与「吴恩达」相关的搜索结果

吴恩达刚发了今年最狠的一堂Agent课，两小时，从单代理一路讲到完全自动化，硬核到足以把你今年收藏的所有AI Agent教程全淘汰了！ 整门课刚好两个小时，五个时间节点卡得特别清楚，九分钟带你搭出第一个能干活的代理，三十三分钟讲循环工程怎么让代理自己纠错迭代，一小时零两分正式开讲图工程，一个半小时讲能自我重写的代理，最后四十分钟直接放完整的可运行图系统。 很多人学Agent最大的误区，就是把能跑通一个对话循环当成了终点，实际上单代理再聪明，也扛不住长任务里的上下文丢失，状态混乱和失败不可追溯，图工程干的事，就是把决策和控制流从模型的黑盒里拉出来，变成可检查可复用可并行的固定拓扑，模型只负责节点里的判断，路径由人提前设计好。 这也是为什么同样的模型，同样的token，用单代理跑和用完整图系统跑，一周下来的完成度能差出好几倍，前者还在反复重试同一个失败步骤，后者已经把多个分支并行跑完，自动汇总成最终结果了。 想真正搞懂Agent自动化的兄弟，这门课真的值得抽两个小时完整刷一遍，别再停留在单代理的玩具阶段了。

我嘴比较毒，我感觉吴恩达的思想已经被AI 淘汰了，最近一些他的高论我看着都很水。 吴恩达说了一句正确的废话，人们要学的不是编程，而是学会用AI的思维来制作东西，解决问题。 制作的东西可以是网页，图片，动画，视频，office文档等，普通人不用理解编程，代码只是底层燃料。 你看X上简中这些20岁出头的大V哪个会编程，会用鹈鹕骑车测模型都已经人上人了。熟练使用AI，商单接的照样百万年薪，真去学编程，连工作都找不到。

AI 时代，职场人现在最该学的一项技能是什么？ 吴恩达老师的建议是人人都该学编程。 不少企业高管劝大家别学编程了，理由是 AI 会把它自动化掉。吴恩达认为这个逻辑正好反了。正因为有了 AI 辅助，写代码变得前所未有地容易，所以才值得每个人都去学。 他已经在很多岗位上看到了明显的生产力差距。这不只发生在软件工程师身上。一边是会写代码、能自己做定制软件的人，另一边是不会的人，两者的效率已经拉开了。 学编程不等于手写代码 他说的学编程并不是一行行手敲代码，他自己几乎从不这么做。在可预见的未来，最重要的能力之一是能准确告诉计算机你要它做什么，让它替你完成。而代码就是计算机的语言。所以学编程的实质，是学会用计算机听得懂的方式把需求说清楚。 他团队里最好的市场人员有了想法，不用等工程师来搭网站，自己就能做出来。最好的招聘人员也不再靠肉眼一份份看简历，而是写代码让程序帮忙筛选。在他看来，能把需求交代给计算机的人，会变得强大得多、高效得多。

