Andrew Ng
身份与本文语境
Andrew Ng 即吴恩达。在本文语境中，他的核心身份首先是 AI Fund 创始人，其次是一次围绕 AI Agent 工程实践展开对谈的主角，也是整套 Agent 构建方法论的主要提出者。
对谈发生在 LangChain Interrupt 峰会上，Andrew Ng 与 LangChain 联合创始人 Harrison Chase 进行讨论。文中将他定位为 AI 教育与创业孵化的重要推动者，并将其观点集中在 Agent 构建方法、评估机制、语音交互工程、协议基础设施，以及团队能力判断上。
核心判断：关键不在提示设计，而在流程建模与执行速度
Andrew Ng 在本文中的一个总判断是：未来 AI 构建者的核心竞争力，不在提示设计本身，而在于把任务流程建模清楚，并以足够快的速度完成构建、评估、纠错和重组。
这意味着，真正拉开差距的不是“会不会写一个漂亮 prompt”，而是：
- 能否把现实业务流程拆成可执行步骤；
- 能否判断每一步应该由什么组件承担；
- 能否在系统失败后迅速定位是哪个环节出了问题；
- 能否在几分钟到几小时内，而不是几周到几个月内，完成一次有效迭代。
在他的表述里，很多团队的问题不是模型不够强，而是不会把流程搭起来，也不会在系统出错时决定“下一步该优化哪里”。
对 agenticness 的定义修正：不是标签，而是光谱
Andrew Ng 明确反对把“是不是 Agent”当成一个值得反复争论的语义问题。他指出，随着 Agent 概念走红，"agenticness" 一词被大量滥用，越来越多系统都被贴上 Agent 标签，但实际含义变得模糊。
他的修正是：Agenticness 应被理解为连续程度，而不是二元标签。
也就是说，一个系统并不是非黑即白地“要么是 Agent，要么不是 Agent”；更合理的理解是，不同系统具有不同程度的自主性。从几乎没有自主性，到具备较高自主性，都可以落在同一条光谱上。
他认为，只要系统具备一定程度的自主性，就可以纳入 agentic 系统的讨论范围。由此，社区不必再纠缠“它是否真正算 Agent”，而应直接回到更重要的问题：这个系统是否能有效解决实际问题。
这种定义修正的意义在于，它把讨论重心从概念归类转回工程落地。
对行业短板的判断：缺少把现实流程转化为 agentic 系统的中间技能
Andrew Ng 认为，当下行业并不只是缺更复杂的多 Agent 架构，真正更稀缺的，是一类“中间技能”：把现实世界中结构化、重复性的业务流程，转写成可执行的 agentic 系统。
他提到，很多商业流程其实并不神秘，往往是线性的，或者是在主线性流程里夹杂少量失败分支。典型例子包括：
- 填写表单；
- 在网页上搜索信息；
- 访问数据库检查是否涉及合规；
- 判断某个物品是否允许销售；
- 在多个系统间进行复制、粘贴、再次搜索、再次粘贴的循环操作。
这些流程本质上结构相对固定，十分适合 agent 化。但大量公司仍然不知道如何把这类流程变成 agentic 系统，尤其不知道：
- 应该用什么粒度拆任务；
- 某个原型效果不佳时应先修哪个步骤；
- 什么时候应该继续线性编排，什么时候需要更复杂的图结构或多代理协作。
他的判断是，当前构建者的主要问题仍集中在简单流程的建模与拆解，而不是高级架构不够花哨。换言之，行业最缺的不是概念热情，而是把结构化流程自动化的实操能力。
这与 Context Engineering、Skill Engineering、Agent Skills 等方向密切相关，因为它们本质上都在试图把“任务怎么做”编码为可执行、可复用、可评估的结构。
角色职责理解：Agent 系统需要模拟现实组织分工
Andrew Ng 进一步指出，现实业务流程通常横跨多个职能角色，例如合规、法务、人力资源等。每个角色承担不同职责，Agent 系统若想真正落地，就需要在流程中模拟这些角色的逻辑，并把它们衔接起来。
因此，构建 Agent 不只是“让模型回答问题”，而是要做系统管道设计：
- 哪些步骤需要顺序执行；
- 哪些步骤要调用检索、记忆、规则校验或外部接口；
- 哪些步骤适合模块化；
- 哪些错误是局部错误，哪些错误会导致整条流程失效。
他没有把某一种框架绝对化，而是指出是否使用 LangGraph、是否采用 Host 形式、是否拆成多个模块，都应由任务本身决定。边界在于：框架不是答案，任务结构才是答案。
对评估机制的强调：这是 Agent 工程里最大的隐性问题
Andrew Ng 将评估机制缺失视为当前 Agent 构建过程中最大的“看不见的问题”之一。他观察到，许多团队过度依赖人工评估：每次系统有调整，就由人重新查看输出是否正确。
这种做法的问题在于：
- 速度慢；
- 成本高；
- 难以持续迭代；
- 很难形成稳定的回归判断；
- 会让团队在定位失败步骤时缺少客观抓手。
因此，他主张尽快建立自动评估，哪怕一开始质量很粗糙。
支持快速、粗粒度自动评估
Andrew Ng 对评估系统的态度非常务实：评估不需要一开始就完美，应该先快速搭一个“哪怕很烂”的初级评估系统。
他给出的做法非常具体：如果某一步经常失败，就针对这一失败步骤写一个简单检测脚本，哪怕只覆盖 5 个输入样例也可以；再用一个简单模型去判断调整后是否发生回归。
这里的关键边界是：
- 评估系统不必完全替代人工；
- 评估系统首先承担的是重复性判断任务；
- 重点是让开发者获得快速反馈，而不是追求一次性建成完美 benchmark。
他理想中的状态，是开发者能借助 LangSmith 一类工具，在几分钟到几小时内做出判断，而不是拖很久才知道某次修改是否有效。
这套方法论体现出一种“真实数据、真实失败路径、快速回路”的工程观：评估不是论文式附属品，而是系统直觉形成的基础设施。
系统直觉：最宝贵的能力来自快速迭代中的触觉
Andrew Ng 认为，Agent 工程里非常关键的一种能力是“系统直觉”或“触觉型直觉”。这不是抽象天赋，而是在反复构建、观察失败、快速评估之后积累出来的判断力。
拥有这种直觉的人，能较快看出：
- 一个方向值不值得继续优化；
- 某个组件是否注定很难奏效；
- 失败更可能来自任务拆分、工具选型，还是评估缺失；
- 哪一步需要重写，哪一步只需轻微修补。
他甚至强调，没有这种触觉，一个团队可能花几个月优化错误组件；而有经验的人可能一眼就知道这条路走不通。