吴恩达Agentic AI教程

从 API 调用到自主工作流：这门课填补的空白

大多数开发者构建 LLM 应用时，习惯停留在“输入提示词、输出文本”的线性模式。吴恩达这份 Agentic AI 教程的核心价值，在于系统地拆解了如何让模型从“被动问答”进化为“主动执行”。课程不教你怎么调用 ChatGPT API，而是聚焦于**智能体（Agent）的工程化构建**。它解决的根本问题是：当一个任务需要多步推理、工具调用和错误修正时，如何设计可靠的工作流？资料包中的模块清晰划分了从基础概念到高级模式的路径，特别是模块2的反射设计和模块5的规划工作流，是目前国内开源教程中较少深入讲解的实操内容。

内容结构与复用模块

课程采用模块化设计，适合按顺序但可跳跃学习。

- **模块1至3是基石**：重点掌握任务分解（模块1第6节）和工具语法（模块3）。这里会涉及如何定义工具、代码执行机制以及 MCP（Model Context Protocol）基础，这是后续所有复杂智能体的基础设施。
- **模块2的反射设计模式是亮点**：它解释了为何单次生成质量有限，并通过“生成-评估-修正”的闭环结构提升输出质量。这一模式可复用于代码生成、文档校对等多个场景。
- **模块4强调工程评估**：不同于理论课，这里详细讲解 evals（评估）、误差分析和组件级评估。这是将 Demo 转化为生产级应用的关键，涵盖了延迟和成本优化等实际痛点。
- **模块5延伸至高度自主**：探讨 LLM 自主规划和工作流执行，适合希望构建更复杂多步骤智能体的开发者。

适合人群与练习建议

本课程适合已熟悉 Python 和基础 LLM 调用、希望向 Agentic 架构转型的后端或全栈开发者。不需要你是 AI 算法专家，但需要具备独立调试代码的能力。

建议先看模块1的前几节建立概念框架，然后直接进入模块3学习工具创建，因为这是最贴近日常开发的部分。模块2的反射模式可作为进阶阅读。学完后，你应该能独立构建一个具备**多步任务处理、工具调用和自我修正能力**的智能体应用，而非简单的问答机器人。

配合练习时，请动手实现模块中的工作流示例，特别是尝试修改工具定义和调整反射阈值，观察对最终结果的影响。这份资料的价值在于提供了一套可落地的工程参考，建议对照代码实践，而非仅观看视频。