这份合集是吴恩达 DeepLearning.AI「Agentic AI」系列课程的精华笔记，帮你快速掌握 Agent 开发的核心逻辑。

学习建议:

• 重思维，轻代码： 这套课公认必学，核心价值在于传授“工程落地”的设计模式与迭代方向，这比单纯学写代码更重要。
• 先扫盲，再精读： 建议先了解我之前写的《Agent = LLM + 四大组件：一个公式讲清楚 AI Agent》，不必死磕基础，直接上手学构建方法。
• 搭配食用： 边看视频边对照本合集，吸收效率翻倍。

注：文中引用块内容为笔者个人学习观点，仅供参考；其余均为原课程干货梳理。

[Module 2] 反思设计模式

2.1 用反思提升任务输出

这节课讲的是怎么让AI像人写作文一样，先写初稿，然后自己回头看，挑毛病再改，反复几轮就能写出更好的东西。我个人观点这一节的核心就是这种"生成-检查-改进"的循环不是什么高深技术，但确实管用，最有效的还是结合外部真实反馈的那种。

将这一过程比作人类写作：我们写完初稿后，会回头阅读、发现问题（如模糊不清、拼写错误、遗漏署名），然后进行修改，最终得到一份更完善的文稿。

核心类比：人类反思 → AI 反思。这不仅是模仿，更是赋予 AI 一种自我优化的能力。

案例1：以写邮件为例

人类反思流程：从初稿到定稿

以 Ng 自己写给 Tommy 的邮件为例：

1. 初稿：问题1——模糊性，“next month” 不够具体；问题2——拼写错误，“fre” 应为 “free”；问题3——不完整，邮件没有署名
2. 反思与改进：改进点——明确了日期范围，修正了拼写错误，并添加了署名

AI反思流程：硬编码的"提示-反思"工作流

1. 第一阶段：生成初稿，向 LLM 发送一个初始提示，LLM 根据提示生成第一个版本的输出
2. 第二阶段：反思与改进，将第一版输出作为新的输入，再次发送给 LLM（可以是同一个模型，也可以是另一个专门用于推理的模型），这次的提示语会不同，要求其反思并写出改进版

关键点：这个流程是"硬编码"的，即工程师预先设计好整个步骤，而不是让模型自主决定何时反思。这是一种可靠且易于实现的工程化方法。

案例2：代码编写

基础版：模型自省

1. 提示 LLM 编写一段代码（code V1）
2. 将 code V1 再次输入给 LLM，提示其"检查代码中的错误并写出改进版"
3. 结果：得到修复了潜在 bug 的 code V2

进阶版：利用"思考模型"去检查

不同的 LLM 有不同的专长。可以使用一个擅长快速生成的模型来写初稿，再用一个"思考模型"、更擅长逻辑推理和错误排查的模型来进行反思和改进。这种组合能发挥各自的优势，达到"1+1>2"的效果。

终极形态：结合外部反馈的反思

反思最强大的形式是结合外部反馈。仅仅让模型"内省"是有限的，而引入来自模型之外的新信息，则能带来质的飞跃。

以上面的代码为例做结合外部反馈的反思：

1. 生成初稿：LLM 生成 code V1
2. 执行代码：在安全的沙盒环境中运行 code V1
3. 获取外部反馈：系统捕获代码的实际输出和任何错误信息，例如 SyntaxError: unterminated string literal
4. 反思与改进：将 code V1、Output 和 Errors 一起作为输入，交给 LLM 进行反思，要求其根据这些具体的、客观的反馈来重写代码
5. 获得终稿：LLM 基于真实的执行结果，修正错误，生成功能正确的 code V2

总结：

1. 反思不是魔法，而是工程实践：它不能保证模型每次都100%正确，但能带来"适度的性能提升"，是性价比极高的优化手段
2. 外部反馈是关键：反思的力量在于能否获取并利用外部信息。如果能运行代码、查询数据库或调用 API，将这些结果作为反馈输入，就能让模型进行更深层次的反思，从而产出更优的结果
3. 设计哲学：当你有机会获取额外信息时，请务必将其融入反思流程。这是提升系统鲁棒性和输出质量的核心策略

