课程系统地介绍了Agentic AI的概念、价值、构建方法及核心设计模式。吴恩达开篇定义了Agentic AI工作流，即LLM通过执行多步骤、迭代式的过程来完成复杂任务，相比单次提示能产生更优质的结果。他强调了Agentic系统具备不同程度的自主性，从步骤固定的低自主性代理到能自主决策步骤序列的高自主性代理。

课程的核心在于教授如何构建有效的Agentic应用，其关键技能包括：

1. 任务分解：将复杂任务拆解为可由LLM或工具执行的离散步骤。
2. 严格评测与错误分析：通过端到端评测、组件级评测以及检查中间输出来驱动系统迭代和改进。
3. 应用设计模式：利用反思、工具使用、规划和多代理协作这四种主要模式来组合构建模块，形成强大的工作流。

Agentic AI的主要优势在于能显著提升任务性能（甚至超过模型本身升级带来的增益）、通过并行处理加速任务执行，并得益于模块化设计便于组件的更换与升级。课程通过研究代理、发票处理、客户服务等多种应用实例，说明了Agentic AI的广泛适用性和巨大潜力，并指出掌握其构建技能是当前AI领域最重要和最有价值的技能之一。

---

分章节总结：

第一章：欢迎 (welcome)

• 核心内容：课程引言与Agentic AI的价值定位。
• 关键知识点：

• 术语起源：吴恩达提出“Agentic”一词来描述AI应用构建的重要趋势，但该术语后来被市场过度炒作。
• 实际价值：尽管存在炒作，基于Agentic AI构建的真正有价值的应用正在快速增长。
• 课程目标：展示构建Agentic AI应用的最佳实践，这将为开发者开启新的机会。
• 应用场景：客户支持代理、深度研究、法律文档处理、医疗诊断建议等。
• 核心技能： disciplined development process（严格的开发流程），特别是专注于评测（evals）和错误分析（error analysis）。

第二章：什么是Agentic AI (what-is-agentic-ai)

• 核心内容：定义Agentic AI工作流及其优势。
• 关键知识点：

• 与传统LLM使用的对比：传统方式是单次提示生成完整内容（如一篇论文），而Agentic工作流是多步骤、迭代式的过程（例如：先写大纲→研究→写初稿→反思修订）。
• 工作流定义：一个基于LLM的应用程序执行多个步骤来完成一项任务。
• 核心技能：学习如何将复杂任务（如写论文）分解为更小的步骤，由Agentic工作流逐步执行。
• 运行示例：研究代理 (research agent)，能够规划研究、搜索网页、综合发现、起草大纲、编辑审查并生成最终报告。

第三章：自主程度 (degrees-of-autonomy)

• 核心内容：阐述Agentic系统的是指具有不同程度的自主性，而不是简单的是或者否。
• 关键知识点：

• 术语选择：使用形容词“Agentic”是为了避免关于“何为真正Agent”的无谓争论，承认系统可以具有不同程度的自主性。

• 自主性程度：

  1. 低自主性代理：步骤序列由程序员预先硬编码确定，大部分自主性仅体现在LLM生成的文本上。

  2. 高自主性代理：LLM自主决定执行任务的步骤序列，甚至可以编写新函数或创建新工具。

  3. 半自主性代理：介于两者之间，可以做出一些决策、选择工具，但工具通常是预定义的。

• 图示规范：用户输入、LLM调用、工具/软件调用。

第四章：Agentic AI的优势 (benefits-of-agentic-ai)

• 核心内容：详细说明使用Agentic工作流带来的主要好处。
• 关键知识点：

• 1. 性能提升：数据表明，在编码基准测试（Human Eval）中，将GPT-3.5置于Agentic工作流中，其性能提升幅度甚至超过了从GPT-3.5到GPT-4的模型代际提升。

• 2. 并行处理：可以并行执行某些任务（如同时下载多个网页），比人类顺序处理快得多。

• 3. 模块化设计：允许轻松**更换或升级**工作流中的各个组件，如不同的LLM模型、搜索引擎、新闻搜索工具等。

第五章：Agentic AI应用 (agentic-ai-applications)

• 核心内容：列举不同复杂度的Agentic AI应用实例。
• 关键知识点：

• 相对简单的应用（有清晰流程）：1）发票处理：PDF转文本 → LLM识别是否为发票并提取关键字段 → 更新数据库。2）基础客户订单查询：提取关键信息 → 查询订单数据库 → 起草回复（供人工审核）。

