吴恩达在美国红杉 AI 峰会上的发言，集中讨论了 Agent Workflow 的重要性以及四种主流设计模式。这篇文章将从以下几个方面进行分析： 一、Agent Workflow的重要性 1. 迭代与对话性：吴恩达强调，相较于传统使用大语言模型（LLM）的方式，Agent Workflow更具迭代性和对话性。传统LLM流程是一次性输出，而Agent Workflow则像写论文的过程，通过不断修改和完善来提升结果的质量。 2. 案例研究：通过一个实际案例，展示了使用Agent Workflow如何提升代码编写的正确率。例如，在Human Eval Benchmark测试中，GPT-3.5结合Agent Workflow的表现优于GPT-4。 二、四种主流设计模式 1. Reflection模式 定义：让Agent审视和修正自己生成的输出。 例子：在代码生成任务中，LLM生成初始代码后，再提示它审视和优化代码，从而提升代码的质量。 2. Tool Use模式 定义：LLM生成代码、调用API等进行实际操作。 例子：在微软的Copilot工具中，LLM可以生成并运行代码以完成特定任务，如推荐最好的咖啡机。 3. Planning模式 定义：让Agent分解复杂任务并按计划执行。 例子：HuggingGPT论文中的一个示例，要求生成一个与给定姿势相同的女孩读书的图片，Agent通过多个步骤完成任务，如姿势检测、图像生成和语音描述。 4. Multiagent Collaboration模式 定义：多个Agent扮演不同角色合作完成任务。 例子：ChatDev系统中，不同Agent分别扮演CEO、设计师、产品经理等角色，协同完成软件开发任务。 三、未来展望 1. 扩展能力：吴恩达预测，未来AI Agent的能力将大幅扩展，人们需要学会将任务委托给Agent并耐心等待结果。 2. 快速token生成：即使是基于质量较低的LLM，快速生成新token也可能获得良好结果，这将对Agent Workflow产生积极影响。 四、总结 1. 技术优势：Agent Workflow及其设计模式可以显著提升LLM的性能，拓展其应用领域。 2. 实用价值：这些技术不仅对AI开发者有重要意义，也能在实际应用中带来效率提升和新可能性。 通过吴恩达的分享，可以看出Agent Workflow及其设计模式在提升AI性能和应用广度方面具有巨大潜力。未来，我们期待更多这类技术的发展和应用。 专业名词翻译： Agent Workflow （智能体工作流） Large Language Model (LLM) （大语言模型） Human Eval Benchmark （人类评估基准） Reflection （反思） Copilot （协同编程工具） Tool Use （工具使用） Planning （规划） Application Programming Interface (API) （应用程序编程接口） Multiagent Collaboration （多智能体协作） Chief Executive Officer (CEO) （首席执行官） token （标记） |
