吴恩达谈 Agent 4个模式：Agent 工作流可实现 GPT-3.5 >GPT-4

今年 Sequoia 的 AI Ascent 2024 大会探讨了 AI 的很多方面，在前面一篇文章《红杉 AI 大会：AI 最大的机会之一，是用软件取代服务》中，分享了 Sequoia 三位合伙人 Sonya Huang、Pat Grady 以及 Konstantine Buhler 对目前 AI 的看法。

在今天这篇文章中，主要分享一下 Andrew Ng（吴恩达）在 AI Ascent 2024 大会上关于 AI Agent 的观点。

在这个分享中，吴恩达说的一个事实/观点非常有意思，那就是流程化 Agent（Agent 工作流）的价值被大大低估了，基于 GPT-3.5 构建的 Agent 工作流在实际应用中的表现比 GPT-4 更好。

吴恩达说，智能体 Agent 工作流不是让 LLM 大模型直接生成最终输出，而是多次提示 LLM，使其有机会逐步构建更高质量的输出。

另外，吴恩达谈了 4 种 Agent 的模式：反思（Reflection）、使用工具（Tool use）、规划（Panning）以及多智能体协同（Multi-agent collaboration）。

这很有我在 SaaS 里说的协同带来的价值那种感觉，协同在 AI 时代或许仍然非常重要，只不过是将人更多换成了 AI Agent 而已，而我猜测 AI+Human 协同可能会是未来长期的一个状态。下面是吴恩达分享的全文：

我今天很高兴与大家分享我对 AI Agent 的看法，我认为这是一个令人兴奋的趋势，所有从事 AI 开发的人都应该关注。目前，大多数人使用语言模型的方式是非 Agent 式的工作流，即输入提示，生成答案，就像让一个人从头到尾写一篇文章，中间不能使用退格键。尽管这很难，但语言模型完成得非常好。

相比之下，Agent 式工作流是这样的：让 AI 编写文章大纲，看是否需要做一些研究，然后写初稿，阅读初稿并思考哪些部分需要修改，然后修改草稿，如此反复。这个工作流程更加迭代，在其中你可能让语言模型做一些思考，然后修改文章，然后做更多的思考，如此迭代多次。

令人惊讶的是，Agent 式工作流能够带来非常好的结果。我自己在使用这些 Agent 工作流时也感到非常吃惊，它们的效果出乎意料的好。我的团队使用一个名为 HumanEval 的编码基准测试数据进行了一项案例研究，这个基准测试包含一些编码问题，比如给定一个整数列表，返回所有偶数位置上元素的总和。

如果你使用 GPT-3.5 进行 zero-shot 提示，正确率为 48%，GPT-4 则达到了 67%。但如果你基于 GPT-3.5 使用 Agent 式工作流，实际上会比 GPT-4 做得更好。如果你在 GPT-4 使用这种类型的工作流，效果也会非常好。你会注意到，使用 Agent 工作流的 GPT-3.5 实际上优于 GPT-4，我认为这对我们如何构建应用程序有重大影响。

Agent 是一个经常被提及的术语。有很多咨询报告谈论 Agent 是 AI 的未来等等，我想更具体地与大家分享我在 Agent方面看到的一些广泛的设计模式。这是一个非常混乱、不确定的领域，有大量的研究和开源项目。尽管如此，我还是尝试对 Agent 的发展进行了更具体的分类。

AI Agent 的四种模式

反思（Reflection） 是一个我认为我们都应该使用的工具，因为它确实有效，但我认为它还没有得到广泛的认可。规划（Planning）和多智能体协同（Multi-agent collaboration） 目前还处于新兴阶段，当我使用它们时，有时会对它们的表现感到震惊，但至少在目前，我觉得还不能让它们稳定工作。

接下来，我将通过几页幻灯片来介绍这四种设计模式。如果你们中有人回去让你的工程师使用这些模式，我认为你会很快获得生产力的提升。

1.关于反思（Reflection），举个例子，假设你要求系统为你编写一个给定任务的代码。然后我们有一个 Coder Agent，它本质上就是一个语言模型，你提示它编写类似 def do_task() 这样的函数。