2.2 为何不只用迭代

这节课回答了一个很实际的问题：直接让AI一次性干活和让它先干再检查再改，到底差在哪儿？我个人观点这一节的核心就是数据不会骗人，反思在所有任务上都能带来提升，哪怕是最强模型加了反思也更强，而且编写提示词时要用明确动词，别含糊地说"改进"。

核心观点：反思不是为了增加复杂度，而是为了在质量上获得"质的飞跃"。

什么是"直接生成"？

“直接生成"是 AI 最基础、最直观的工作方式，也常被称为"零样本提示”（Zero-shot Prompting）。

特点：简单、快速、一步到位。它不提供任何中间反馈或修正的机会。

术语解释："零样本提示"中的"零样本"指的是在提示中没有提供任何输入-输出示例。

• 零样本：写一个关于黑洞的文章（无示例）
• 单样本：写一个关于黑洞的文章 + 示例1
• 少样本：写一个关于黑洞的文章 + 多个示例

反思在性能上全面碾压直接生成

论文《Self-refine: Iterative refinement with self-feedback》的关键图表展示了7种不同任务在零样本提示与反思模式下的性能对比，包括情感反转、对话响应、代码优化、数学推理等。

在所有7个任务、所有4个被测试的模型（GPT-3.5, ChatGPT, GPT-4, Claude）中，加入反思步骤后，性能无一例外地高于对应的直接生成！

结论：反思模式在各种任务上都能稳定地提升性能。即使是最强大的 GPT-4，在加入反思后，其表现也能得到进一步增强。这说明反思是一个普适且有效的优化策略。

反思模式更适用的任务场景

反思模式在以下类型的复杂任务中尤其有效：

示例	问题	反思提示
生成HTML表格	格式错误，如缺少 </tr> 标签	“验证HTML代码。”
泡一杯完美的茶	步骤缺失或顺序错误	“检查说明的连贯性和完整性。”
生成域名	名称可能有负面含义或难以发音	“域名是否有负面含义？是否难发音？”

如何编写高效的反思提示语

编写反思提示的两大黄金法则：

1. 明确指示反思动作：不要含糊地说"请改进"，而要说"请审查"、“请检查”、“请验证”
2. 具体指定检查标准：不要只说"让它更好"，而要列出具体的评判标准

提升写 prompt 的一个方法，就是多阅读他人的提示词。

2.3 图表生成工作流

这节课用一个咖啡销量图表的例子，展示了多模态AI如何"看"懂图表，然后自己挑毛病改代码。我个人观点这一节的核心就是多模态模型能真正"看见"生成的图表，给出视觉层面的专业反馈，这个比单靠文本描述要强得多。

通过一个咖啡销售数据的实战案例，生动展示了 AI 如何像人类专家一样"审视"和"改进"自己的工作成果。

直接生成

1. 向 LLM 发送提示：“Create a plot comparing Q1 coffee sales in 2024 and 2025 using coffee_sales.csv.”
2. LLM 生成第一版 Python 代码（V1 code），用于读取CSV文件并绘制图表
3. 执行与结果：运行 V1 代码，生成了一张名为 plot.png 的图表
4. 问题显现：这是一张堆叠柱状图（Stacked Bar Plot）。虽然它完成了数据展示的基本功能，但存在两大缺陷：
   • ◦ 堆叠柱状图对于比较不同年份同一饮品的销量不够直观
   • ◦ 图表整体观感不佳，缺乏专业性

引入反思——多模态模型的视觉推理

将生成的图像作为输入，交由一个多模态语言模型（Multi-modal LLM）进行反思。

1. 输入准备：将 V1 版本的代码和它生成的图表一同打包，作为新的输入
2. 反思指令：提示多模态 LLM 扮演"专家数据分析师"的角色，对图表进行批判性评估
3. 视觉推理：多模态模型能够"真正地看"这张图，分析其可读性、清晰度和完整性，并提出具体的改进建议
4. 生成新代码：根据反思反馈，模型更新代码，生成第二版（V2 code）
5. 最终成果：运行 V2 代码，生成了 plot_v2.png

