一、背景
吴恩达在《What’s next for AI agentic workflows ft》分享中提出 AI 智能体的四种模式。
反思（Reflection）： LLM 检查自己的工作，以提出改进方法。
使用工具（Tool use）：LLM 拥有网络搜索、代码执行或任何其他功能来帮助其收集信息、采取行动或处理数据。
规划（Planning）：LLM 提出并执行一个多步骤计划来实现目标。
多智能体协作（Multi-agent collaboration）：多个 AI 智能体一起工作，分配任务并讨论和辩论想法，提出比单个智能体更好的解决方案。
二、介绍
1. 反射（Reflection）
- 定义：反射模式允许AI代理自我审视其产出，评估正确性、效率和构造质量。通过这种方式，AI能够识别并修正自身产出中的错误，从而提高最终产物的质量。
- 应用实例：一个典型的应用是代码编写。AI首先生成代码，然后再次审视这段代码，检查是否有逻辑错误或可以优化的地方，并据此进行修改。这种自我修正的过程可能循环进行多次，直到代码达到预期的标准。
2. 多工具使用（Tool Use）
-
定义：这种模式指的是AI代理能够利用多种工具和资源来完成任务，例如进行网络搜索、调用其他软件接口等。这扩展了AI的能力，使其不仅限于单一任务或领域。
-
应用实例：在处理需要外部信息或特定领域工具的任务时，AI代理可以先识别出所需的工具或信息源，然后获取并应用这些资源来完成任务。比如，生成一段代码前，先通过网络搜索相关的算法或逻辑。
3. 计划算法（Planning）
-
定义：计划算法使AI代理能够设计一系列有序的步骤来解决复杂问题，这通常涉及到前瞻性思维和策略规划。
-
应用实例：AI代理可以根据给定的目标自动规划出实现路径，比如在开发一个新项目时，AI能够规划出研究、设计、编码、测试等一系列步骤，并自动执行这一计划，甚至在遇到问题时重新规划以绕过障碍。
4. 多代理合作（Multi-agent Collaboration）
-
定义：这种模式涉及到多个AI代理相互协作，每个代理可能负责不同的任务或扮演不同的角色，通过协作来解决问题或完成任务。
-
应用实例：在软件开发的场景中，一个AI代理可能扮演项目经理的角色，负责规划项目和分配任务，另一个AI代理扮演开发者角色，负责编写代码，还有的AI代理可能专注于测试和代码审查。这些代理通过相互协作，能够自动完成一个软件开发项目。
每种设计模式都体现了AI代理工作流在提高任务处理效率、增强问题解决能力方面的潜力，预示着AI技术在复杂任务处理和自动化方面的未来发展方向。
三、对未来的预测与挑战
吴教授预测，智能体工作流将在未来几年内极大扩展 AI 的能力边界。他强调了快速的 token 生成的重要性，认为这将支持更有效的迭代和改进过程。同时，他提到了对于即时反馈期望的调整，指出在使用AI智能体工作流时，我们需要学会耐心等待。
参考资料：
- 《What’s next for AI agentic workflows ft》
- https://www.deeplearning.ai/the-batch/issue-242/
