5.10 总结

吴恩达教授在本节中，回顾了整套课程涉及到的内容。

课程首先介绍了 Agentic AI 能实现以往无法做到的应用场景，随后讲解了关键设计模式，如 反思（reflection） 与 工具调用（tool use / function calling），以及如何通过 评估与误差分析 持续改进系统性能。

最后一模块探讨了 规划（planning） 与 多智能体系统（multi-agent systems），让开发者能构建更强大但也更复杂的 AI 系统。

吴恩达教授希望学习者掌握这些技能后，能在实践中构建创新的 Agentic AI 应用，提升职业竞争力，并鼓励大家在未来负责任地运用这些知识，去创造有趣且有价值的成果。

作为曾经承蒙吴恩达教授系列课程帮助的大模型行业从业者，笔者有些话想和大家分享。

如果某项技术能低成本而平滑地提高一个增长期行业的生产力，就一定能大行其道。AI技术从上世纪开始，经历了诸多阶段，到现在迎来了以Tansformer为核心的大模型浪潮，终于到了爆发点。现在各行各业的数字化需求还很多，数字生产力与实现元宇宙的需求距离还很远，还有足够的需求可以填补，而大模型很能填补这个空缺——这也是为什么同样都是受资本追捧，元宇宙项目多半流产，而大模型在当下能大行其道的一个重要原因。

当然，大模型不可能是一颗常青树。随着时间流逝，大模型也总有成为明日黄花的一天。世界是运动的，任何技术形态都受到生产力与生产关系、技术基础与社会结构之间矛盾的制约与推动，而在大模型技术从新兴技术普及为基础建设的过程中，也势必孕育出更新的技术与载体，从而被取代。这也是否定之否定的哲学。

所以，当我们在学习大模型时，我们应该学习的是大模型技术背后那些有迁移性的思想，比如对复杂系统的编排拆分，比如项目中的工程与科研思维，比如从平滑迁移到打碎繁琐旧系统，用新技术的特点重建新系统的经验，比如对各类业务系统的底层逻辑总结。同时，在大模型领域深耕与发散的过程中，也要时刻留意新兴技术的萌芽——技术不是常青树，但持续掌握新技术的人可以是。

诸君，共勉！