Agent Design Checklist

一、”Agentic AI”的由来与现状

创造初衷

“智能体 AI”（Agentic AI）一词由 Andrew Ng 创造。目的是为了描述他观察到的一个重要且迅速发展的趋势：人们正在以新的方式构建基于基础模型的应用。”智能体 AI”这个词会被营销人员抓住，并当作一个标签贴在几乎所有能看到的东西上。这导致了”智能体 AI”概念的炒作迅速飙升。

核心观点

好消息是，撇开炒作不谈，真正有价值和实用的智能体 AI 应用数量正在快速增长。即便没有炒作，AI 应用本身也在快速发展，只是速度可能不如炒作那么快。

二、课程目标与价值

核心目标

在本课程中，希望展示构建智能体 AI 的最佳实践，帮助你打开许多新的机会，让你在能构建的内容上有更多选择。

掌握如何用智能体构建应用，是 AI 领域中最重要且最有价值的技能之一。

关键区别

那些真正懂得如何构建智能体 AI 的人与效率较低的人之间的最大区别在于：能否推动有纪律的开发流程，特别是专注于评估与错误分析（evals and error analysis）的流程。

本课程将详细解释这一点，并教你如何精通构建这些基于智能体的工作流。

三、智能体 AI 的实际应用场景示例

1、客户支持智能体 (Agentforce – Salesforce)

用于构建客户支持智能体。

示例：用户上传一张家电照片，AI 智能体能识别设备型号、序列号，并主动提供注册和固件更新服务。

2、深度研究智能体 (Claude Research – Anthropic)

用于进行深入研究，撰写有深度的研究报告。

示例：用户要求撰写关于黑洞科学最新进展的报告，AI 会自动规划研究步骤、搜集信息并生成一份详尽的报告。

3、法律文件处理 (Callidus Platform – Callidus)

用于处理复杂的法律文件，如分析版权侵权案件中的相关法律条文和判例。

4、医疗诊断系统 (MAI-Dx – Microsoft AI)

基于病人输入的信息，系统能生成或建议潜在的医学诊断结果。

系统特点：系统包含多个智能体（如假设生成、测试选择、诊断确认等），形成一个协作的”虚拟医生小组”，并通过”辩论链”机制提高诊断准确性。

什么是智能体 AI？ What is agentic AI?

一、什么是”非智能体”工作流？

“非智能体”工作流指的是用户通过一个单一提示（prompt），要求大型语言模型（LLM）一次性完成整个任务，这种工作流被称为”零样本”（zero-shot）工作流。

例子：
“请从头到尾写一篇关于主题 X 的文章，中间不能使用退格键修改。”

局限性：这就像让一个人或 AI”一口气”从第一个字写到最后一个字，中间不能回头修改；无论是人类还是 AI 模型，都不擅长以这种完全线性的、不可逆的方式进行创作。尽管如此，目前流行的大型语言模型在这种约束下依然能表现得相当不错。

二、什么是”智能体”工作流？

智能体 AI 工作流是一种基于大型语言模型的应用流程，它通过执行多个步骤来完成一个复杂任务。它与”零样本”工作流的核心区别在于其迭代性和分解性。

工作流示例：撰写文章

1. 写大纲：让 LLM 先写出文章的大纲。
2. 决定是否需要研究：让另一个 LLM 判断是否需要进行网络搜索。
3. 执行研究：如果需要，调用网络搜索 API，获取相关网页信息。
4. 写初稿：将下载的网页内容输入给 LLM，让它撰写第一稿。
5. 反思与修订：让 LLM 反思初稿，决定哪些部分需要修改或补充更多研究。
6. 人工审核（可选）：在关键环节，可以让 LLM 请求人工审核，例如确认某些关键事实。
7. 最终修订：根据反馈或自我反思，对草稿进行最终修改。

虽然这种迭代式的工作流可能花费更长时间，但它能产出质量更高、更全面的工作成果。

An agentic AI workflow：指基于大语言模型（LLM）的应用程序执行多个步骤以完成任务的过程。

换成通俗点话说：将一个复杂的任务拆分为具体的 Steps，并且指挥多个 LLM（可以是不同的 LLM）完成每个不同的具体的 Step，最终生成可交付的结果。

举个例子：Agentic AI 工作流就像请了一支”AI 厨房天团”帮你做西红柿炒鸡蛋：你把任务拆成准备食材、炒菜、装盘三个步骤，分别指挥 Qwen 洗菜打蛋、Deepseek 掌勺控火、KIMI 精致摆盘，要是味道不对，还能让 ChatGPT 复盘问题、打回重做——全程你只动嘴不动手，靠多个大模型分工协作，一步步把复杂任务搞定。

所以在例子中最主要的是如何把一个复杂任务拆解成多个小步骤，让 agent 逐步去执行每一个步骤，从而得到你需要的结果！！！

自主程度 Degrees of autonomy

过去几年，AI 社区内关于”什么是智能体”的定义存在争议，有人写论文定义它，也有人否认某些系统是”真正的智能体”。已经有’agent’这个词，为什么还要创造’Agentic’?

