Module 1 · Agentic Workflows 入门
可复习 · 待写自己的解释本模块视频
DeepLearning.AI · Agentic AI（吴恩达） Module 1: Introduction to Agentic Workflows，共 7 节视频。每节看之前，先带着右边的问题：
| 视频 | 看完应该能回答 |
|---|---|
| What is agentic AI?（5 分钟） | agentic workflow 和直接问一次模型，差别在哪里？ |
| Degrees of autonomy（5 分钟） | 哪些步骤由人写死，哪些由模型决定？ |
| Benefits of agentic AI（4 分钟） | 多花几次调用，换来了什么？ |
| Agentic AI applications（7 分钟） | 哪些任务适合做成 agentic workflow？ |
| Task decomposition（8 分钟） | 怎样把一件事拆成可以执行、可以检查的步骤？ |
| Evaluating agentic AI (evals)（5 分钟） | 怎样知道它做得好不好，问题出在哪一步？ |
| Agentic design patterns（7 分钟） | 四种设计模式各自解决什么问题？ |
视频标题和时长来自你 2026-10-31 的课程截图；“看完应该能回答”由 Claude 根据标题和课程内容整理。
重点
- Agentic workflow 是分多步完成任务的 AI 应用。 写文章时，不是让模型一口气写到尾，而是先列提纲、按需搜索、写初稿、再检查修改。每一步可能是一次模型调用，也可能是一次工具调用。
- 自主程度是连续的。 自主程度低：步骤和工具都由开发者写死。半自主：模型在给定的工具里做选择。自主程度高：模型自己决定走哪些步骤，甚至自己写新工具。吴恩达更愿意说一个系统有多 agentic，而不是争论它算不算 agent。
- 多走几步，通常换来更好的结果。 较弱的模型配上 agentic workflow，常常能胜过更强的模型直接作答。此外，可以并行处理多件事，也方便单独替换其中某一步。
- 任务拆解的标准是“这一步能做好吗”。 每一步都应该能由一次模型调用或一个工具完成；某一步总做不好，就继续拆。
- 先能评估，再谈改进。 能用代码判断对错的（比如有没有提到竞争对手），用代码检查；主观的，让模型按标准打分。读运行记录（trace），找到最先出错的那一步。
- 四种设计模式：Reflection（检查并改进自己的输出）、Tool use（调用外部工具）、Planning（模型自己定计划）、Multi-agent（多个角色分工协作）。后面每个模块讲一种或几种。
由 Claude 根据课程 Module 1 的 7 节视频、吴恩达对 agentic workflow 的公开讲解以及 Anthropic 的 Building effective agents 整理，2026-10-31。
难点
- agentic 不等于“全自动”。 发票处理那种步骤写死的流程，同样是 agentic workflow。自主程度越高，能力越强，也越难预测和控制。
- 多一步就多一次出错的机会。 步骤越多，耗时和费用越高，前一步的错误还会传给后一步。所以要在拆解的同时想好怎么检查每一步。
- 拆到多细没有固定答案。 依据是“这一步能不能稳定做好”，和模型能力、可用工具都有关，需要反复试。
- 最终答案对，过程也可能是错的。 只看最终结果的评估会漏掉问题，需要读 trace，看中间每一步。
由 Claude 根据上述材料整理；第 2、3 条是做 agentic 系统时的常见问题，不出自某一节视频。
动手看
吴恩达在第一节用写短文举例。下面是一次自主程度低的 agentic workflow（示意）：
先猜一下，再看参考答案。下面每个系统的自主程度是哪一档？
容易混淆的几个概念
| 概念 | 回答的问题 |
|---|---|
| Agentic workflow | 这件事分几步完成，每一步谁来做？ |
| 自主程度 | 步骤由人写死，还是由模型决定？ |
| 任务拆解 | 怎样把目标拆成能执行、能检查的步骤？ |
| Eval | 在一组任务上，它做得怎么样？ |
| Trace | 这一次运行，每一步具体发生了什么？ |
| 设计模式 | 有哪些可以复用的流程结构？ |
和四周实践的对应：自主程度对应 Week 3 · Human-in-the-loop；任务拆解对应 Week 2 · Agent Loop 与状态；evals 对应 Week 4 · Evaluation 与 Debugging。
来源
- 学习材料：DeepLearning.AI · Agentic AI（吴恩达） Module 1；课程大纲于 2026-10-31 在官网核对。
- 原问题来自 ChatGPT「AI知识问答」（2026-10-31，第 57、59 条消息）。ChatGPT 当时的回答未经核校，这一页没有直接使用。
- 重点、难点、示意流程、判断题和测验由 Claude 编写；示意流程是虚构的教学例子，不是真实运行的结果。