从「会回答问题」到「能完成任务」

——学习吴恩达 Agentic AI 课程的一些思考与体会

最近在系统学习吴恩达老师的 Agentic AI 课程。在此之前，我对大语言模型（LLM）的理解，更多停留在“更聪明的问答系统”“更强的 Copilot”这一层面。但随着课程的深入，我逐渐意识到：
Agentic AI 并不是在让模型“更聪明”，而是在让 AI “更像一个能做事的个体”。

这次学习，重新塑造了我对 AI 能力边界、工程形态以及未来软件形态的认知。

一、什么是 Agentic AI：不只是模型，而是“能行动的系统”

在传统的 LLM 使用方式中，AI 通常是一个被动响应者：

人提问 → 模型生成文本 → 结束

而 Agentic AI 的核心变化在于：
AI 不再只是“生成答案”，而是被赋予目标、记忆、工具和决策能力，从而能够持续推进一个任务。

从课程中的定义与示例来看，一个 Agent 通常具备几个关键特征：

有明确目标（Goal-driven）
不只是回答问题，而是为了“完成某件事”。
具备规划与分解能力
能将复杂目标拆解为多个子任务，并决定执行顺序。
可以调用工具（Tool Use）
如搜索、代码执行、API 调用、文件操作等。
拥有记忆（Memory）
能记住中间结果、历史状态，而不是每次都“失忆”。
可以自我反思与修正
当执行失败时，能调整策略而不是直接终止。

这让我意识到：

Agentic AI 更像是在构建“AI 工作者”，而不仅是“AI 聊天对象”。

二、为什么要使用代理式工作流：突破单次推理的天花板

课程中反复强调一个观点：
单次 Prompt + 单次输出，本质上限制了 AI 的能力上限。

很多复杂任务的问题并不在于“模型不够聪明”，而在于：

任务本身需要 多步决策
需要 反复尝试
需要 跨工具协作
需要 状态管理

例如：

写一个真实可用的系统设计文档
完成一个从需求分析到代码生成再到测试的流程
做一次复杂的数据分析并产出结论

这些任务，天然不是“一次生成”可以完成的。

代理式工作流（Agentic Workflow）带来的本质变化是：

把 AI 的工作方式，从「一次性输出」，升级为「持续推进任务的过程」。

这在工程上非常关键，因为它意味着：

AI 可以像人一样边做边想
可以接受中途反馈
可以在失败后重新规划
可以在复杂系统中承担“中间角色”

三、从“Prompt Engineering”到“System Engineering”

在学习 Agentic AI 之前，我更多关注的是：

Prompt 怎么写得更好
如何约束输出格式
如何减少幻觉

但这门课程让我明显感受到一个转变：

Agentic AI 的核心已经不再是“写 Prompt”，而是“设计系统”。

需要思考的问题变成了：

Agent 的职责边界是什么？
是单 Agent 还是多 Agent 协作？
每一步是否需要人类介入（Human-in-the-loop）？
哪些任务交给 AI，哪些必须由程序或人完成？
失败时如何兜底？

这让我联想到传统软件工程中的一些概念：

传统软件工程	Agentic AI
模块划分	Agent 职责拆分
状态机	Agent 状态管理
异常处理	Agent 自我修正
工作流引擎	Agentic Workflow

AI 不再是“外挂能力”，而是系统中的一等公民。

四、对个人学习与工程实践的启发

这门课给我的最大启发，并不是某一个具体框架或工具，而是思维方式的转变：

不要急着问“AI 能不能做”，而是先问“这个任务是否适合 Agent”
复杂任务，先拆工作流，再考虑模型能力
工程价值 > 模型参数大小
真正有价值的是“让 AI 把事做完”，而不是“生成得多像人”

作为一个偏 Web / 系统方向的学习者，这让我开始重新思考：

AI 是否可以作为“测试工程师 Agent”
是否可以构建“需求分析 Agent + 代码生成 Agent + Review Agent”的协作模式
如何让 AI 真正融入现有工程体系，而不是只做 Demo

五、结语：Agentic AI 可能是下一代软件的重要形态

Agentic AI 并不是一个“炫技概念”，它更像是：

当 LLM 能力达到一定阈值后，工程范式的必然升级。

从“工具”到“协作者”，
从“函数调用”到“目标驱动系统”，
从“人主导、AI 辅助”到“人监督、AI 执行”。

这门课让我更加确信：
未来真正有竞争力的，不是“会用 AI 的人”，而是“会设计 AI 工作方式的人”。

而 Agentic AI，正是这个方向上非常重要的一步。