使用”Agentic”作为形容词，而非名词。这允许我们说一个系统”具有某种程度的智能体特性”，而不是纠结于它是否”足够自主”才能被称为”智能体”。

与其去争论哪些工作算是智能体，哪些不算”真正的智能体”，不如让我们承认不同系统在主动性方面的不同程度。

一、低自主性（Less autonomous）

所有步骤都是预先设定好的，所有工具调用都是硬编码的（Hard-coded），由人类工程师在代码中固定；其中主要自主性体现在语言模型生成的文本上。

案例：

你告诉 LLM：”写一篇关于黑洞的论文”

• LLM → 写出搜索关键词
• 去网页搜
• 抓取网页内容
• LLM 把这些内容整合成文章

这就像你指挥一个”听话但不会动脑”的助手：你得一步步告诉它做什么、什么时候查资料、怎么整理。AI 只负责”写”，其他事都得你来操心。

二、高自主性（More autonomous）

代理能自主做出大量决策；能够动态地决定要执行的步骤顺序；甚至可以创建新的、可执行的工具（函数）来完成任务。

案例：

你告诉 LLM：”写一篇关于黑洞的论文”

• LLM 自己决定：先”web search”查资料 → 并且能调用”news”和”arXiv”等工具，找最新科研动态
• 找到结果后，它自己判断：”我要选5个最好的来源” → 调用”web fetch” + “pdf to text”工具提取内容
• 然后它写初稿 → 再自己反思：”这个段落逻辑不够强，数据没引用清楚” → 主动改进草稿
• 最后输出高质量论文！

这就像请了一个”聪明又有责任心的实习生”：它知道该查什么、怎么筛选、怎么写、怎么改，全程自己规划步骤、调用工具、自我优化，最后交给你一份”成品”。

智能体 AI 的优势 Benefits of agentic AI

性能飞跃

Much Better Performance

并行加速

Faster because of Parallelization

模块化设计

Modular: Can Add/Update/Swap

一、性能跃升（Much Better Performance）

智能体工作流带来的性能提升，远超单纯升级模型版本（如从 GPT-3.5 到 GPT-4）所带来的进步。

测试目的：评估不同语言模型编写代码的能力。

实证案例：HumanEval 编码基准测试 Coding Benchmark (HumanEval)

展示的是不同 AI 系统在编程任务上的表现——重点是对比 Non-agentic 和 Agentic 的能力差异。
横轴 → 是”通过率”（正确完成编程题目的比例），从 40% 到 100%，越高越好。
纵轴 → 区分模型版本：GPT-3.5 vs GPT-4（GPT-4 更强）。

非智能体模式（Non-agentic）：

• • GPT-3.5 直接生成代码，正确率约为 48%。
• • GPT-4 直接生成代码，正确率提升至 67%。

智能体模式（Agentic）：

• • 将 GPT-3.5 置于智能体工作流中，其性能可以显著提升，达到甚至超过 GPT-4 的水平。
• • 将 GPT-4 置于智能体工作流中，其表现也会比单独使用时更加出色。

在编程这个硬核任务上，有没有”agentic”，决定了 AI 是”码农”还是”架构师”。

二、并行加速（Faster than Humans because of Parallelization）

核心概念：智能体工作流能够并行处理任务，从而比人类更快地完成特定工作。

实例演示：撰写一篇关于黑洞的论文

人类方式：

需要顺序地进行搜索、阅读网页、再搜索、再阅读，效率低下。

智能体工作流方式：

• • 并行搜索：可以同时启动三个 LLM 实例
• • 并行抓取：每个 LLM 可以再并行抓取多个网页内容
• • 最终整合：汇总所有信息输入给一个 LLM 撰写

