吴恩达对谈LangChain创始人：企业构建Agen系统的核心认知！

Agentic 才是关键，别再纠结“是不是Agent”了！

吴恩达上来就点明一个关键：别再花时间争论“这个算不算 Agent”，不如关注系统有多“Agentic”。

这个观点其实是去年上半年吴恩达发明的词，现在应该不是太关注，到底是Agent还是Agentic了。

从Agentic到Agent，相当于从弱自主到强自主，没必要非得划个线。专注于构建Agentic systems就好了。

很多企业内的存量SPO或者线性流程，都是非常适合用Agentic工作流改造的。不过把这些流程拆解好、自动化好，仍然会有很多挑战。

Agent 构建核心是？

企业在构建Agent的卡点到底在哪？

核心挑战在于：

• 任务拆解粒度：到底该把流程拆多细？
• 工作流设计：原型效果不好，改哪个步骤能提升整体？
• 评估体系：不只是评估整体效果，还得能追踪每一步，快速定位 哪一步坏了、哪个 Prompt 没用。

很多团队进展慢，就是因为还在手动评估，改完 Prompt 一个个看输出，效率极低。哪怕是从一个 几乎没什么帮助的评估 开始，也要先搭起来，再迭代优化。

AI工具如乐高，模块化构建是未来

AI 工具就像各种颜色和形状的“乐高积木”。

• 积木越丰富，组装能力越强：RAG、聊天机器人、记忆系统、Eval、Guardrails...这些都是不同形状的“积木”。
• 有经验的人知道用哪块积木能快速搞定。没经验可能多花三个月走弯路。
• 技术迭代快：LLM 上下文长度增加，一年半前的 RAG 最佳实践可能就不适用了。RAG 没消失，但调参难度大大降低。

目前被低估的领域

吴恩达特别点了几个他认为被低估或值得更多关注的领域：

评估系统、语音技术栈、AI coding、人人都要学点编程。

最后一点很有意思，有些人推广AI coding或者vibe coding的适合，已经建议别人“不要学编程”。但是回顾过去几十年的编程历史，事实是，每次编程变得更简单，学习编程的人反而变多了。

无论是对开发者还是非开发者来说，都是清晰准确地告诉计算机你想做什么，让它替你完成这件事。想要做到这一点，了解一些计算机的基本工作原理其实非常有帮助

吴恩达表示对语音非常感兴趣，很多大企业也对此兴趣极大，但开发者关注度还不够。

语音系统和文本系统最大的区别在于对“延迟”的要求。

理想回应时间应该在1秒内，最好500毫秒内。传统 Agentic 工作流可能要几秒。这里有一些小技巧，比如：“预回应”（如“嗯，这是个有意思的问题”）、播放背景音等，可以掩盖延迟。

MCP ：潜力巨大，但道阻且长

MCP的核心价值在于，让 Agent 更容易接入各种数据，简化“管道”工作，补上了市场空缺。目标是实现 n 个模型/Agent 与 m 个数据源的连接，工作量从 n x m 降到 n + m。

但是现在的MCP还有各种问题，如 Server 跑不起来、身份验证混乱、token 过期等常见问题。协议本身也早期，未来可能需要分层发现机制来应对成百上千的 API 调用。

Agent 间通信？比 MCP 还早期，先让自家 Agent 跑起来再说

现在的 Agent AI 依然非常早期。团队内部构建的多 Agent 系统可以运转，因为协议、接口都清楚。但要让不同团队的 Agent 协同，“现在来看，还太早。”

如果说 MCP 还早期，那 Agent 间通信就更早期了。

AI 创业制胜之道：快！准！狠！

最后，聊到 AI 创业，吴恩达基于 AI Fund 的经验，给出了两个关键预测因素：

高效团队的执行速度是传统企业完全想象不到的。

市场营销、销售等商业技能重要，但真正稀缺的是“技术理解力”，因为技术在快速演进。AI Fund 非常喜欢和技术背景深厚的人合作。

商业相关的能力相对更容易补足，而那些真正懂技术、知道什么该做、怎么能让事情加速两倍的人，才是最宝贵的。