大家好，我是花哥。本文总结了吴恩达最新的演讲《AI 智能体的未来》，以下正文：
我很期待与大家分享我在 AI 智能体中所看到的。我认为（大模型+AI智能体）是一个令人兴奋的趋势，每个 AI 从业者都应该关注这个趋势。
我要分享的是AI智能体。现在，我们大多数人使用大型语言模型的方式是：在对话框中输入提示并生成答案。这类似于让一个人根据提示写出相关文章。AI大模型在不使用退格键的前提下，完成这样的任务仍然非常出色。
智能体工作流包括：使用AI大模型撰写论文大纲，按需联网查资料，写初稿并审阅，思考并修改需要改进的部分，然后继续迭代此过程。这种工作流程使迭代变得更加容易，可以通过AI大模型的思考和修改，多次迭代优化文章。
很多人都没有意识到的是，这么做的效果好得多。其实我自己也很惊讶。对于它们的工作决策流程，以及它们优秀的表现。除了这些个案研究，我的团队也分析了一些数据，使用名为 HumanEval 的编程评估基准。这是 OpenAI 几年前发布的。这上面有一些编程问题，比如给定一个非空整数列表，返回位于偶数位置的所有奇数元素的和。AI 生成的答案是像这样的代码片段。
如今，很多人使用零样本提示，例如让 AI 编写代码并运行。但事实上，直接使用 GPT-3.5 的准确率只有 48%，而 GPT-4 则达到了 67%。但如果在智能体工作流中使用 GPT-3.5，其表现可能会更好，甚至超过 GPT-4。这说明在特定工作流中，GPT-3.5 的性能可以超过 GPT-4。这是一个值得我们关注的信号。
人们围绕智能体及其任务进行了大量讨论，并产生了众多咨询报告。我想分享我在智能体领域观察到的常见设计模式。这是一个充满混乱和变革的空间，众多研究和活动正在进行。我尝试对其进行更具体的分类和讨论。
在演讲中，吴恩达介绍了 AI 智能体工作流的四种设计模式：
反思（Reflection）：LLM 检查自己的工作，以提出改进方法。
工具使用（Tool use）：LLM 拥有网络搜索、代码执行或任何其他功能来帮助其收集信息、采取行动或处理数据。
规划（Planning）：LLM 提出并执行一个多步骤计划来实现目标（例如，撰写论文大纲、进行在线研究，然后撰写草稿......）。
多智能体协作（Multi-agent collaboration）：多个 AI 智能体一起工作，分配任务并讨论和辩论想法，以提出比单个智能体更好的解决方案。
Reflection是一种有效的工具，与广泛认可的“tool use”一样强大。我使用它们时，常能取得良好效果。尽管规划和多智能体协作是新兴技术，其效果有时令人震惊，但目前尚不可靠。
接下来，我将解释四种设计模式。若你们或你们的工程师采用这些模式，我相信生产力将得到提升。
首先是reflection。例如，请系统编写给定任务的代码，然后利用代码智能体检查代码的正确性、效率等。根据提示，大模型可能发现代码中的问题，如第五行的bug，并提供改进建议。这种方法值得尝试。
关于tool use，如果单元测试未通过，通过对话可找出原因并尝试修正。对于技术兴趣者，我在PPT底部提供了推荐阅读资料。再谈多智能体系统，它可视为单个代码智能体，通过对话进行互动。一个自然演变是单个编程智能体，包含编码和评价两个智能体，背后可能使用同一大模型但提示不同。这种工作流易实现且通用，能显著提升大型语言模型性能。
第二种设计模式是tool use（工具使用）。Copilot和GPT-4都是基于大模型的系统使用工具。Copilot通过上网检索解决问题，而GPT-4则能生成并运行代码。人们使用多种工具分析、收集信息以采取行动、提高个人生产力。早期tool use的工作多在计算机视觉社区，因为以前的大型语言模型无法处理图像，所以只能通过函数调用操作图像，如生成图像或目标检测等。tool use扩展了大型语言模型的能力。
关于planning（规划），对于未深入接触过规划算法的人来说，可能会觉得ChatGPT等AI技术令人惊叹。实际上，规划算法同样令人印象深刻。在现场演示中，即使AI智能体偶尔失败，它们也能迅速重新规划路径，这同样令人惊叹。例如，在HuggingGPT论文改编的例子中，AI智能体可以根据指令生成一张女孩看书的图像，其姿态与给定男孩图像中的姿态相同。这一过程中，首先确定男孩的姿态，然后找到合适的模型提取姿态。接着，使用姿态图像模型生成女孩的图像，再使用图像-文本模型得到描述，最后使用文本转语音模型读出描述。这一系列操作展示了AI智能体在规划方面的强大能力。
我们已有 AI 智能体，尽管它们可能挑剔且并非总是可靠，但当它们有效时，效果惊人。使用智能体循环，有时可以解决前期问题。我使用研究智能体处理部分工作，避免长时间的谷歌搜索。多智能体协作模式特别有趣，效果超乎想象。ChatDev 是多智能体系统的一个开源实例，可以扮演不同角色并协作。虽然结果有时不尽如人意，但技术正在改进。此外，多智能体辩论也能带来更好的性能。因此，多个 AI 智能体共同工作是一种强大的设计模式。
总结一下，这些是我看到的模式。我认为如果我们在我们的工作中使用这些模式，我们中的很多人可以很快获得实践上的提升。我认为智能体推理设计模式将会非常重要。这是我的简要 PPT。我预计，今年 AI 能做的事情将大幅扩展，这得益于智能体工作流。
人们往往期望在输入提示后立即得到结果，这是人性使然。然而，对于许多AI智能体工作流，我们需要学会分配任务并耐心等待它们的回应，即使可能需要几分钟或几小时。此外，快速生成大量token对于迭代和优化AI智能体至关重要。尽管使用质量稍低的大模型可能带来争议，但快速生成更多token仍然可以带来良好的结果。
我期待着Claude 4、GPT-5和Gemini 2.0等出色的大模型，我感觉，如果你期待在 GPT-5 上运行你的任务，以零样本的方式，你可能在一些 AI 智能体应用上可以接近那个水平的性能，这可能超乎你的想象，有了智能体推理，再加上之前发布的大模型。我认为这是一个重要的趋势。
通往AGI的道路更像是一段旅程而非目的地，而智能体工作流可以帮助我们在这漫长的旅程中向前迈进。