结果：虽然整个流程步骤更多，但由于大量的并行操作（如 9 个并行网页下载），其总耗时反而比人类顺序操作快得多。

三、模块化与可替换性（Modular: can add or update tools, swap out models）

核心概念：智能体工作流是高度模块化的，允许开发者自由地添加、更新工具或替换模型。

实践应用：

• 替换工具：例如，在”网络搜索”这个环节，可以轻松地将默认的搜索引擎替换为 Serper、Bing、Dr. Google 或专门为 AI 设计的工具。
• 切换功能：可以将通用的”web search”替换为”news search”，以便获取最新的科学突破资讯。
• 优化模型：不必在所有步骤中使用同一个 LLM。可以根据不同步骤的需求，尝试不同的模型提供商，选择在该步骤表现最佳的模型。

智能体 AI 的应用 Agentic AI applications

agentic AI 一种让 AI Agent 根据明确或动态的任务目标，自主调用工具、访问数据库、执行步骤并完成任务的工作模式。
不同于传统”输入-输出”的简单问答，它强调多步骤规划、工具使用、状态更新与决策能力。

案例一：发票处理工作流（Invoice Processing）

任务目标：从 PDF 发票中提取关键信息并录入数据库，以确保及时付款。

所需字段：

开票方

Biller

开票地址

Biller address

应付金额

Amount due

到期日

Due date

工作流步骤：

1. 1PDF 转文本 → 使用 API 将 PDF 转为结构化文本（如 Markdown）。
2. 2LLM 解析文本 → 判断是否为发票，提取所需字段。
3. 3调用工具更新数据库 → 通过 update database 工具将数据存入系统。
4. 4生成记录成功提示 → “Record created!”

传统人工流程：财务部门人员手动查看发票，识别上述关键字段，然后将信息录入数据库。

案例二：回复客户邮件（Responding to Customer Email）

示例邮件：

“我订购了蓝色 KitchenPro 搅拌机（订单 #8847），但收到的是红色烤面包机。”

工作流步骤：

1. 1提取关键信息 → LLM 识别订单号、产品、问题。
2. 2查询订单数据库 → 使用 orders database query 工具获取订单详情。
3. 3起草回复草稿 → LLM 根据信息撰写回复。
4. 4请求人工审核 → 使用 request review 工具将草稿提交给人类审批。
5. 5发送邮件 → 审核通过后自动发送。

价值：提升客服效率，确保回复准确性。

案例三：更复杂的客户服务 Agent（More Challenging: Customer Service Agent）

构建一个能处理各种未知问题的通用客户服务代理，而非仅限于特定订单查询。

场景一：库存查询

“你们有黑色或蓝色牛仔裤吗？”

agent 需动态决定：

• • 查询黑色牛仔裤库存
• • 查询蓝色牛仔裤库存
• • 综合回复客户

难点：需要规划 API 调用的顺序来回答一个开放式问题。

场景二：退货处理

“我想退回我买的沙滩毛巾。”

agent 需判断：

• • 验证客户购买记录
• • 检查退货政策（如是否在 30 天内、是否未使用）
• • 若允许退货 → 生成退货标签 + 设置数据库状态为”待退货”

难点：步骤不是预先固定的，代理必须根据条件判断并决定后续行动。

案例四：视觉计算机使用（Difficult: Visual Computer Use）

让 AI 代理像人类一样使用网页浏览器，完成复杂的交互式任务。

示例任务：

让 AI agent 检查从旧金山到华盛顿 DCA 机场的两个特定联合航空航班是否有空座。

agent 行为：

1. 1自动打开浏览器，访问 United.com。
2. 2填写表单、点击按钮、导航页面。
3. 3遇到”页面未找到”错误 → 自主切换到 Google Flights。
4. 4在 Google Flights 上搜索航班 → 选择合适选项 → 返回 United 网站确认。
5. 5最终确认座位可用。

核心能力：

• • 视觉理解（读取网页内容）
• • 推理决策（遇到错误时调整策略）
• • 工具调用（模拟鼠标点击、键盘输入）
• • 状态跟踪（记住当前进度）

现实挑战：

• • 页面加载慢 → agent 可能卡住
• • UI 变化 → agent 无法识别元素
• • 多模态输入 → 更难处理

前景：虽不稳定，但在关键任务应用（如金融、医疗）中潜力巨大。

代理型 AI 适合哪些任务？What tasks is agentic AI suited to?

