如果你还在写提示词（Prompt），并期望AI能完成复杂的项目，那你一定也体会过各种无奈！未来谁能用好AI，不在于提示词工程 (Prompt Engineering)，而在于如何更好地编排智能体工作流 (Agentic AI Workflow)。
吴恩达这门课程，旨在教会你如何搭建一个能自我规划、使用工具、迭代改进的AI系统，真正让AI像有效的专家团队那样自主工作。本文将深入解读这门课程的核心内容，带你掌握构建Agentic AI系统的四大设计模式和实战工程化技巧。
一、为什么需要自主智能体 (Agentic AI)?
-
规划多步骤流程：将大任务拆解成可执行的小步骤。 -
迭代执行：在每一步执行后进行检查和改进。 -
自我优化：通过自我反思和工具使用来提升最终输出的质量。
反射 (Reflection) 允许AI评估自己（或其他AI）的工作并反馈结果，让AI系统自主迭代和自我改进。大白话讲，就是将AI生成的内容作为输入，给到（不同）AI进行审查并输出审查结果。
反射能基于预设标准，也可引入外部反馈（external feedback）。比如把AI生成的代码在外部运行，将运行结果与代码一起交给AI审核，能大大提高反射的准确性和可靠性。
-
步骤怎么分， 怎么编排？这不仅是技术问题，更是对业务知识和常识的考验。这也是AI时代对技术同事的新要求。课程中也提到对于部分场景，可交由LLM实时进行规划。 -
步骤间交付/传递什么？从效果来讲，代码 > JSON格式输出 > 自然语言
其中的要点在于如何设计多智能体系统间的沟通模式 (Communication patterns)，从而实现更高效、更深入的协作。课程中提到了四种方式：
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
课程中总结了一套简单的评估流程：
-
定义标准：明确什么是“好”输出，例如文本质量或数据准确性；
-
从小规模样本开始：先用 20~50 个样本快速发现问题，有时直接肉眼识别即可；
-
选择评估类型：客观评估 – 当任务有明确标准时，编写测试代码计算准确率；主观评估 – 用另一 LLM 根据评分标准打分，如图表是否有标题、是否使用合适的图表类型
此外，评估可分为端到端和组件级。端到端测试适合体验整套工作流，但成本高；组件级评估则更有针对性，有助于快速定位问题。
