最近，斯坦福大学举办了一场关于 Agentic AI 的网络研讨会，探讨了什么是 Agentic 语言模型（Agentic LM），以及它们在实际中的应用方式。讲座内容涵盖了语言模型的基本概览、常见限制，以及提升模型智能性的设计模式，如反思（Reflection）、规划（Planning）、工具使用（Tool Usage）和迭代调用（Iterative Usage）等。此外，还会介绍 RAG（检索增强生成）技术在智能体应用中的角色。
📌 本次研讨会主要内容包括：
-
LLM 概览与局限性
-
Agentic LLM 的核心设计理念
-
工具使用与 RAG 技术
-
如何通过反思与规划增强 LLM 智能
👤 演讲者介绍：Insop Song
现任 GitHub Next 的首席机器学习研究员，曾在微软专注于将大语言模型用于提升工程师的工作效率。他开发过多个与代码、文档和 AI 自动化相关的项目，现为斯坦福在线 AI 专业课程的开发者与讲师。
如果你没时间或者是没条件观看整个视频，别担心，我已经为你总结了其中的关键内容。
🔍 什么是 Agentic AI？
传统的语言模型主要用于预测下一个词语，而 Agentic AI 则更进一步，赋予模型推理、检索、行动和反思的能力。换句话说，它们不再只是“复读机”，而是可以自主完成任务的智能体。
🧩 从预训练到指令跟随
LLMs 的训练分为两个阶段：
1. 预训练：模型在大量文本数据上学习语言结构。
2. 后训练：通过指令微调和人类反馈强化学习（RLHF），使模型更好地理解和执行人类指令。
这种训练方式使得模型不仅能生成语言，还能理解上下文和意图。
🎨 提示工程：与模型对话的艺术
与 LLM 互动不仅仅是提出问题，更像是编写乐谱，引导模型演奏出你想要的旋律。有效的提示包括：
-
清晰的指令：明确告诉模型你的需求。
-
示例提供：通过提供示例来指导模型的输出格式。
-
思维链（Chain of Thought）：引导模型逐步推理，得出答案。
-
逐步提示：将复杂任务分解为多个步骤，引导模型逐步完成。
这种方法可以显著提高模型的准确性和实用性。
🛠️ 工具使用：打破模型的限制
LLM 本身无法访问实时信息，但通过集成外部工具，它们可以：
-
获取最新数据：如天气、新闻等。
-
执行代码：运行脚本，处理数据。
-
访问数据库：检索和更新信息。
这使得模型能够完成更复杂、更实用的任务。
🤖 Agentic AI 的实际应用
Agentic AI 已在多个领域展现出其潜力：
-
客户服务：自动处理退款、查询订单等。
-
研究助理：帮助搜索、总结和整合信息。
-
编程助手：自动调试代码、生成测试用例，甚至提交到 GitHub。
这些应用表明，Agentic AI 正在逐步改变我们的工作方式。
🧠 设计模式：让智能体更聪明
为了提升 Agentic AI 的能力，研究人员引入了多种设计模式：
-
规划（Planning）：让模型先制定计划，再执行任务。
-
反思（Reflection）：模型评估自己的输出，进行自我修正。
-
工具使用（Tool Use）：集成外部工具，扩展模型功能。
-
多智能体协作（Multi-Agent Collaboration）：多个模型协同工作，完成复杂任务。
这些模式使得 Agentic AI 更加灵活和高效。
📌 总结
Agentic AI 代表了人工智能发展的新阶段，使模型具备了更强的自主性和适应性。通过合理的训练、提示设计和工具集成，LLM 正在从语言生成器转变为智能体，广泛应用于各个领域。
如果你对 Agentic AI 感兴趣，建议观看斯坦福的完整研讨会视频，深入了解这一领域的最新进展。
https://www.youtube.com/watch?v=kJLiOGle3Lw加入星球获取提示工程、RAG和Agent开发实践教程。
（文：PyTorch研习社）