这是一个从”容易”到”困难”的连续光谱：

较易实现的任务（Easier）

• ✓清晰、逐步的流程Clear, step-by-step process：有明确的执行步骤。
• ✓标准程序Standard procedures to follow：企业已有成熟的操作手册。
• ✓纯文本资产Text assets only：输入和输出均为文本，因为 LLM 擅长处理文本。

较难实现的任务（Harder）

• ⚠步骤未知Steps not known ahead of time：任务需求在执行前不确定，需要代理动态规划。
• ⚠边执行边解决Plan/solve as you go：代理需要在过程中进行推理和决策。
• ⚠多模态输入Multimodal: sound, vision：需要处理图像、声音等非文本。

agentic AI 是将人类工作流程自动化的新范式——它不是取代人，而是把人从重复性、规则性强的任务中解放出来，专注于更高阶的决策与创造。

为什么需要任务分解？Task decomposition

一、核心概念：任务分解（Task Decomposition）

任务分解是构建代理型 AI 工作流的关键技能。其核心思想是：

1. 观察人类行为

思考如果一个人类要完成这个任务，他会怎么做？

2. 拆解步骤

将整个任务拆解成多个独立的、清晰的子步骤。

3. 评估可行性

对每个子步骤，思考它是否能用 LLM 或某个工具来实现。

4. 迭代优化

如果初步分解效果不理想，可以进一步细化某个步骤。

实例一：写一篇深度论文（Writing an Essay）

目标：让 AI 系统撰写一篇关于特定主题 X 的深入研究报告。

方法一：直接生成（1 步）

输入：Write an essay on topic X → LLM → 输出文档

问题：内容表面化，缺乏深度和一致性。

方法二：三步工作流（3-step Workflow）

1. • 撰写大纲（Write an essay outline）：LLM 根据主题 X 生成一个结构化的写作提纲。
2. • 网络搜索（Search web）：LLM 根据大纲生成搜索词，调用 web search 工具获取相关资料。
3. • 撰写论文（Write the essay）：LLM 结合大纲和搜索到的信息，撰写最终的论文。

优点：引入外部信息，内容更丰富。

缺点：文章仍可能”脱节”，开头、中间、结尾风格不一致。

方法三：五步工作流（5-step Workflow）

1. • 撰写大纲（Write an essay outline）：LLM 生成大纲。
2. • 网络搜索（Search web）：LLM 调用 web search 工具获取信息。
3. • 撰写初稿（Write a first draft）：LLM 根据大纲和搜索结果写出第一版草稿。
4. • 考虑修订部分（Consider what parts need revision）：LLM 阅读自己的初稿，分析哪些部分需要改进。
5. • 修订草稿（Revise your draft）：LLM 根据自我批评，对草稿进行修改和完善。

效果提升：模拟人类”写作-反思-修改”循环，输出质量显著提高。

核心方法论：”如果某一步骤效果不好，就把它再拆成更小的子步骤。”

实例二：回复客户邮件（Responding to Customer Email）

目标：自动回复客户关于”发错货”的投诉邮件。

1

提取关键信息（Extract key information）

输入: 客户邮件。操作: LLM 解析邮件，提取发件人姓名(Susan Jones)、订单号(#8847)、订购商品(蓝色搅拌机)和问题(收到红色烤面包机)。

可行性: LLM 擅长文本信息提取。

2

查找相关客户记录（Find relevant customer records）

操作: LLM 调用 orders database query 工具，根据订单号查询数据库，核实订单详情和发货记录。

可行性: LLM 可以通过函数调用与数据库交互。

3

撰写并发送回复（Write and send response）

操作: LLM 根据提取的信息和查询到的记录，起草一封回复邮件，并调用 send email API 将其发送给客户。

可行性: LLM 可以生成文本，并通过 API 执行发送动作。

关键洞察：这个例子展示了如何将一个看似单一的任务（回复邮件）分解为三个清晰、独立的步骤。每个步骤都可以由 LLM 或其调用的工具完成，从而构成一个完整的自动化流程。

