国外亚洲成av人片在线观看,热99re久久精品这里都是精品,天堂网在线最新版www,国产成人av区一区二区三,51久久成人国产精品麻豆

吳恩達(dá)指出，MCP 處于早期，身份驗(yàn)證等不成熟；Agent 通信更是早期，大多還在努力讓單個(gè) Agent 正常運(yùn)行。他分享了對(duì) Agent 構(gòu)建路徑、工具組合等的判斷，強(qiáng)調(diào)構(gòu)建系統(tǒng)性評(píng)估機(jī)制的重要性，并探討了語(yǔ)音交互、AI 編程等話題。

吳恩達(dá)教授關(guān)于 Agent 的理解非常深刻，此前做過(guò)的幾次分享和教學(xué)都非常有啟發(fā)性。

最近吳恩達(dá)與 LangChain 聯(lián)合創(chuàng)始人 Harrison Chase 又展開了一場(chǎng)對(duì)話，交流 Agent 的發(fā)展現(xiàn)狀。

鏈接：https://www.youtube.com/watch?v=4pYzYmSdSH4&t=68s

InfoQ 已經(jīng)對(duì)對(duì)話內(nèi)容進(jìn)行了很好的編譯，因此我們基于吳恩達(dá)評(píng)Agent現(xiàn)狀：MCP尚處“蠻荒”，單Agent跑通已是“奇跡”，A2A協(xié)作堪稱“雙重奇跡”做了一些潤(rùn)改，內(nèi)容如下：

過(guò)去幾年，AI 工具公司構(gòu)建出一套功能強(qiáng)大、模塊豐富的工具體系。LangGraph、RAG 等組件就像樂(lè)高積木，讓開發(fā)者可以靈活拼裝、快速搭建系統(tǒng)。

但在真實(shí)場(chǎng)景中，往往會(huì)卡在某個(gè)細(xì)節(jié)模塊，比如上下文管理或評(píng)估。有經(jīng)驗(yàn)的人能迅速換個(gè)解法幾天解決，沒(méi)經(jīng)驗(yàn)的可能要多繞幾個(gè)月的彎路。

AI 開發(fā)的“殘酷”之處也在于此——沒(méi)有哪一個(gè)工具能包打天下，關(guān)鍵在于是否熟練掌握并高效組合整套工具鏈。

另一方面，工具之間的變化也很快。例如，隨著 LLM 的上下文長(zhǎng)度持續(xù)增加，一年半前的很多 RAG 最佳實(shí)踐，今天可能就不適用了。而 MCP 的出現(xiàn)則補(bǔ)上了另一個(gè)明顯的市場(chǎng)空缺，讓工具、API、數(shù)據(jù)源之間的集成變得更容易。

但正如吳恩達(dá)所言，MCP 仍處在“蠻荒階段”——網(wǎng)上有很多服務(wù)端實(shí)現(xiàn)，但“很多其實(shí)跑不起來(lái)”，身份驗(yàn)證和 token 管理也尚不成熟。而且， 在 Agent 與 Agent 通信方面，吳恩達(dá)坦言，如今大多數(shù)人（包括他本人）仍在努力讓一個(gè) Agent 正常運(yùn)行；而要讓兩個(gè)不同人的 Agent 成功協(xié)作，則幾乎像是完成了兩個(gè)奇跡。

我們翻譯了這場(chǎng)對(duì)話，讓大家了解吳恩達(dá)對(duì) Agent 構(gòu)建路徑、MCP 現(xiàn)狀、工具組合能力等核心問(wèn)題的最新判斷與實(shí)踐思路。

01 架構(gòu)核心在任務(wù)分解與流程編排

Harrison Chase：你提議我們不去糾結(jié)一個(gè)應(yīng)用是不是 Agent，而是去關(guān)注它有多“Agentic”，能不能再解釋一下這個(gè)觀點(diǎn)？

吳恩達(dá)：我之所以提出這個(gè)觀點(diǎn)，是因?yàn)槲野l(fā)現(xiàn)大家在不停地爭(zhēng)論：“這個(gè)是 Agent 嗎？”“這個(gè)不算吧？”——各種不同的定義爭(zhēng)議：它夠不夠自主？是不是符合某個(gè)標(biāo)準(zhǔn)？

我當(dāng)時(shí)的感覺(jué)是，與其花那么多時(shí)間爭(zhēng)論這個(gè)是不是 Agent，不如我們整個(gè)社區(qū)換個(gè)方式思考：把“Agenticness（自主性）”看作一個(gè)光譜——有些系統(tǒng) Agentic 能力強(qiáng)，有些弱。