自我反思的一个例子是，如果你用与刚刚生成的代码完全相同的代码提示语言模型，然后说"请仔细检查代码的正确性、健全性、效率和良好的结构"。

事实证明，你提示编写代码的同一个语言模型可能能够发现问题，比如"第 5 行有一个 bug，可以通过做 xxx 来修复"，如果你现在把它自己的反馈再次提供给它并重新提示，它可能会提出一个比第一版更好的版本 2 代码。这并不能保证，但在很多应用中，它经常能奏效，值得一试。

如果你让它运行单元测试，如果没通过单元测试，就问它为什么没通过，进行对话，找出没通过单元测试的原因，然后尝试修改一些东西，提出版本 3 的代码。顺便说一下，对于那些想更多地了解这些技术的人，我对它们感到非常兴奋。对于这四个部分中的每一个，我在底部都有一个推荐阅读的小节，希望能提供更多的参考资料。

再次说一下多智能体协同（Multi-agent collaboration）。我把它描述为一个单一的 Coder Agent，你提示它与自己进行对话。这个想法的一个自然演变是，不是一个单一的代码 Agent，而是可以有两个 Agent，一个是 Coder Agent，另一个是 Critic Agent。

它们可以是相同的基础语言模型，但你以不同的方式提示它们，比如对其中一个说"你是专业的程序员，请编写代码"，对另一个说"你是专业的代码审查员，请审查这个代码"。这种类型的工作流实际上很容易实现，我认为这是一种非常通用的技术，适用于很多工作流程，这将显著提高语言模型的性能。

2.第二个设计模式是使用工具（Tool use）。我们已经看到基于语言模型的系统使用工具的例子，左边是 GitHub Copilot 的截图，右边是我从 GPT-4 中提取的内容。但是今天的语言模型，如果你问它"什么是最好的咖啡机"，它会进行网络搜索。

对于一些问题，它会生成代码并运行代码。事实证明，有很多不同的工具被用于分析、收集信息、采取行动和提高个人生产力。

有趣的是，早期关于工具使用的许多工作似乎都源于计算机视觉领域，因为在大型语言模型出现之前，它们无法处理图像。因此，唯一的选择是让语言模型生成一个可以操作图像的函数调用，比如生成图像或进行目标检测等。

所以如果你真的看一下文献，有趣的是，在工具使用方面的大量工作似乎都源于视觉领域，因为在 GPT-4 等出现之前，语言模型对图像是盲目的。这就是使用工具，它扩展了语言模型的能力。

3.关于规划（Planning），对于那些还没有大量使用过规划算法的人，我觉得很多人都谈论过 ChatGPT 时刻，觉得"哇，从未见过这样的东西"。

我想，如果你没有使用过规划算法，很多人会有一种"AI Agent，哇，我无法想象 AI Agent 能做到这一点"的感觉。我举办过现场演示，有时候某些东西失败了，AI Agent 绕过了这些失败。实际上，我有过很多这样的时刻，感到"哇，真不敢相信我的 AI 系统刚刚自主地做到了这一点"。

举个我从一篇 HuggingGPT 论文中改编的例子。比如你说"有一幅女孩正在读书的通用图像，让图像中的女孩摆出与男孩相同的姿势。Jack，请为你的声音描述新的图像"。

给出这样一个例子，今天我们有 AI Agent 可以做，首先要确定男孩的姿势，然后可能在 Hugging Face 上找到合适的模型来提取姿势。接下来需要找到一个姿势图像模型来合成一张女孩的图片，遵循指令，然后使用图像到文本的转换，最后使用文本到语音的转换。