实例三：从发票中提取信息（Extracting Information from Invoice）

目标：在 PDF 发票被转换为文本后，从中提取关键字段并保存到数据库。

1

查找所需信息（Find required information）

操作: LLM 分析文本，识别出账单发送方、地址、到期金额、到期日期等必需字段。

可行性: LLM 擅长从非结构化文本中提取结构化信息。

2

创建并保存新的数据库条目（Create a new database entry and save）

操作: LLM 调用 update database 工具，将提取到的信息写入数据库。

可行性: LLM 可以通过 API 或函数调用更新数据库。

关键洞察：这个例子非常简单，只有两个步骤，但它完美地诠释了任务分解的核心：将一个目标拆解为几个可执行的动作。

二、构建代理型 AI 工作流的基本构件（Building Blocks）

构建任何代理型 AI 工作流，都离不开以下两大类基本构件：

1. 模型（Models）

大型语言模型（LLMs）

• • 用途: 文本生成、工具使用决策、信息提取。
• • 特点: 擅长处理文本，是代理工作流的大脑。

其他 AI 模型（Other AI models）

用途: 处理非文本模态数据，如 PDF 转文本、文本转语音、图像分析等。

2. 工具（Tools）

API

用途: 执行外部服务，如网页搜索、获取实时天气数据、发送电子邮件、查看日历等。

信息检索（Information retrieval）

用途: 从数据库或大型文本库中检索信息，常用于 RAG（检索增强生成）场景。

代码执行（Code execution）

用途: 允许 LLM 编写并运行代码，以执行更复杂的计算或数据处理任务。

三、总结与关键技能

核心方法论

• • 从宏观到微观：面对一个复杂任务，不要试图一步到位。先将其分解为几个大的步骤。
• • 评估每个步骤：对每个步骤自问：”这个步骤能否由 LLM 或我拥有的某个工具来完成？”
• • 迭代与细化：如果某个步骤无法直接实现，或者实现效果不好，就把它再分解成更小的子步骤。
• • 组合构件：最终，你的工作流就是由”模型”和”工具”这两个基本构件按特定顺序组合而成的。

工作流设计原则

• • 从简单开始：先做 1-3 步的原型，再逐步扩展。
• • 模块化设计：每个步骤应尽量独立、可复用。
• • 容错与反馈：加入”检查”、”评审”步骤，避免错误累积。
• • 持续迭代：没有一步到位的完美工作流，需不断优化。

关键技能

• • 任务分解能力：能够清晰地识别和定义任务的各个离散步骤。
• • 构件理解能力：理解可用的模型和工具及其适用场景。
• • 迭代优化能力：不断测试、评估和改进工作流，直至达到预期性能。

“当你发现某一步无法由 LLM 或工具完成时，问问自己：’作为一个人，我会怎么做？’然后把这个’人’的做法拆成机器能执行的子步骤。”

评估智能体 AI（评测）Evaluation agentic AI (evals)

一、为什么评估如此重要？

预测成败的关键：在团队合作中，能否有效评估工作流是区分”做得好”与”做得差”的最大因素之一。

• • 驱动迭代优化：没有评估，就无法知道哪里出了问题，也无法改进。
• • 避免”黑盒”陷阱：不能只看最终输出，要深入分析中间过程和错误根源。

“能否进行严格、有纪律的评估（evals）是区分一个团队或个人在构建智能体工作流时’做得好’与’做得差’的最大预测因素。评估能力对有效构建智能体工作流至关重要。”

二、评估的核心方法论

首要原则：先构建，再观察，后评估

问题：在构建智能体工作流前，很难预知所有可能出错的地方。

解决方案：不要试图提前设计所有评估标准。最佳实践是先构建一个初步版本，然后手动检查其输出，寻找那些你希望它能做得更好的地方。

识别低质量输出（Look for low-quality outputs）

实例：以处理客户订单查询的智能体为例。

输入：

客户邮件：”我订购了蓝色搅拌机，但收到了红色烤面包机。”

期望输出：

礼貌、专业、解决问题的回复。

低质量输出示例：

“我很高兴您选择了我们——我们比竞争对手 CompCo 强多了。”

分析：这种输出是错误的，因为它提到了竞争对手，这在商业场景中通常是不被允许的，会制造混乱。这是一个在构建前难以预见的问题。

构建评估指标来追踪错误（Add an evaluation to track the error）

目标：量化并跟踪已识别的错误。

方法：

1. 1. 定义错误类型：例如，”提及竞争对手”。
2. 2. 创建列表：列出所有需要避免提及的竞争对手名称（如 CompCo, RivalCo）。
3. 3. 编写代码：编写脚本自动扫描智能体的所有输出，统计提及这些竞争对手的次数和频率。

Python

if (competitor in response): 
    num_competitor_mentions += 1

优势：这是一个客观指标（objective metric），可以用代码精确衡量，便于追踪改进效果。

使用大型语言模型作为裁判（Using LLM as a judge）

适用场景：当评估标准更为主观、难以用代码精确判断时（例如，评估一篇论文的质量）。

方法：

1. • 构建研究代理：例如，一个用于撰写不同主题研究报告的智能体。
2. • 引入裁判 LLM：使用另一个 LLM 来评估第一个 LLM 生成的报告。
3. • 设计评分提示词：让裁判 LLM 对报告进行打分（例如，1-5 分，5 分为最佳）。

