本文将从吴恩达（Andrew Ng）的课程中提炼出四个最具影响力的设计模式，帮助你理解如何构建这些高度自主的智能体。这些模式将彻底改变我们对AI能力的认知，并为开发者开辟了全新的可能性。
「吴恩达Agentic AI 模块5」4个自主AI智能体构建模式:从指令执行者到战略家
引言：从指令跟随者到战略思考者
我们大多数人与AI助手的互动经验，都停留在下达一次性指令并获得相应结果的模式上。我们让它写一封邮件、总结一篇文章或者回答一个简单的问题。这些AI系统虽然强大，但本质上是被动的指令执行者，等待着我们的下一步指示。
然而，AI领域正在发生一场深刻的变革。新一代的“智能体AI”（Agentic AI）正在崛起，它们不再仅仅是指令的接收者，而是能够自主规划、制定策略并执行复杂多步骤任务的战略思考者。这种AI能够像人类一样，为了达成一个宏观目标而自主地分解任务、调用工具并协同工作。
本文将从吴恩达（Andrew Ng）的课程中提炼出四个最具影响力的设计模式，帮助你理解如何构建这些高度自主的智能体。这些模式将彻底改变我们对AI能力的认知，并为开发者开辟了全新的可能性。
1. 让AI自己写“待办清单”：规划模式 (Planning Pattern)
规划设计模式的核心思想很简单却极具颠覆性：开发者不再需要为AI硬编码任务执行的每一步顺序，而是让大语言模型（LLM）自己生成一个实现目标的详细步骤计划。
以一个太阳镜零售店的客服智能体为例。当顾客提出一个复杂问题，比如“你们有库存的圆形太阳镜吗？价格要低于100美元。”在规划模式下，智能体会首先生成一个行动计划，可能包含以下步骤：获取商品描述以筛选出圆形太阳镜，然后检查库存确认是否有货，最后获取商品价格以判断是否低于100美元。接着，系统会条不紊地执行这个计划，将第一步的输出（例如，圆形太阳镜的列表）作为第二步的输入，再将第二步的结果（有库存的圆形太阳镜）作为第三步的输入，最终整合所有信息，生成给用户的最终答复。
这种转变意义重大。它赋予了AI极大的灵活性和自主性，使其能够处理各种预料之外的任务组合，而无需开发者为每一种可能性都预先设计工作流。这标志着我们从“编程”AI的行为转向“引导”AI自主规划其行为。
“构建能够自我规划的智能体，最酷的一点在于，你无需预先硬编码大语言模型为完成复杂任务可能采取的确切步骤顺序。”
不过，作为 strategist，我们也必须认识到该模式的现状。目前，除了在自主编程等领域应用得非常成功外，规划模式在许多其他应用中仍处于“实验阶段”，尚未得到非常广泛的使用。其主要挑战在于可控性——由于开发者在运行时无法预知AI会生成什么样的计划，这使得系统行为变得“难以控制”。尽管如此，这项技术仍在不断成熟，潜力巨大。
2. 终极规划是代码：让智能体为自己编程
传统的基于工具的方法有一个明显的问题。例如，在处理一个包含咖啡销售数据的电子表格时，如果用户的查询越来越复杂，开发者可能会发现自己需要创建无数个特定的工具（如“获取最大值”、“筛选行”等）。这种方法不仅效率低下，而且非常脆弱，无法应对无穷无尽的新需求。
一个更强大且反直觉的解决方案是：让LLM直接编写并执行代码（例如，使用Python及其pandas库）来解决用户的查询。这种“代码即行动”（code as action）的模式，将规划提升到了一个全新的维度。
这种方法之所以如此高效，是因为LLM在其训练数据中已经学习了数千个编程语言和库函数的用法。通过编写代码，AI可以从这个庞大的函数库中自由组合，创造出比简单地串联几个预定义工具远为丰富和复杂的执行计划。研究论文也证实，让模型通过编写代码来制定计划，其性能始终优于那些用JSON或纯文本制定计划的模型。
“通过让你的大语言模型编写代码，它可以从成百上千个它已经见过大量数据并知道何时使用的相关函数中进行选择。这使得它能够从这个非常庞大的库中将不同的函数调用串联起来，从而为回答像这样相当复杂的查询制定出计划。”
3. 告别“超级智能体”，构建AI“团队”
当我们面对一个极其复杂的任务时，与其试图构建一个无所不能的“超级智能体”，不如借鉴现实世界中的团队协作模式。这个核心理念就是“多智能体工作流”（multi-agent workflow）。
开发者可以像招聘一个人类团队一样，将一个大任务分解成多个专门的角色。以制作市场营销手册为例，你可以创建三个独立的智能体：一个研究员智能体，负责分析市场趋势；一个平面设计师智能体，负责生成图表和视觉素材；以及一个写手智能体，负责整合信息并撰写文案。每个智能体都有明确的分工和专属的工具集，例如，研究员使用网络搜索API，而设计师则调用图像生成API。
这种思维框架对开发者极为有用。它将一个庞大、令人望而生畏的问题分解为一系列更小、更易于管理的子任务。同时，这也使得构建高度专业化、可复用的智能体成为可能。
“……如果你有一个复杂的任务要执行，有时，与其思考如何雇佣一个人来为你完成，你可能会考虑雇佣一个团队，由几个人来为你完成任务的不同部分。”
4. 设计AI的“组织架构图”：从流水线到创意协作
一旦你拥有了一个AI“团队”，下一步就是设计它们之间的沟通与协作方式，这就像为一家公司设计组织架构图一样关键。以下是几种常见的沟通模式：
- 线性模式 (Linear): 这是最简单的模式，如同“流水线”。一个智能体的输出直接成为下一个智能体的输入。例如，研究员完成报告后交给设计师，设计师完成素材后交给写手。
- 层级模式 (Hierarchical): 这种模式类似“经理领导的团队”。一个中心的“经理”智能体负责协调和分派任务给其他下属智能体。这创造了一个强大的四智能体系统：研究员、设计师和写手是执行者，而第四个智能体——营销经理——本身不执行核心任务，而是负责统筹和调度其专业团队的工作。
- 全体对全体模式 (All-to-All): 这是一种更具实验性的模式，可以看作是一场“协作头脑风暴”。在这个模式下，任何智能体都可以在任何时候与其他任何智能体进行交流。
全体对全体的模式虽然可能激发强大的创造力，但也存在明显的权衡。正如吴恩达所指出的，这种模式的结果“混乱”且“难以预测”。因此，它更适合那些能够容忍一定不可预测性、追求创新而非稳定输出的应用场景。
“在实践中，我发现全体对全体沟通模式的结果有点难以预测……对于那些你愿意容忍一点混乱和不可预测性的应用，我确实看到一些开发者在使用这种沟通模式。”
结语：未来属于智能体 (Agentic)
我们正在经历一个根本性的思维转变：从简单地向AI“提问”，到设计和管理一个由能够自主规划、编程和协作的智能体组成的自治系统。这四个模式——规划、代码即行动、多智能体团队和沟通架构——是构建下一代AI应用的基础。
随着这些智能体系统变得日益普遍，我们的角色将如何从AI的“使用者”演变为智能AI团队的“架构师”与“管理者”？