【agent】吴恩达谈 Agentic Workflows 的启示

最新推荐文章于 2025-09-15 23:39:19 发布
最新推荐文章于 2025-09-15 23:39:19 发布
阅读量25 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： AI入门与实战 文章标签： 人工智能 prompt 服务器 agent
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/commshare/article/details/151362543

Agentic AI: the rise of agents

  • December 18, 2024
    在这里插入图片描述

吴恩达谈 Agentic Workflows 的启示

在这里插入图片描述

背景

  • 传统大模型 → 输出不稳定、难以追溯
  • 工业级应用（MV、游戏开发） → 要求 稳定、可复查、可回放

吴恩达观点

在 Agentic Workflows（智能体工作流） 中，AI 要具备：

  1. 反思 (Reflection) → 审视和纠错
  2. 工具调用 (Tool Use) → 与外部系统连接
  3. 规划 (Planning) → 有序安排
了解本专栏 订阅专栏 解锁全文 超级会员免费看
从Agent进阶至Agentic，探索超越基础模型的下一代人工智能
2401_85375298的博客
10-26 790
与其争论哪些工作才算是真正的 Agent，不如承认系统可以具有不同程度的 Agentic 特性。” —— 吴恩达。
吴恩达：GPT-4+Agents Workflow，性能比肩GPT-5！
DEVELOPERAA的博客
05-31 1039
我们通常在ChatGPT中希望一次输入就能获得期望的结果，然而结果通常并不理想。我们会根据响应一次一次的提示ChatGPT修正答案，最终获得期望的输出。问题来了，我们是否可以将这种流程规范化呢？
吴恩达最新观点：LLM的下一个新兴方向是Agentic AI
datian1234的博客
01-24 705
最近，吴恩达老师在 deeplearning.ai平台上对LLM的发展演进做了一段精彩的分析，预测了LLM下一个新兴方向是朝着agentic workflows优化。 Agentic AI 是未来，正在路上。
全程干货，吴恩达BULIT2024演讲来了
qq_46094651的博客
12-18 967
全程干货，吴恩达BULIT2024演讲来了
吴恩达新年展望：AI 辅助开发的新机遇
m0_59164304的博客
01-09 1079
吴恩达的这篇新年文章，不仅是对AI辅助开发现状的深度剖析，更是对软件开发未来的深刻展望。在这个技术快速迭代的时代，保持学习的热情和实践的勇气，比掌握某个具体技术更为重要。未来的道路虽然充满挑战，但也充满了无限可能。让我们以积极的态度迎接这个AI辅助开发的新时代，在实践中不断探索，在探索中不断成长。正如吴恩达所说，在编程的世界里，最重要的不是是否能创造出改变世界的产品，而是在尝试的过程中获得的成长与快乐。
吴恩达谈AI未来：Agentic Workflow、推理成本下降与开源的优势
weixin_41496173的博客
08-25 1661
近年来，人工智能（AI）领域的发展势如破竹，然而随着技术的普及，市场也开始出现对AI泡沫的质疑声。2024年8月，AI领域的权威专家吴恩达（Andrew Ng）在与ARK Invest的对谈中，分享了他对AI产业发展的乐观看法，并重点讨论了Agentic Workflow的未来、训练与推理成本的下降，以及开源模型的优势。本文将详细解析吴恩达的访谈内容，展望AI领域未来的发展趋势。
林轩田-吴恩达机器学习笔记.pdf
09-22
林轩田和吴恩达的《机器学习基石》课程笔记详细地涵盖了机器学习领域的基础理论和核心概念。林轩田在课程中细致地讲解了机器学习中的关键问题，包括学习问题的本质、如何对Yes-No问题进行学习、不同类型的学习方法、...
吴恩达机器学习课后作业源码及笔记_机器学习_吴恩达_
10-01
吴恩达，这个名字在人工智能和机器学习领域如雷贯耳。作为全球知名的计算机科学家和教育家，吴恩达教授不仅在学术界有着举足轻重的地位，他所开设的在线课程也已成为世界各地学习者所追捧的宝库。尤其值得一提的是他...
58-深度学习吴恩达谈深度学习：数据科学家需要知道这些.docx
12-14
"吴恩达谈深度学习：数据科学家需要知道这些" 吴恩达（Andrew Ng）是一位著名的深度学习专家，他在2015年12月的ExtractConf上发表了演讲，谈论了数据科学家需要晓得的深度学习知识。在这篇文章中，我们将详细介绍吴...
Spring AI(五) 文生图，图生图（豆包）
zhuwei_clark的博客
09-14 322
