Agentic AI
普通人的Agent开发感受，可以看看评论区
吴恩达 Agentic AI
Generative AI 一步获得输出 Input -> Memory/Reasoning -> Output，不能自主跨系统操作或根据用户反馈进行调整；Agentic AI 是一个工作流，可以加入 Planning / Tool Use / Decision Making / Feedback 等多个步骤模块
以 Deep Research 为例，它的流程可以拆解为以下模块：
LLM 接受用户输入，生成大纲
Loop:
LLM 针对大纲的部分，生成搜索关键词
API Web Search 获得网页内容
LLM 对搜索结果进行内容提炼，生成 Draft
LLM 检查 Draft 中的逻辑漏洞或信息缺失
若缺失，返回搜索阶段补足，或由Reviewer补全
工作流的优势在于可以组合各模型的长处、组合成新的功能（“像人一样拆解任务”），且对于一些耗时步骤可以并行处理（e.g.网页搜索）；它需要在自动化与灵活性之间进行权衡，因为AI并不一直准确、对于一些关键步骤还需要人工规范（e.g. 人为指定流程/用一个LLM灵活设计步骤，在系统提示词里指定工具库/由AI自行生成工具 ...）
Workflow Designs
一些流程设计技巧，用以提升最终输出的质量
e.g. 为什么 Reflection 流程的效果会比之间输出更好？因为在迭代中LLM接收了更多反馈和提示词样本，这比 Zero-Shot Prompting 更可控 --- 关于如何获得更好的（系统）提示词样本，建议参考优秀开源软件作者的示例写法？（简洁就行了）
Reflection --- 让 LLM自己/另一个LLM/用户/运行结果/... 评价输出，所得反馈可用于迭代的优化输出
（当然，考虑到步骤的额外消耗，一般也不会迭代太多次）
"Write code" → LLM → "Code" → LLM/Execute → "Suggest/ErrLog" or "Code Final"
↑
└─────────────────────────────────────────────┘
Tool use --- 开发者为LLM提供各种工具的API
Planning --- 由LLM决定一些功能的行动顺序，开发者无需硬编码操作流程；较难控制
Multi-agent collaboration --- 多个agent协调工作
根据测试结果（LLM Judge & 基于使用体验设计的硬指标 & Accuracy/Speed/...）的对比，决定是否选取某种设计
评估可以是：端到端 / by component 检测中间输出 且关注经常出现的错误类型
对于表现不良的步骤，优化操作：换参数/提示词，换工具、拆解任务、微调模型，加限制（e.g.规范输出格式，过滤上下文 -- 人工设置或LLM）
对于一些主观评价，推荐使用 LLM Judge (e.g.图片是否美观)；对于客观评价，建议为测试集提供标签、进行硬指标的评估
Trick: Use Servers
个人电脑不太可能跑得动大模型，但好在它们的 Server 一般会提供兼容 OpenAI 格式的 API（虽然付费），e.g. 申请一个 deepseek API-key，就可以调用模型
通常至少会有 python / curl / 前端框架（nodejs）的接口；不会编程的人也可以用Cherry Studio或在线chatbot体验一下不同模型的效果
以 python 为例：
from openai import OpenAI
client = OpenAI.Client(api_key = 'XXX', base_url = 'https://api.deepseek.com')
def show_stream(response):
for chunk in response:
print(chunk.choices[0].message.content) ## 打印模型的回复
# Round 1
response = client.chat.completions.create(
model="deepseek-chat",
messages=[
{"role": "system", "content": "You are a helpful assistant"}, ## 系统给模型的提示
{"role": "user", "content": "what is a basketball?"}, ## 用户的输入
],
stream=True ## 此例中设置流式输出，文档示例为非流式输出
)
show_stream(response)
# Round 2
response = client.chat.completions.create(
model="deepseek-chat",
messages=[
{"role": "system", "content": "You are a helpful assistant"},
{"role": "user", "content": "what is a basketball?"},
response.choices[0].message, ## 模型在之前回合的回复
{"role": "user", "content": "say more"}, ## 用户的新输入
],
stream=True
)
show_stream(response)
# Round ... 总之应该用一个list来保存这个chat的messages历史
鉴于 Token 的输入和输出都需要收钱，有些复用/转手多次的内容可以写在disk里、流程中传递文件地址即可（Memory）
Trick: MCP or exec Tools
课程中的工具 aisuite 整合了常见大模型的 API 接口，用法类似上文；同时它支持 Tools 的传递调用，可以由用户提供符合 OpenAI tool format 的代码、或由 MCP server 提供调用方法（见aisuite主页示例）
MCP 指某工具或数据源的统一访问标准（args/output 格式），例如 github-mcp-server Toolsets 可以提供查询动作 'get_me'
可以使用官方 SDK 自行构建 MCP Server/Client
除了提供工具库，也可以选择让大模型输出可执行的代码（"Return you answer as python code delimited with exec("CODE")
但这样无法保证安全，因为无法预料它对系统文件造成的影响，建议在sandbox中运行（docker/E2B）
Where to use
Claude 通常被用于 Vibe Coding，现在它也可以辅助生命科学的研究（论文搜索总结，ToolUniverse，10x数据的分析流程）
国内可以用npm安装Claude Code（或目前更常用的 codex CLI），但即使翻墙也有可能链接不了claude server；但是可以在CC中改用 MiniMax M2 --- 'API 配置 - 手动编辑配置文件'
然后，可以搜索示例在CLAUDE.md里设置各种系统提示词；但最简单的方法就是交互的聊几句，让Claude自己创建它：“我需要在claude中建立一个开发团队，包括产品经理、网页设计、开发工程师，帮我重新生成CLAUDE.md；其中CLAUDE.md作为开发团队的协调者，三个角色的提示放在各自单独的文档中” --- 于是生成：
vibe_coding/
├── CLAUDE.md # 开发团队协调者入口
└── .claude/
├── product-manager.md # 产品经理提示词
├── designer.md # 网页设计师提示词
└── engineer.md # 开发工程师提示词
命令行中呼唤相关角色，即可与虚拟AI员工交互