你想做一個(gè)稍微具備一點(diǎn)自主性的 Agentic 系統(tǒng)，或者一個(gè)非常自主的系統(tǒng)，都是可以的，沒(méi)必要非得爭(zhēng)論“這算不算 Agent”。

所以我提議，我們就叫這些系統(tǒng)“Agentic systems”，然后專注于怎么構(gòu)建它們。這種思維方式，其實(shí)幫我們節(jié)省了大量爭(zhēng)論時(shí)間，讓我們能更快進(jìn)入實(shí)操階段。

Harrison Chase：你怎么看這個(gè)光譜——從“低自主性”到“高自主性”？現(xiàn)在大家在構(gòu)建系統(tǒng)時(shí)，大多處在哪個(gè)位置？

吳恩達(dá)：很多企業(yè)里的實(shí)際工作，是讓員工在網(wǎng)頁(yè)上填寫表單、搜索信息、查數(shù)據(jù)庫(kù)有沒(méi)有合規(guī)風(fēng)險(xiǎn)、判斷是否可以向某些客戶銷售某類產(chǎn)品；或者是復(fù)制粘貼一些數(shù)據(jù)，再做個(gè)搜索，再粘貼到另一個(gè)表單中。這些業(yè)務(wù)流程，往往是非常線性的，偶爾出現(xiàn)一點(diǎn)小循環(huán)或小分支，通常意味著流程失敗，比如因?yàn)槟硞€(gè)條件不滿足被拒絕。所以，我看到大量的機(jī)會(huì)，都來(lái)自這些簡(jiǎn)單流程。

而我也注意到，企業(yè)在把已有流程轉(zhuǎn)變?yōu)椤癆gentic workflow”時(shí)，仍面臨很大挑戰(zhàn)：比如，你應(yīng)該把流程拆分到什么樣的粒度？任務(wù)要分成哪些微步驟？當(dāng)你構(gòu)建了一個(gè)原型，但效果不夠好時(shí)，你要改進(jìn)哪一個(gè)步驟才能提升整體效果？這種“從復(fù)雜任務(wù)中拆解出可執(zhí)行的微步驟”、設(shè)計(jì)工作流結(jié)構(gòu)、評(píng)估機(jī)制等能力，其實(shí)現(xiàn)在還比較稀缺。

當(dāng)然，更復(fù)雜的 Agentic 工作流也非常有價(jià)值，尤其是包含大量循環(huán)的那些。但就“數(shù)量”來(lái)說(shuō)，現(xiàn)在的機(jī)會(huì)，還是主要集中在這些更簡(jiǎn)單的線性流程里，大家正在一步步把它們系統(tǒng)化、自動(dòng)化。

Harrison Chase：你做了很多深度學(xué)習(xí)相關(guān)的教學(xué)，也有很多課程是為了幫助大家理解和構(gòu)建 Agent。那么你覺(jué)得對(duì)于 Agent 構(gòu)建者來(lái)說(shuō)，哪些技能是最應(yīng)該掌握的？

吳恩達(dá)：我覺(jué)得最大的挑戰(zhàn)在于：很多業(yè)務(wù)流程里，牽涉到的是合規(guī)、法務(wù)、人力等團(tuán)隊(duì)的具體操作。那你要怎么構(gòu)建一個(gè)“管道”把這些流程數(shù)字化？是用 LangGraph 做集成？還是看看 MCP 是否也能幫助實(shí)現(xiàn)？

一個(gè)很重要但常被忽略的點(diǎn)是：要搭建一個(gè)正確的 Eval（評(píng)估）體系，不只是評(píng)估整個(gè)系統(tǒng)的效果，還要能追蹤每一步驟，這樣你才能快速定位“是哪一步壞了”，“是哪個(gè) Prompt 沒(méi)有發(fā)揮作用”。很多團(tuán)隊(duì)在這個(gè)過(guò)程中可能進(jìn)展比應(yīng)有的慢——他們一直靠人手評(píng)估，每次改完 Prompt，就一個(gè)個(gè)看輸出，人工判斷，這會(huì)極大影響效率。

我認(rèn)為，構(gòu)建系統(tǒng)性評(píng)估機(jī)制是最理想的方式。但問(wèn)題是，很多團(tuán)隊(duì)還沒(méi)有這種“下一步該做什么”的直覺(jué)。技能不足的團(tuán)隊(duì)經(jīng)常會(huì)走進(jìn)“死胡同”——比如花幾個(gè)月去優(yōu)化一個(gè)永遠(yuǎn)也做不好的組件。而經(jīng)驗(yàn)豐富的團(tuán)隊(duì)會(huì)說(shuō)：“這個(gè)方案我們放棄吧，換一條路線?！?/p>

