让 AI 一口气写完一个功能,它每一段都在猜
Agentic AI workflow 的本质:把复杂任务拆成多个步骤,让 LLM 分阶段完成。从普通用法 vs Agentic 对比、研究代理案例、到自主性连续光谱——DeepLearning.AI 课程核心笔记。
Core notes from DeepLearning.AI's Agentic AI course: Agentic workflow breaks complex tasks into multi-step processes, contrasting with one-shot LLM usage. Covers research agent case study and the autonomy spectrum from low to high.

来源:DeepLearning.AI · Andrew Ng · Agentic AI 课程笔记
什么是 Agentic AI?
Andrew Ng 提出 agentic 这个词,是为了描述一种重要且增长极快的趋势:人们开始用新的方式构建基于 AI 的应用。
如果我们忽略炒作,真正有价值、能落地的 Agentic AI 应用确实在非常快地增长。它们已经被用来构建:
- 客服智能体
- 深度研究代理(撰写高质量研究报告)
- 复杂法律文档处理工具
- 医疗场景中的患者信息分析与辅助诊断系统
学会构建 Agentic AI 应用,已经成为当下 AI 领域最重要、也最有价值的能力之一。
普通用法 vs Agentic Workflow
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart LR
subgraph 普通用法
A1[用户提问] --> A2[LLM 一次性生成]
A2 --> A3[输出结果]
end
subgraph Agentic Workflow
B1[用户提问] --> B2[Step 1: 列大纲]
B2 --> B3[Step 2: 搜索资料]
B3 --> B4[Step 3: 写初稿]
B4 --> B5[Step 4: 审阅反思]
B5 --> B6{需要修改?}
B6 -->|是| B4
B6 -->|否| B7[Step 5: 定稿输出]
end普通用法:一口气写完
今天很多人使用 LLM 的方式是直接说:「请帮我写一篇关于 X 的文章。」
这就像要求一个人从第一句话写到最后一句,中间不能停下来、不能回头修改、不能按退格键。即便如此,大语言模型居然还能写得相当不错。这本身已经很厉害了。
Agentic Workflow:分阶段完成
采用 Agentic Workflow 后,整个过程变成:
- 先写一个文章大纲
- 判断是否需要联网做研究
- 搜索并下载相关网页
- 根据资料写出第一版草稿
- 回过头阅读这版草稿
- 判断哪些部分需要修改、哪些部分还需要补充研究
- 继续修订
- 如有需要,加入人工审核步骤
这个过程更像是真正写作者的工作方式:先想 → 再查 → 再写 → 再改 → 再想 → 再完善。
所谓 Agentic AI workflow,就是把复杂任务拆成多个步骤来完成。
核心能力:学会拆任务
真正的难点在于:
- 你怎么拆步骤?
- 每一步该怎么设计?
- 每一步由什么组件来完成?
- 步骤之间如何衔接?
这些都不是完全显然的,但它们正是你能不能做出高质量 agentic 应用的关键。
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart TD
T["复杂任务:写一篇好文章"] --> S1[Step 1: 定义主题]
S1 --> S2[Step 2: 列大纲]
S2 --> S3[Step 3: 搜索资料]
S3 --> S4[Step 4: 写初稿]
S4 --> S5[Step 5: 审阅反思]
S5 --> S6[Step 6: 修订定稿]
S5 -->|需要补充| S3案例:构建一个研究代理(Research Agent)
课程围绕一个持续出现的案例:构建一个研究代理。比如输入:「如果我想创办一家火箭公司,与 SpaceX 竞争,我需要知道什么?」
这个 agent 的工作流程:
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart LR
Q["研究主题"] --> P[Plan: 规划研究路径]
P --> S[Search: 调用搜索引擎]
S --> D[Download: 下载相关网页]
D --> F[Filter: 综合筛选发现]
F --> O[Outline: 起草报告大纲]
O --> R[Review: 编辑代理检查逻辑]
R --> M[Markdown: 生成最终报告]最终产出一份结构化的研究结果:引言 → 背景 → 关键发现 → 结论与建议。通过查找多个来源、下载真实资料、深度思考与综合,结果比直接对 LLM 说「帮我写篇文章」扎实得多。
Agentic AI 的自主性连续光谱
Agent 的自主性是一个连续光谱。
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart LR
subgraph 低自主性
L1[步骤由程序员提前定好]
L2[工具调用路径写死]
L3[模型只负责文本生成]
end
subgraph 半自主性
M1[在已有工具中自主选择]
M2[做部分局部规划]
M3[有限范围决定下一步]
end
subgraph 高自主性
H1[自己拆解任务步骤]
H2[自己决定调用哪些工具]
H3[自己决定是否需要新增工具]
H4[甚至可以写新函数]
end
低自主性 --> 半自主性 --> 高自主性| 类型 | 特点 | 稳定性 | 适用场景 |
|---|---|---|---|
| 低自主性 | 步骤固定、工具写死、模型只管生成 | ⭐⭐⭐ 高 | 标准化任务、企业落地首选 |
| 半自主性 | 在有限范围内自主决策 | ⭐⭐ 中 | 最常见的实用方案 |
| 高自主性 | 自己拆任务、选工具、甚至写新函数 | ⭐ 低 | 前沿研究、灵活性优先 |
重要洞察:不是越自主越好
很多人一提到 agent,就会自动想到那种「几乎像数字员工一样」的高自主系统。但现实里:
真正已经在企业中大量创造价值的应用,很多都在光谱偏左的位置。
很多低自主或半自主的系统已经非常有用,而且商业价值很高。它们通常更容易控制、更稳定、更容易落地。
构建 Agentic 系统的关键能力
真正擅长构建 agentic workflow 的人,和只是听过概念的人之间,最大的差距在于:
- ✅ 做好评测(evals)
- ✅ 做好错误分析(error analysis)
这两个能力,是构建高质量 agentic 系统的核心。
📚 来源:DeepLearning.AI · Agentic AI 课程 · Andrew Ng