使用不同的模型进行分工协作

• LLM（初始生成）：负责根据用户提示生成第一版代码
• LLM 2（反思阶段）：负责接收第一版代码、生成的图表以及对话历史，扮演"专家分析师"的角色，提供建设性反馈并指导代码改进

反思提示语示例：您是一位专业的数据分析师，能够为可视化提供建设性反馈。步骤1：评估所附图表的可读性、清晰度和完整性。步骤2：编写新代码来实现您的改进。

总结

反思机制并非万能，其效果因应用场景而异。在某些任务上提升显著，在另一些任务上则可能微乎其微。

因此，了解反思机制对你特定应用的影响至关重要。它能为你提供优化方向，无论是调整初始生成提示，还是优化反思提示，都能帮助你获得更好的性能。

2.4 评估反思的影响

这节课教你怎么用数据说话，别光凭感觉说反思有没有用，要用测试集和评估指标来衡量。我个人观点这一节的核心就是客观任务用"真实答案"数据集，主观任务用"评分量表"，让LLM打分而不是直接比较，这样结果才可靠。

客观评估——数据查询任务

反思工作流

问题：“哪种颜色的产品总销量最高？”

基础流程：

1. LLM 根据问题生成 SQL 查询语句（V1）
2. 执行 V1 查询，获取结果
3. LLM 根据结果回答问题

反思增强流程：

1. LLM 生成初始 SQL 查询（V1）
2. 新增反思步骤：另一个 LLM 对 V1 查询进行审视，并生成改进版的 SQL 查询（V2）
3. 执行 V2 查询，获取结果
4. LLM 根据结果回答问题

构建评估数据集

为了评估反思的效果，需要创建一个包含"提示词"和"真实答案"的数据集。

PROMPTS (提示词)	GROUND TRUTH ANSWER (真实答案)
2025年5月售出了多少商品？	1201
库存中最贵的商品是什么？	Airflow sneaker
我的店铺中有多少款式？	14

通过运行两个版本的工作流并比较结果，可以得出客观的性能指标。

PROMPTS (提示词) / 问题	GROUND TRUTH ANSWER (真实答案)	NO REFLECTION (无反思)	WITH REFLECTION (有反思)
2025年5月售出了多少商品？
Number of items sold in May 2025?	1201	980	1201
库存中最贵的商品是什么？
Most expensive item?	Airflow sneaker	Airflow sneaker	Airflow sneaker
我的店铺中有多少款式？
How many styles carried?	14	14	14

结论：反思显著提升了数据库查询的质量和最终答案的准确率。虽然增加了计算开销，但其带来的性能提升是"有意义的"，值得保留。

迭代优化：调整提示词

一旦建立了评估机制，开发者就可以快速迭代：

• 修改"反思提示词"，例如要求模型让查询"更快"或"更清晰"
• 或者修改"初始生成提示词"
• 每次修改后重新运行评估，测量正确率的变化，从而选择最适合应用的提示词

主观评估——可视化图表任务

任务：根据 coffee_sales.csv 数据生成 Q1 咖啡销售对比图。 问题：如何判断"反思后"的图表比"反思前"的图表更好？ 难点：评估标准是主观的（如美观度、清晰度），而非黑白分明的客观标准。

