴恩达提出一个很有价值的视角：Agent 创业团队之间最大的差距，不是 “谁用得更熟练”，而是 “谁认得更多工具”。

就像一个会搭乐高的人，不必精通每块积木，但得知道每种颜色和形状能干什么。

这也是为什么像 Glean 这样的 Agent 平台，会强调提供多样化的组件库（Retriever、Guardrails、Multi-Tool Agent 编排等），并鼓励用户形成模块重组的能力，而非 “一条链到底” 的固定流程。

落地启发：

你的 “工具知识图谱” 边界，就是产品演化的上限。

案例参考：

Glean 如何通过模块式工具集构建高度灵活的 Agent 平台。

04｜语音 Agent 会是下一波分水岭，但别一哄而上

语音，是吴恩达在访谈中花了很大篇幅强调的新方向。他认为，语音比提示词更自然 —— 用户可以边说边想，不需要像写提示词那样一次性组织完整的结构，门槛也低得多。

但他也提醒：做语音 Agent，不能只是加上语音识别 API，而要：

• 加缓冲，掩盖时延：
  
  加入像  “让我想想” 这样的缓冲语，用来填补语音生成时的停顿，让用户感觉系统仍在思考，而不是卡住了。
  
  

• 容跳跃，理解不清句式：
  
  语音对话常常跳跃、不完整，Agent 需要能记住前文上下文，并从模糊的表达中还原用户真正想说的事。
  
  

• 边听边做，不中断流程：
  
  用户说一句话的过程中，Agent 就开始处理指令，比如一边说 “你查下这个药的副作用”，一边就已调接口、查文档，不等用户停下才启动动作。
  
  

Reka AI 就是一个例子，它构建了语音、图像、文本的统一输入栈，打造的是 “听说读写兼备” 的多模态 Agent，而不是给文本 Agent 加个耳朵和嘴巴那么简单。

落地启发：

如果你只是改了输入方式，没有把语音作为系统设计的出发点（比如语音节奏、打断机制、模糊识别、多模态融合），那这类功能很容易被复制，难以长期保持优势。

案例参考：

Reka 如何构建跨模态输入的语音 Agent 技术栈。

05｜Agent 间怎么协作？别绕开 MCP 协议思维

什么是 MCP？

吴恩达用一句话讲得很清楚：从 “n 个 Agent × m 个服务” 的适配成本，变成 “n + m 个标准接口”。

MCP（Model-Context-Protocol）是一种标准化 Agent 接入协议，目标是在多 Agent 系统和多工具服务之间形成 “标准语言”，让组件可互换、系统可嵌套。

这不是个学术概念，而已经落地：

• LangChain 推出的 Agent Protocol；
  
  

• Glean 提供的 MCP 工具服务器；
  
  

• AGNTCY 联盟希望打造的 “AI 时代的 TCP/IP”。
  
  

落地启发：

不要自己在接口上造轮子。MCP 可能会像 HTML 一样，成为 Agent 生态里默认的协作方式。

案例参考：

Glean 如何将 MCP 应用于多 Agent 系统接口标准化。

结语：Agent 创业，正在从炫技转向工程

吴恩达这场访谈的意义不在于 “讲 Agent 多厉害”，而是给了一次非常清醒的系统设计提醒。

Agent 系统要做得起来，这五个问题绕不开：

• 自主性光谱怎么控？
  
  

• 评估机制怎么建？
  
  

• 工具系统怎么搭？
  
  

• 语音系统怎么融？
  
  

• Agent 间怎么协作？
  
  

与其讲一个 Agent 的故事，不如先构建一个真的能跑的 Agent 系统。

如果说过去一年是 Prompt 工程的时代，那接下来的三年，将属于那些真正懂架构、会做系统工程的人。

附录｜原始资料链接：

吴恩达在 LangChain Interrupt 峰会访谈视频：https://youtu.be/4pYzYmSdSH4?si=jfzhhp_PYuQcyXNF

附录｜术语 & 案例速查表：