AI Engineering Skills Map 系列之「使用 Coding Agent」 吴恩达老师的 AI 工程技能图谱第三篇详细展开： 1. 构建与部署 AI 应用 2. 软件工程基础 3. 使用 Coding Agent（本文主题） 4. 塑造构建方向 吴恩达老师认为：使用 Coding Agent 正在成为 AI 工程师的关键能力，而且它的演进速度比其他顶层技能都快，因为 Agent 本身在 harness 和模型两个层面同时快速迭代。因此，这项技能没有终态，只能靠持续的实验、构建和学习来维持。 # 用 Coding Agent 构建软件的通用工作流 通过访谈数十位顶尖 AI 工程师并复盘自己团队的实践，他归纳出一个一致的高层工作流，分三步： 1. 规划（Planning） 包含两部分：一是头脑风暴，可能涉及研究、实验、理解已有代码库；二是写 spec（规格说明），涵盖需求、技术设计、架构，随后生成执行计划。规划完成后还应审视计划本身：质疑关键假设，检查安全性、过度设计等问题。 2. 执行（Execution） 构建、测试、验证，关键在于把握智能体自主性与人工监督之间的平衡。一是让智能体以"校准过的自主程度"去构建；二是通过自动化和/或人工检查来验证输出。 3. 部署与监控（Deployment and monitoring） 部署可能经由 CI/CD 流水线或额外的人工关卡把关；随后用智能体观察日志、发现问题、提出并执行改进。 这个工作流有两个特别注意： 1. 它与前智能体时代的软件开发流程本质相似。真正变化的是注意力的重心：从写代码转移到决定做什么、设计架构、写 spec、验证输出。 2. 各步骤的时长弹性极大，可以省略。greenfield（从零开始）原型的 spec 可能只是一条快速写下的提示词；而有大量用户的 brownfield（存量）项目的 spec 则需要投入大量精力去撰写和验证。整个流程高度迭代，熟练的开发者知道何时该从后面的步骤退回前面：验证失败就引导智能体重建修复；监控发现问题就让智能体更新系统并重新部署。 # 五项关键技能 1. 指挥工作流（Directing the workflow） 知道如何走完上述每一步，并决定每一步投入多少人力、多少智能体算力，以及何时回退迭代。这背后是对速度、成本、技术风险、人力投入四者权衡的深刻理解，具体体现在：前期研究和规划做到什么程度、哪些关键工作保留人类所有权、如何选择架构、规划产物（如 spec）写多细、如何把工作拆解成可验证的步骤。 2. 赋予智能体自主性（Enabling agent autonomy） 这一节内容最密集，可拆成四个决策点： · 自主程度：盯着它交互式往返，还是委托一大块工作？何时设定明确目标让它循环直到成功？ · 上下文管理：构建过程会经历不同阶段，要判断何时把关键经验、用户反馈、假设（包括中途变化的假设）记录下来供智能体下游使用。 · 并行化：何时把任务拆解后让多个智能体并行，由人或更高层的智能体来编排；以及如何在多个并发会话之间分配人的注意力。 · 安全运行：设置权限、对高风险动作设关卡，在保持开发速度的同时限制泄露、数据丢失等损害。 3. 审查工作成果（Reviewing the work） 出发点是一个基本事实：智能体的输出是不确定的。我们事先不知道它会想出什么好主意，也不知道它会埋下什么 bug。因此审查和验证是拿到想要结果、并在偏离时纠正的关键环节。 具体手段包括： · 设计与任务匹配的测试和验证，按需结合行为验证和功能验证。 · 测试用户流程，可让智能体提供截图作为成功或失败的证据。 · 对定性/行为性评估，可使用评估集（eval sets），可能配合 LLM-as-a-judge。 · 决定测试的自动化程度。某些工作流会把测试完全自动化，让智能体能自行检查、自知何时完成。但必须评估这些测试是否真正对应你的目标，不对应就要演进它们。 · 使用智能体代码审查，运行 AI 驱动的安全和架构审计。 · AI 审查不够时，审慎地插入人工审查——主要审查代码行为，较少审查代码本身——同时探索进一步自动化的可能。 · 验证部署，并用智能体把监控和事故管理运营起来。 这里有一个值得注意的判断：人工审查的对象主要是"代码行为"而非"代码"，这反映了注意力重心的转移。 4. 定制智能体及其环境（Customizing the agent and its environment） 目标是让智能体高效获取所需上下文、访问工具、正确高效地构建。具体包括： · 集成 skills、插件、MCP 服务器，并在不再必要时（如新模型让旧 skill 过时）剪除它们。 · 用 hooks 自动化开发流程中可重复的部分，如触发自动代码审查或 CI/CD。 · 维护常驻上下文（AGENTS.md、CLAUDE.md），记录代码库信息、关键架构假设、代码风格、数据访问模式。 · 跨会话、跨并行智能体保存状态，随时间积累智能体的经验，比如通过运行后复盘记录哪些做法有效、哪些无效。 · 建立一致的约定和结构，让代码库对智能体可导航；定期清理智能体产生的技术债。 · 团队协作时，考虑如何在不同开发者的智能体之间协调上下文。 5. 编码智能体基础原理（Coding agent foundations） 要做好上述所有决策，需要理解智能体的工作机制：如何做代码库搜索/检索、如何管理上下文窗口、不同操作（增加工具调用、MCP 服务器等）如何影响上下文、智能体与子智能体如何交互、智能体是如何通过在 LLM 外包裹 harness 构建出来的。 这种理解让智能体不再是黑箱，帮助你识别典型失败模式： · 把简单方案过度设计 · 因缺乏显式验证流程而丧失严谨性 · 未达目标就停下 · 可能破坏文件或生产数据的动作 同时也帮助你推断智能体的状态、给出正确的指令或上下文来引导它，并在监控运行时更早发现它偏离轨道、需要介入。 # 对行业叙事的批评 结尾处吴恩达老师有一段针对性很强的观点。他认为社交媒体对如何使用编码智能体的描述往往过度简化。让智能体自主运行数小时、消耗数百万甚至数千万 token 有时确实有用，但目前超长时程任务的实际效用——尤其是相对成本而言——被夸大到超出现实。 他的结论是：最有效的编码智能体使用是一个复杂、高度迭代的过程，能够以高水平判断力适时介入，效果远好于放手长跑。

