吴恩达：构建企业级AI Agent的最佳实践

新手做 Agent，80% 时间搭建，20% 时间分析问题，老手正好反过来。

我最近看了吴恩达的 Agentic AI 课程，这是他的观察。

新手往往会踩一种坑：

花两周搭完系统，联调时发现第一步就错了，后面所有模块，都建在错误的地基上。

推倒重来。

以前我就是这么干的：拿到需求 → 脑子里过一遍思路 → 各模块逐个做完 → 最后串起来测试。

出现的问题是：你要到最后一步才知道前面哪里错了。

更惨的是，等你改完第一步，第二步的假设可能也不对了，又要改，改完第二步，第三步又崩了……

吴恩达给出的方法论正好相反：做一步，测一步，确认对了再往下走。

具体怎么做？下面用一个例子说明。

人类怎么做，AI 就怎么做

这是吴恩达特别强调的第一步，也是最反常识的一步：

大多数人拿到需求就开始思考「用什么模型」「怎么写 Prompt」「要不要用 RAG」，但吴恩达建议：

先找 5-10 个真实案例，自己当人类把这件事做一遍，记下每一步在想什么、查了什么、怎么决策的。

为什么要这么做？因为很多开发者连自己都没想清楚流程，就急着让 AI 去做。

举个例子，如果让你处理一封客服邮件，你怎么判断要不要查订单数据？看邮件里有没有订单号？还是根据发件人邮箱去猜？

没提供订单号时，你是直接回复「请提供订单号」，还是先根据用户名搜一下？

这些细节，如果你自己都没想清楚，AI 肯定也做不好。

所以阶段零的价值是：逼着你把流程梳理清楚，同时这些真实案例直接变成你后面的测评集。

把人类流程翻译成 AI 流程

梳理完人类怎么做，接下来就把它翻译成 AI 能做的：

我的做法是把 Agent 拆成三部分：大脑（LLM）、手（工具）、眼（多模态）。

大脑：负责思考、决策、生成文本。

手：负责调用外部工具，执行具体任务。

眼：负责理解和处理多模态输入（如图片、视频）。

以客服邮件 Agent 为例：

第一步：打开邮件

• • 人类：点开邮箱，看发件人、标题、正文
• • AI：用邮件 API 读取邮箱号、标题、发件时间、正文（不可能真让 AI 去点鼠标，只能通过 API 获取数据）

第二步：判断要不要查订单

• • 人类：看邮件内容，判断是咨询、投诉还是其他
• • AI：用 LLM + Prompt，让它扮演客服角色，按什么原则去判断

第三步：查订单数据

• • 人类：打开数据库，输入订单号或用户名，看有没有匹配的
• • AI：提供数据库查询工具（API），LLM 决定查什么、怎么查

第四步：匹配验证

• • 人类：确认查到的订单信息和发件人是否匹配
• • AI：让 LLM 对比邮件信息和订单信息，判断是不是同一个人

第五步：组织回复

• • 人类：先安抚理解，再提供解决方案
• • AI：给 LLM 一个回复模板或原则，生成邮件内容

整个流程梳理完，你会发现：哪些步骤需要 LLM 思考，哪些步骤需要工具支持，哪些步骤能提前优化。

一目了然。

单点验证，而不是整体开发

流程翻译完，别急着搭整个系统。吴恩达的建议是：先单点验证，做一个测一个。

什么叫单点验证？比如邮件 API 能调通吗？有没有官方 API？没有的话第三方能不能实现？

LLM 判断「要不要查订单」这个任务，写个 Prompt 在 ChatGPT 里测几轮，能做到吗？

数据库查询工具，LLM 能正确调用吗？参数传递有没有问题？

这个阶段的重点是「能不能跑通」，而不是「质量如何」。

如果某个工具根本调不通，或者 LLM 完全理解不了你的意图，那就要重新考虑方案。

别等到整个系统搭完了才发现「这条路走不通」。

等每个单点都验证通过，再用工作流编排工具（比如 n8n、dify）或者自己写代码把它们串起来，确保数据流转正常。

这个阶段可能只需要 2-3 天，就能拿到一个能跑的原型。

测评集从小到大，循环优化

原型跑通之后，就进入评估阶段。

评估阶段第一件事：建测评集，但别一开始就建 100 个，10-20 个就够了。

为什么？因为 10-20 个足以发现大部分问题，标注成本低（你要写标准答案），迭代速度也快。

怎么做？

第一轮：肉眼看几个输出
随便跑几个案例，看看输出长什么样。这一步能快速发现明显问题，比如「完全没理解邮件内容」「查了订单但没用上」。

第二轮：建 10 个测试样本
从阶段零的真实案例里选 10 个，写好标准答案，跑一遍看准确率。

假设准确率只有 40%，别慌，这是正常的。

第三轮：错误分析
把失败的案例拎出来，逐个组件检查中间数据：是邮件理解错了？是数据库查询失败了？还是回复逻辑有问题？

统计一下：哪个环节错得最多？

假设发现「判断要不要查订单」这一步错误率 50%，那就优先优化这个组件。

第四轮：组件级优化
单独拎出这个组件，改 Prompt、加 Few-shot、换模型，测到满意为止。

比如原来准确率 10%，优化后提升到 60%。

第五轮：端到端重新测
组件优化完，回到完整流程重新跑一遍评估。

准确率从 40% → 65%。还不够？回到第三轮继续分析。

这是一个循环：评估 → 错误分析 → 优化组件 → 重新评估 → 再分析 → 再优化……

可能要转 3-5 轮，直到准确率达到你的目标。

什么时候可以停下来？

有个陷阱要注意：永远在优化，永远觉得「还不够好」。

怎么办？设个「Good Enough」的阶段性目标。

比如：

• • MVP 目标：端到端准确率 > 70%（可以内测）
• • 上线目标：端到端准确率 > 85%（可以小范围上线）
• • 成熟目标：端到端准确率 > 95%（全量推广）

为什么要设阈值？这样可以避免陷入完美主义，让你能阶段性交付。

先上线一个「能用」的版本，再根据真实反馈慢慢改。

而且有个现象：

好问题：用户太多，成本扛不住。

坏问题：又快又便宜，但质量差没人用。

所以质量优先，成本和速度是质量稳定之后才考虑的事。

整个方法论可以总结为：

阶段零：人工模拟 5-10 个真实案例，梳理清楚流程

阶段一：把人类流程翻译成 AI 流程（大脑-手-眼）

阶段二：单点验证，做一个测一个，串起来测数据流转

阶段三：建测评集（10个 → 20个 → 50个），循环优化（评估 → 分析 → 改进 → 再评估）

阶段四：设定 Good Enough 目标，质量稳定后再优化成本和速度

核心就是：分步验证、快速迭代、数据说话。

如果你在做 Agent，这套流程能帮你少走弯路。

更重要的是，它让你随时知道问题在哪，而不是凭感觉瞎改。

以上，如果这篇文章对你有启发，欢迎分享给更多正在学习 AI 的朋友。