• 更具挑战性的应用（步骤不预先确定）：1）通用客户服务代理：需要LLM自行规划步骤序列（如查询库存、验证购买记录、检查退货政策）。

• 前沿研究领域：1）计算机使用代理：代理使用Web浏览器自主导航网站以完成复杂任务（如查询航班）。目前仍不可靠，但是重要的未来发展方向。

• 应用难度因素：1）较易：有清晰的逐步流程、仅处理文本。2）较难：步骤未知需实时规划、需要处理多模态输入（声音、视觉等）。

第六章：任务分解 (task-decomposition)

• 核心内容：讲解如何将复杂任务分解为可由Agentic工作流执行的离散步骤。
• 关键知识点：

• 分解方法：反思人类如何执行该任务，并将其分解为多个步骤。
• 可行性检查：对每个分解出的步骤，问自己：“这个步骤能否通过LLM、一段代码、一个API调用或一个工具来实现？”
• 迭代过程：初始分解 → 实施并评测结果 → 若结果不佳，则进一步分解有问题的步骤。
• 构建模块：1）AI模型：LLMs/LMMs、专用AI模型（如PDF转文本）。2）软件工具：各种API（网络搜索、天气、邮件）、信息检索工具（数据库、RAG）、代码执行工具。

第七章：评测 (evaluation-agentic-ai-(evals))

• 核心内容：强调评测（Evals）和错误分析对于构建有效Agentic工作流的关键作用。
• 关键知识点：

• 核心重要性：进行严格评测的能力是区分高效与低效开发者的关键。

• 评测方法：1）发现问题：先构建工作流，然后手动检查其输出，找出不满意之处。2）客观指标评测：对于明确的标准（如“是否提及竞争对手”），可以编写代码自动检查。3）LLM作为裁判：对于更主观的标准（如“文章质量”），可以使用另一个LLM来评测输出。

• 评测类型：1）端到端评测：衡量整个代理的最终输出质量。2）组件级评测：衡量工作流中单个步骤的输出质量。

• 错误分析：检查中间输出（痕迹）以找出改进点。

第八章：Agentic设计模式 (agentic-design-patterns)

• 核心内容：介绍构建Agentic工作流的四种关键设计模式。
• 关键知识点：

• 1. 反思：让LLM检查自己的输出（或结合外部反馈，如代码运行错误）并进行改进。可以扩展到多代理协作，例如一个“编码代理”和一个“评价代理”。
• 2. 工具使用：为LLM提供可调用的函数（工具），如网络搜索、代码执行、数据库查询、与生产力应用交互等，极大地扩展其能力。
• 3. 规划：LLM自主决定完成任务所需的步骤序列（通常是API调用序列）。更难控制，但有时能产生出色结果。
• 4. 多代理协作：模拟一个由多个具备不同角色的代理（如研究员、营销员、编辑）组成的团队，协作完成复杂任务。更难控制，但可能产生更好的结果。### 那么，如何系统的去学习大模型LLM？

作为一名深耕行业的资深大模型算法工程师，我经常会收到一些评论和私信，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题啊，也不是三言两语啊就能讲明白的。

所以我综合了大模型的所有知识点，给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。

由于篇幅有限，⚡️ 朋友们如果有需要全套 《2025全新制作的大模型全套资料》，扫码获取~

👉大模型学习指南+路线汇总👈

我们这套大模型资料呢，会从基础篇、进阶篇和项目实战篇等三大方面来讲解。

👉①.基础篇👈

基础篇里面包括了Python快速入门、AI开发环境搭建及提示词工程，带你学习大模型核心原理、prompt使用技巧、Transformer架构和预训练、SFT、RLHF等一些基础概念，用最易懂的方式带你入门大模型。

👉②.进阶篇👈

接下来是进阶篇，你将掌握RAG、Agent、Langchain、大模型微调和私有化部署，学习如何构建外挂知识库并和自己的企业相结合，学习如何使用langchain框架提高开发效率和代码质量、学习如何选择合适的基座模型并进行数据集的收集预处理以及具体的模型微调等等。

👉③.实战篇👈

实战篇会手把手带着大家练习企业级的落地项目（已脱敏），比如RAG医疗问答系统、Agent智能电商客服系统、数字人项目实战、教育行业智能助教等等，从而帮助大家更好的应对大模型时代的挑战。

👉④.福利篇👈

最后呢，会给大家一个小福利，课程视频中的所有素材，有搭建AI开发环境资料包，还有学习计划表，几十上百G素材、电子书和课件等等，只要你能想到的素材，我这里几乎都有。我已经全部上传到CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

相信我，这套大模型系统教程将会是全网最齐全 最易懂的小白专用课！！