Prompt

请为以下文章分配一个1到5之间的质量分数，其中5是最好的：
{essay}

三、评估的两大主要类型

1、端到端评估（End-to-end evals）

衡量整个智能体最终输出的整体质量。

例如：评估一篇完整论文的最终得分。

2、组件级评估（Component-level evals）

衡量智能体工作流中单个步骤或组件的输出质量。

例如：评估第一步”提取关键信息”的准确性，或第二步”查找相关客户记录”的召回率。

智能体设计模式 Agentic design patterns

智能体工作流的核心思想是将复杂的任务分解为一系列基础”构建模块”（building blocks），然后通过特定的设计模式将这些模块组合、串联起来，从而构建出能够处理复杂问题的系统。

1

反思（Reflection）

核心概念：让模型对自己的输出进行检查、评估和改进。

工作流程：

1. 1初始生成：模型根据任务要求生成一个初步结果（如代码）。
2. 2自我评估/外部评估：将该结果作为输入，再次提示同一个或另一个模型，要求其对结果进行批判性分析（如检查正确性、风格、效率，并给出改进建议）。
3. 3迭代优化：将评估反馈（如”第5行有bug”或”单元测试失败”）提供给模型，让它基于反馈生成一个更好的版本。
4. 4循环往复：此过程可以多次迭代，直到达到满意的质量。

关键点：

• • 这是一种非常有效的性能提升技术，虽然不能保证 100% 完美，但能带来显著的性能提升。
• • “反思”可以由同一个模型完成，也可以引入一个专门扮演”审查者”角色的独立模型（即多智能体协作的雏形）。
• • 评估标准可以是客观的（如代码是否能运行），也可以是主观的（如代码风格）。

2

工具使用（Tool Use）

核心概念：赋予语言模型调用外部工具或函数的能力，以扩展其功能边界。

工作流程：

1. 1识别需求：模型在处理任务时，判断需要调用哪个工具。
2. 2调用工具：模型生成调用该工具的指令或参数。
3. 3执行与返回：工具执行操作（如搜索网络、计算数学公式），并将结果返回给模型。
4. 4整合结果：模型利用工具返回的结果来完成最终任务。

工具类型举例：

信息收集

Web search, Wikipedia, Database access

分析计算

Code Execution, Wolfram Alpha

生产力

Email, Calendar, Messaging

图像处理

Image generation, OCR

关键点：工具使用极大地增强了模型的能力，使其不再局限于文本生成，而是能与现实世界互动并解决更广泛的问题。

3

规划（Planning）

核心概念：让模型自主决定完成一个复杂任务所需的步骤序列，而不是由开发者硬编码。

工作流程：

1. 1任务理解：模型接收一个复杂请求（如”生成一张女孩读书的图片，姿势与示例图中的男孩相同”）。
2. 2路径规划：模型自动分解任务，决定需要调用哪些工具以及调用的顺序。
3. 3执行：按照规划的步骤依次执行。

示例：

任务：生成一张女孩读书的图片，姿势与示例图中的男孩相同。

规划步骤：先用 openpose 模型提取男孩的姿势 → 再用 google/vit 模型根据该姿势生成女孩的图片 → 接着用 vit-gpt2 模型描述图片 → 最后用 fastspeech 模型将描述转为语音。

关键点：这种方式比硬编码的流程更灵活，但控制难度更大，也更具实验性。它允许模型在面对新任务时，自行构思解决方案，有时会产生令人惊喜的结果。

4

多智能体协作（Multi-agent collaboration）

核心概念：雇佣多个具有不同专长的角色（智能体）协同工作，共同完成一个复杂项目。

工作流程：

1. 1角色分配：为不同的智能体分配特定角色（如研究员、市场专员、编辑）。
2. 2分工合作：各个智能体根据自己的角色和能力，执行相应的子任务。
3. 3沟通协调：智能体之间相互沟通、传递信息，共同推进项目。

关键点：多智能体协作通常能产生比单个智能体更好的结果，尤其在处理复杂任务（如撰写人物传记、下棋）时。

研究表明，多智能体系统在多项任务上的表现优于单智能体系统：

关键点：其缺点是更难控制和调试，因为无法提前预知各个智能体的行为。