Agentic AI 工作流：不是一口气写完，而是分阶段完成
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.
Agentic AI 工作流：不是一口气写完，而是分阶段完成
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
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，本质上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
真正的难点不在于「会不会谈概念」，而在于：
- 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。
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：
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 的自主性不是非黑即白，而是一个连续光谱。
| 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