谷歌最近出啥问题了？接连损失大将。刚刚杰夫.迪恩宣布从谷歌离职创立Discovery Loop。这位非常不简单，杰夫.迪恩是计算机科学与人工智能领域的传奇人物，被誉为“谷歌的系统架构总设计师”和硅谷“程序员中的程序员”。 1、杰夫离职前担任谷歌首席科学家兼任 Google DeepMind 和 Google Research 的核心技术领袖。是Google Senior Fellow/Level 11，在谷歌数十万员工中，能达到 Level 11 的极度罕见，几乎代表了整个谷歌技术体系的终极权威。 2、Jeff Dean在谷歌工作27年，其职业生涯贯穿了互联网海量数据处理时代与现代人工智能时代，其核心成就可分为三大阶段： 1）奠定现代互联网基础的基础设施（2000年代） 在谷歌成立早期，他主导开发了一系列支撑起整个 Google 生态（乃至全行业大数据架构）的基础系统： MapReduce：划时代的分布式计算框架。它将庞大的数据处理任务拆分到数万台普通服务器上并行运行，是后来的 Hadoop 等大数据技术的直接灵感来源。 Bigtable：高扩展性、高性能的分布式结构化数据存储系统，直接催生了后来的 NoSQL 数据库浪潮（如 HBase）。 Spanner：全球级分布式 SQL 数据库，打破了传统数据库“一致性”与“可用性”难以兼得的困境。 搜索与广告系统架构：主导设计了谷歌早期的五代搜索索引与抓取系统，以及 AdSense 广告投放系统的早期基础设施。 2）推动 AI 革命与深度学习生态（2010年代） 创建 Google Brain（谷歌大脑）：2011 年与吴恩达（Andrew Ng）等人共同创办 Google Brain，将深度学习引入谷歌的核心业务。 TensorFlow：主导打造并开源了全球最著名的深度学习框架之一 TensorFlow，极大地降低了全球研究者和开发者使用 AI 的门槛。 DistBelief & Pathways：先后设计了 DistBelief（早期大规模分布式神经网络训练系统） 和 Pathways 架构（为后续训练 PaLM、Gemini 等超大规模多模态大模型奠定了系统支撑）。 3）整合与领军时代（2020年代） 统领 Google AI 与 DeepMind 融合，杰夫曾长期担任 Google AI（Google Research）负责人。2023 年 Google Brain 与 DeepMind 合并为 Google DeepMind 后，他作为首席科学家，重点统筹下一代超大模型（如 Gemini 系列）的系统架构与前沿 AI 研发。 前段时间谷歌还有两位大拿离开： 1）Google DeepMind 副总裁 John Jumper跳槽至 Anthropic，这位因带领团队打造预测蛋白质结构的革命性 AI 模型 AlphaFold，与 Demis Hassabis 共同获得 2024 年诺贝尔化学奖。 2）谷歌工程副总裁兼旗舰模型 Gemini 联合负责人Noam Shazeer跳槽至 OpenAI。 Noam Shazeer 是Transformer 架构奠基人之一：2017 年奠定现代大模型基础的划时代论文《Attention Is All You Need》的共同作者。 前线厮杀正浓，统兵大将接连离开，对谷歌影响应该不小。

