Agentic 设计模式

文章作者、来源：Andrew's Letters，DeepLearning AI

随着 LLM 的不断进化，它们直接完成复杂任务的能力也在不断变强。通过 zero-shot 或 few-shot 的简单 prompt，就可以让大模型生成高质量长文、总结长篇论文、生成和分析一长段代码等等。

但这都是相对单一的任务（尽管它很复杂）。如果需要更多的工作流程、反复的迭代、不同数据源的获取分析、调用不同的工具配合呢？LLM 直接完成的准确度就变低了很多，甚至不能完成。

这就是 AI Agent 的存在价值和发展方向，也是近期讨论很多的话题。吴恩达老师推出了一个关于「Agentic 设计模式」的系列文章，讲解了四个重点设计模式：

1. 反思（Reflection）

LLM 可以通过反思自己的行为而成为更有效的 Agent。利用 LLM 对输出的评价能力，提供评价上下文和反思建议，经过多次评价反思迭代后，输出质量更高的内容。

2. 工具使用（Tool Use）

LLM 拥有网络搜索、代码执行或任何其他功能等工具来帮助其收集信息、采取行动或处理数据。最新的 LLM 基本都具备工具使用能力，而 @langchain、@llama_index 等大模型开发框架也会提供更统一的工具使用接口，帮助开发者更容易地使用 LLM。

3. 规划（Planning）

LLM 可以提出并执行一个多步骤计划来实现目标（例如，撰写论文大纲，然后进行在线研究，然后撰写草稿，等等）。

4. 多智能体协作（Multi-Agent Collaboration）

多个 Agent 一起工作，分解任务并讨论和辩论想法，以提出比单个 Agent 更好的解决方案。@pyautogen、@crewAIInc 和 LangGraph 等新兴框架提供了丰富的方法来构建问题的多智能体解决方案。