声明：本篇博客是以吴恩达的【Agent智能体】教程为基础，并对其中的内容做了笔记整理以及个人收获的总结。

如图我们可以看到，为大语言模型引入**“代理（Agentic）工作流**，可以大幅提升其编写代码的能力！

• 基础模型能力有限（Non-agentic）：看左侧的绿点可以看出，在没有任何辅助机制的的“非代理”状态下，GPT-3.5 的准确率仅为 48%，而 GPT-4 虽然更强，但也只达到了 67%
• Agentic（代理）系统为大模型带来了巨大飞跃：右侧标注了“Agentic systems”（代理系统）。我们可以看到无论基础模型是 GPT-3.5 还是 GPT-4，当为其配备了反思（Reflection）、工具使用（Tools Use）、规划（Palnning）或多代理（Multiagent）等复杂工作流后，准确率都获得了爆发式增长，集中在 70% 到 95% 以上的区间

所以我们不难得出结论，“一般的模型+代理系统”，也可以战胜“强模型”，例如图中的搭载了代理工作流的 GPT-3.5，其表现远远超过了没有任何辅助的GPT-4（67%）。这说明在处理复杂编程任务时，优秀的系统工程和思维框架比单纯依靠底层模型的原始智力更重要。

工作流还有一个很重要的有点就是，可以并行执行：

Parallelization for speed（提高速度的并行化处理）展示了在构建 AI 智能体（Agent）工作流时，如何通过并行化（Parallelization）策略来大幅提升任务处理的速度和效率，图表以“写一篇关于黑洞的文章（Write an essay about black holes）”为例。

• 任务拆分与并行搜索 (3 parallel searches)
  • 接收到提示词之后，系统并没有让大模型（LLM）去执行单一的线性搜索，而是同时派生出 3 个平行的搜索任务。
  • 这三个并行的大模型节点可能会采用不同的关键词（例如：一个搜索“黑洞的形成”，一个搜索“黑洞的最新发现”，一个搜索“黑洞的物理特性”），从而在同一时间内获取更广泛的信息。
• 提取结果与并行抓取网页 (9 parallel web page downloads)
  • 每个并行搜索任务完成后，系统会从中分别提取排名前 3 的网页链接（Fetch top 3 results）。由于有 3 个搜索分支，总共会得到 9 个网页链接。
  • 系统随后派生出 9 个平行的 LLM + Web fetch（网页抓取） 节点。这意味着 AI 会在同一时刻并发地下载并阅读这 9 个不同的网页，而不是排队一个接一个地阅读。
• 最终汇总与内容生成 (Write an essay)
  • 这 9 个并行节点抓取并提取完网页内容后，将所有收集到的庞大信息流汇总到最后一个单一的大模型（LLM）节点中。
  • 最终的这个 LLM 根据前面所有并行节点收集来的丰富背景知识，综合提炼，写出最终关于黑洞的完整文章。

核心思想：用算力换时间。
如果按照传统线性方式，AI 需要“搜索 -> 读网页1 -> 读网页2 -> … -> 读网页9 -> 写文章”，这将耗费大量等待时间。
通过引入并行化架构，系统将搜索和阅读任务同时分发处理，使得原本可能需要几分钟才能完成的深度调研和写作任务，能够在几秒到十几秒内极速完成，极大地提高了 Agent 系统的运行效率。

总结一下代理工作流三大核心好处：

• 性能大幅提升 (Much better performance)
  • 工作流能让能力稍弱的模型（如 GPT-3.5）发挥出超越更强模型（如 GPT-4）的战斗力
• 远超人类的处理速度(Faster than humans because of parallelization)
  • AI 代理可以利用并行化（Parallelization）技术，在一秒钟内同时分发几十个子任务去搜索、抓取并阅读不同的网页
• 高度的模块化 (Modular: can add or update tools, swap out models)
  代理工作流就像玩乐高积木。
  • 更换大脑（模型）：如果今天推出了一个更便宜、速度更快的全新大模型，你随时可以把底层的旧模型拔掉，插上新模型，而不需要重新编写整个业务逻辑。
  • 更新武器（工具）：如果你的 AI 需要算账，你可以塞给它一个计算器工具；如果需要画图，就塞给它一个绘图 API。系统架构可以随着需求的变化，非常灵活地添加、删除或升级各种外部工具。

如果这篇文章对你有帮助，欢迎点赞、评论、关注、收藏。你们的支持是我前进的动力！