直接让LLM做裁判的弊端

直观的想法是让 LLM 直接比较两张图并给出"哪个更好"。 已知问题：

1. 答案不可靠：LLM 的评判结果往往不稳定
2. 位置偏见：许多模型倾向于选择第一个输入的选项（A），无论其质量如何

使用评分表（Rubric）

更好的方法是为 LLM 提供一套结构化的评分标准（Rubric），让它对每个维度进行打分，而不是直接比较。

示例评分量表：

1. 是否有清晰的标题？
2. 坐标轴是否有标签？
3. 图表类型是否合适？
4. 坐标轴的数值范围是否恰当？

同样，可以构建一个包含多个用户查询的数据集，对"有反思"和"无反思"生成的图表分别打分。

评估反思的核心方法论

**客观评估：**构建带"真实答案"的数据集，用代码自动计算正确率。简单、易管理、结果客观。适用于有明确答案的任务（如数据库查询）。

**主观评估：**使用 LLM 作为裁判，但需提供详细的评分量表（Rubric）。需要更多调优，但能处理复杂的主观标准（如图表美观度）。

总结

• 反思的价值：它是一种强大的工具，能显著提升输出质量，但需付出一定的性能代价
• 评估是关键：不能凭感觉决定是否保留反思步骤，必须通过客观或结构化的主观评估来衡量其收益
• 客观任务：用"真实答案"数据集 + 代码自动化评估
• 主观任务：用"评分量表"引导 LLM 进行结构化打分，避免直接比较
• 迭代优化：建立评估体系后，可以快速尝试不同的提示词，找到最优解
• 未来方向：结合外部信息，是进一步提升反思效果的下一个前沿

2.5 使用外部反馈

这节课讲的是单纯的自我反思总有上限，真正的突破是引入外部信息，让模型跳出自己的知识库。我个人观点这一节的核心就是外部反馈打破了模型的信息孤岛，它能获得实时数据、精确事实、字数统计这些模型自己做不到的东西，这才是质的飞跃。

提示词工程的收益递减规律

• 横轴：投入在提示词工程上的时间
• 纵轴：系统性能
• 红色曲线（无反思）：初期，通过调整提示词，性能会快速提升。但很快，性能增长会放缓并趋于平缓，进入"平台期"。此时，即使再花费大量时间微调提示词，也很难获得显著的性能提升
• 蓝色曲线（有反思）：在某个时间点加入反思机制后，性能曲线会再次上扬，达到一个比"无反思"更高的平台。这表明，反思能为系统带来一次"性能跃迁"，突破原有的瓶颈
• 黄色曲线（有反思 + 外部反馈）：在引入反思的基础上，如果能接入外部反馈，性能将再次跃升，达到一个远超前两者的更高平台。外部反馈为系统注入了"新信息"，使其不再局限于模型自身的知识库和推理能力

外部反馈的案例

1、避免提及竞争对手

模型有时会在文案中不必要地提及竞争对手的名字（如"Our company’s shoes are better than RivalCo"）。

• 外部反馈工具：编写一个代码工具，使用正则表达式对模型的输出进行模式匹配，自动检测是否包含竞争对手名称
• 反思流程：
  1. 1. 模型生成初稿
  2. 2. 工具扫描文本，发现"RivalCo"
  3. 3. 将"检测到竞争对手名称"的反馈信息传回给模型
  4. 4. 模型基于此反馈，重新撰写一份不提及竞争对手的新版本

2、事实核查

模型生成的历史内容可能存在不准确之处（如"The Taj Mahal was built in 1648"）。

• 外部反馈工具：调用网络搜索 API，查询关于泰姬陵建造时间的权威资料
• 反思流程：
  1. 1. 模型生成初稿
  2. 2. 工具发起网络搜索，返回结果：“泰姬陵于1631年下令建造，1648年完工”
  3. 3. 将搜索结果作为额外输入，提供给反思模型
  4. 4. 模型基于更精确的历史事实，重写文本，使其更准确

3、遵守字数限制

模型生成的博客文章或摘要常常超出预设的字数上限。

• 外部反馈工具：开发一个简单的字数统计工具
• 反思流程：

  1. 模型生成初稿

  2. 工具统计字数，发现"超过字数限制"

  3. 将"当前字数"和"字数限制"等信息作为反馈，传回给模型

  4. 模型基于此反馈，压缩或精简内容，重新生成符合字数要求的版本

     

总结：外部反馈的核心价值

• 打破信息孤岛：外部反馈让模型能够接触到其训练数据之外的新鲜、实时、客观的信息
• 解决模型固有缺陷：对于模型不擅长的任务（如精确计数、事实核查），外部工具可以完美弥补
• 实现闭环优化：形成"生成 -> 执行/检查 -> 获取反馈 -> 反思改进"的自动化闭环，大幅提升工作效率和输出质量
• 学习系统化地让模型调用外部工具，是构建强大智能体应用的关键