今天，我们实际上有 Agent，我不想说它们工作得很可靠，它们并不总是奏效，但当它奏效时，实际上相当惊人。使用 Agent 循环，有时你也可以从早期的失败中恢复。所以我发现自己已经在使用研究 Agent 来完成我的一些工作，比如一项研究工作，我不想自己去 Google 搜索，花很长时间，我会把它发送给 Research Agent，几分钟后回来看看它提出了什么，有时它奏效，有时不奏效，但这已经是我个人工作流程的一部分了。

4.最后一个设计模式是多智能体协同（Multi-Agent collaboration），这是一件有趣的事情，但它的效果比你想象的要好得多。

如下图，左边是一篇名为 ChatDev 的论文的截图，它是完全开源的。你们许多人可能看过令人眼花缭乱的社交媒体公告，演示了 DeepMind 的AI 编码助手。ChatDev 是开源的，可以在我的笔记本电脑上运行。

ChatDev 所做的是多 Agent 系统的一个例子（详细查看我之前的文章《由 7 个 Agent 组成的公司，7 分钟完成了一个游戏的开发》），你提示一个语言模型，有时扮演软件公司的 CEO，有时扮演设计师，有时扮演产品经理，有时扮演测试人员。你通过提示语言模型告诉他们"你现在是CEO，你现在是软件工程师"，建立了一群 Agent，它们协作并进行广泛的对话。

所以如果你告诉它"请开发一个游戏，开发一个 GUI 游戏"，它们实际上会花几分钟编写代码，测试代码，迭代，然后生成一个非常复杂的程序。它并不总是奏效，我有时使用它，有时它不奏效，有时它令人惊叹，但这项技术确实在不断进步。

事实证明，让不同的 Agent 进行辩论，例如让 ChatGPT 和 Gemini 互相辩论，实际上也会带来更好的表现。所以让多个模拟的 AI agent 协同工作已经成为一个强大的设计模式。

总结一下，我认为这些是我看到的模式，如果我们在工作中使用这些模式，我们中的许多人都可以很快得到生产力的提升。我认为 Agent 推理设计模式将很重要，我预计今年 AI 能做的事情将因 Agent 工作流而大大扩展。

让人们难以适应的一点是，当我们提示语言模型时，我们希望立即得到响应。事实上，十年前，当我在 Google 参与有关大型搜索框的讨论时，你输入一个长长的提示，其中一个原因是，当你做网络搜索时，你希望在半秒钟内得到响应，这是人性，我们喜欢即时的反馈。

但对于许多 Agent 工作流，我认为我们需要学会将任务委托给 AI Agent，并耐心等待几分钟，甚至几个小时才能得到响应。就像我看到很多新的产品经理把一些事情交给别人，然后过一些时间来检查一样，这可能并不高效。我想我们也需要对我们的一些 AI Agent 做同样的事情。

另外，快速的 Token 生成也很重要，因为在这些 Agent 工作流中，我们反复迭代，语言模型为自己生成 Token 以供阅读。能够以比任何人阅读都快得多的速度生成 Token 是非常棒的。

我认为，从一个稍低质量的语言模型快速生成更多 Token，可能比从一个更好的语言模型慢速生成 Token 产生更好的结果。这可能有点争议，因为它可能让你绕过这个循环更多次，有点像我在第一张幻灯片上展示的带有 Agent 架构的 GPT-3 的结果。

我非常期待 Anthropic 的 Claude、GPT-5、Gemini 2.0 以及你们许多人正在构建的所有其他精彩模型。我有一部分感觉是，如果你期待在 GPT-5 上运行你的 zero-shot 任务，通过在一个更弱的模型上使用 Agent 推理可能会比你想象的更接近那个性能水平，我认为这是一个重要的趋势。

老实说，通往 AGI 的道路感觉更像是一段旅程，而不是一个目的地。但我认为这种类型的 Agent 工作流可以帮助我们在这个非常漫长的旅程中向前迈进一小步。

Memo: Signal, not noise!

扫码或点击「阅读原文」继续阅读更多内容

腾讯参投的音频版 Netflix 快速崛起，1.5 亿美金 ARR 估值超10 亿美金