首先，为啥不用Spring AI aibaba。是因为我现在运行的项目已经有，对于生图是有要求的，对比模型的话还是豆包和即梦在图片处理上更有优势。所以与其去改Spring AI aibaba，我就想的还不如改Spring AI咯。第一步就是重构OpenAiImageModel，这个怎么说呢，国内的大模型基本还是遵循OpenAI的规范。其实这里就是指定了下请求地址，因为框架里面有默认地址咯。
AI编程：重塑软件开发范式的实践与探索
zzywxc787的博客
09-15 427
本文系统探讨了AI在编程领域的三大核心应用：自动化代码生成、低代码/无代码开发和算法优化。通过技术分析、代码实例和流程图解，展示了AI如何通过自然语言处理生成完整代码、简化应用开发流程，以及优化算法性能。文章指出，AI辅助编程并非替代开发者，而是将其从重复性工作中解放，专注于更高价值的创造性和架构设计任务。同时，文章也分析了当前面临的代码质量、技术债等挑战，并展望了AI结对编程、自我调试修复等未来发展趋势。这种AI与开发者的协作新模式，正在重塑软件开发的范式，为技术民主化开辟新路径。
MiniMax - 稀宇科技推出的AI智能助手
qq_27346503的博客
09-12 985
如果你需要的是一个强大的 “数字员工” 来帮你处理各种创造性或重复性的工作，MiniMax 绝对是一个值得优先考虑的选择。MiniMax（上海稀宇科技）可不是个简单的聊天机器人，而是全球领先的 AI 技术公司，专攻万亿参数 MoE 架构，一手包办文本、语音、视频、音乐生成，堪称多模态全能选手。它既能陪你闲聊解闷，又能帮你写代码、做视频、分析股票，甚至一键生成完整可上线的 Web 应用，目标是让每个人都能零门槛用上 AI 超能力。⭐⭐⭐⭐⭐ (文、图、音、视频、音乐)⭐⭐⭐⭐ (GPTs, 自定义功能强)
OpenCV：指纹识别
2201_75607087的博客
09-14 1265
指纹系统的核心算法围绕 “特征提取（SIFT）+ 特征匹配（FLANN）SIFT 确保指纹特征在尺度、旋转变化下的稳定性，是匹配的 “基础”；FLANN 通过 K 近邻 + Lowe's 比率，快速筛选优质匹配对，是精度的 “保障”；多模板识别则通过 “遍历 + 最优筛选”，将单对匹配扩展到多用户场景。实际开发中，需根据指纹图像质量（噪声、分辨率）、设备算力、实时性要求，调整算法参数或替换算法，实现 “精度与速度” 的平衡。
强化学习一文通俗详解
mz159_357的博客
09-14 445
【摘要】强化学习通过用户反馈优化AI模型表现。当用户对AI回答点赞或点踩时，这些行为成为"奖励信号"：点赞促使模型重复优质回答，点踩帮助避免错误响应。强化学习系统包含智能体(模型)、环境(用户问题)、状态(具体问题)、动作(生成答案)和奖励(用户反馈)五个要素。完整的训练流程分为三个阶段：1)监督微调使模型掌握基础应答能力；2)训练奖励模型模拟人类偏好；3)通过强化学习算法(如PPO)持续优化模型参数。用户的每次反馈都在帮助塑造更智能的AI系统。
【开题答辩全过程】以 _基于协同过滤算法的室内设计项目推荐系统的设计与实现为例，包含答辩的问题和答案
shiji5078的博客
09-11 1218
本文介绍了一位14年经验的毕设指导专家，擅长多种编程语言和项目开发。重点展示了一个基于协同过滤算法的室内设计推荐系统毕设答辩过程，包括系统功能、技术实现、数据采集方案和关键问题应对策略。答辩中针对算法选择、冷启动、并发处理等专业问题进行了详细解答，并获得了评委的肯定。最后提供了毕设开题报告和源码获取建议，强调独立完成项目的重要性。
华新嘉华：企业抢占新赛道：GEO助力AI时代内容精准触达
huaxinjiahua的博客
09-11 718
GEO通过AI优化内容，实现精准触达，提升品牌权威性，成为数字营销新前沿。
打造高效Ray集群：从资源规划到配置文件实战
大模型大数据攻城狮的专栏
09-14 718
（比如TPU或NPU），此外还有一个独特的组件——
深度学习优化器进化史：从SGD到AdamW的原理与选择
高效做AI，就上Aladdin! 同学们用得起的H卡算力平台。
09-13 1037
在深度学习的宏伟殿堂中，优化器扮演着至关重要的角色，它如同模型的引擎，决定了学习过程的效率和最终性能。从最基础的随机梯度下降（SGD）到如今广泛使用的Adam及其变体，优化器的发展历程见证了深度学习领域的飞速进步。 优化器的核心任务是调整模型参数以最小化损失函数，这个过程看似简单，实则充满挑战：如何平衡收敛速度和稳定性？如何处理不同参数的不同学习需求？如何避免陷入局部最优或鞍点？这些问题推动着优化器技术的不断演进。 本文将深入探讨优化器的发展历程，从经典的SGD到现代的自适应优化器，通过理论分析、代码实
机器学习shap分析案例
最新发布
lzq6261的博客
09-15 321
在进行数据分析和机器学习时经常用到shap，本文对shap相关的操作进行演示。波士顿数据集。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

等风来不如迎风去

你的鼓励是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值