每天刷两小时推特，看到的还是二手转述。这 12 个源直接看一手，建议收藏： 1、AI News — 每日自动汇总各大社区和论文动态的日报，一篇顶你刷半天 2、The Batch — 吴恩达团队的每周简报，观点比资讯多，适合建立判断 3、Hugging Face Papers — 每天社区投票选出的热门论文，带简介 4、alphaXiv — 论文讨论区，能看到同行对一篇论文的质疑和补充 5、arXiv — 最原始的论文源，追某个方向就订阅对应分类 6、LMArena — 大模型盲测竞技场排行榜，看真实对战胜率而不是厂商自测分 7、Artificial Analysis — 各家模型的速度、价格、质量横向对比，选型时直接看这里 8、OpenRouter Rankings — 按实际调用量排的模型使用榜，能看出开发者到底在用什么 9、Simon Willison's Blog — 每个新模型发布他都会实测并写清楚能干什么，几乎不吹 10、Latent Space — 深度访谈和技术拆解，适合了解工程侧的真实做法 11、Interconnects — 训练和后训练方向的深度分析，偏研究 12、SemiAnalysis — 算力、芯片和数据中心的产业分析，看清楚上游发生了什么 如果只留两个：日常追进展看 AI News，选模型看 Artificial Analysis。

OpenWorker：吴恩达开源的Agent 类似于Codex、 Claude Code桌面版、爱马仕、龙虾等Agent，支持自定义API。没看出什么特色和优势。 Github：

吴恩达团队推出的开源 AI 桌面应用，让 AI 不只是聊天，而是直接交付完成的工作成果，直接完成文档、日程、邮件等日常工作任务。 集成 25+ 常用工具（Slack、GitHub、Jira、Notion、Gmail 等），能从 Slack 中 OpenWorker 发起任务，也支持定时自动化。

吴恩达还真是妥妥的大佬：Sam Altman斯坦福大学本科的时候做过他的实习生，搞强化学习；Dario Amodei是吴恩达任负责人的百度深度学习研究院（IDL）的研究员（DeepSpeech和scaling law）。此外Ilya Sutskever是他在斯坦福大学的博士后，Geoff Hinton是他在Google Brain组的成员。

吴恩达：可能世界上只有我一个人，Sam和Dario都曾在我手下工作过 “有一件事，我几年前绝对猜不到，中国最终会变得在AI创新方式上比美国开放得多。 我非常了解美国AI生态系统，因为我创立了Google Brain等等。可能世界上只有我一个人，Sam和Dario都曾在我手下工作过。所以我对他们团队的人都非常熟悉。 2022年底ChatGPT发布时，美国遥遥领先于中国。但中国自那以后，打出了一手好牌——押注开源、开放权重生态。中国的团队做研究，并把他们的研究论文免费发布在互联网上，任何人都可以阅读。 顺便说一句，很多美国顶尖团队大量阅读中国的研究论文，从中学习并获益。坦率地说，现在美国顶尖团队使用的很多技术，都来自从中国学到的研究创新成果。所以我认为知识共享是双向的。”