我希望我能總結(jié)出更高效的方式，教會(huì)大家這種“經(jīng)驗(yàn)性判斷”，因?yàn)楹芏鄷r(shí)候你必須在幾分鐘甚至幾小時(shí)內(nèi)，看著 LangChain 的 Trace 輸出、判斷當(dāng)前狀態(tài)，然后迅速做出決策，而這仍然是非常困難的。

02 從工具到體系：AI 系統(tǒng)構(gòu)建進(jìn)入模塊化時(shí)代

Harrison Chase：你認(rèn)為這種“經(jīng)驗(yàn)性判斷”，更多是和 LLM（大模型）本身的限制有關(guān)，還是更偏向產(chǎn)品結(jié)構(gòu)、任務(wù)拆解這些“構(gòu)建能力”？

吳恩達(dá)：我覺(jué)得兩者都有。過(guò)去幾年，AI 工具公司構(gòu)建了一套非常強(qiáng)大的工具體系，包括 LangGraph 在內(nèi)。你可以思考如何實(shí)現(xiàn) RAG，如何構(gòu)建聊天機(jī)器人，如何做記憶系統(tǒng)、構(gòu)建 Eval、加上 Guardrails 等等。

我經(jīng)常會(huì)用一個(gè)類比：如果你手上只有一種顏色的樂(lè)高積木，比如只有紫色的，你其實(shí)很難拼出復(fù)雜的結(jié)構(gòu)。但現(xiàn)在我們有了更多類型的“積木”工具：紅的、黑的、黃的、綠的，各種形狀和功能。你擁有的積木越豐富，組裝成復(fù)雜結(jié)構(gòu)的能力就越強(qiáng)。

我們提到的那些 AI 工具，它們其實(shí)是不同形狀的“樂(lè)高積木”。在構(gòu)建系統(tǒng)時(shí)，你可能就正好需要那個(gè)“彎曲奇怪形狀的那一塊”，有經(jīng)驗(yàn)的人知道用哪一塊，能迅速完成任務(wù)。但如果你從沒(méi)做過(guò)某種類型的 Eval，可能會(huì)因此多花三個(gè)月時(shí)間，走彎路。而有經(jīng)驗(yàn)的人會(huì)直接說(shuō)：“我們用 LLM 做 Judge，評(píng)估方式換成這個(gè)，三天就能搞定。”

這也是 AI 比較“殘酷”的地方之一——它不是一個(gè)工具能解決所有問(wèn)題。寫代碼時(shí)，我自己也會(huì)用一堆不同的工具。我不能說(shuō)自己精通每一個(gè)，但我熟悉足夠多，可以快速組合。而且，工具之間的變化也很快。例如，隨著 LLM 的上下文長(zhǎng)度持續(xù)增加，一年半前的很多 RAG 最佳實(shí)踐，今天可能就不適用了。

我記得 Harrison 在這方面很早就開始探索了，比如早期的 LangChain RAG 框架、遞歸摘要等。而現(xiàn)在，由于上下文窗口擴(kuò)大了，我們可以往里面直接塞入更多信息。RAG 并沒(méi)有消失，但調(diào)參難度已經(jīng)大大降低——現(xiàn)在有一大段“都還行”的參數(shù)區(qū)間。

所以，隨著 LLM 的持續(xù)進(jìn)化，我們兩年前的一些直覺(jué)，有些可能就已經(jīng)不再適用了。

Harrison Chase：有哪些“樂(lè)高積木”組件是現(xiàn)在被低估了，但你會(huì)推薦大家去關(guān)注的？

吳恩達(dá)：雖然大家現(xiàn)在都在談?wù)撛u(píng)估這件事，但很多人其實(shí)并沒(méi)有真正去做。我不太明白為什么不做，可能是因?yàn)榇蠹彝ǔＵJ(rèn)為寫一個(gè)評(píng)估系統(tǒng)是一項(xiàng)巨大而嚴(yán)謹(jǐn)?shù)娜蝿?wù)。

經(jīng)常會(huì)發(fā)生這樣的事：我構(gòu)建了一個(gè)系統(tǒng)，然后某個(gè)問(wèn)題不斷出現(xiàn)。我以為修好了，它又壞了，再修好，又壞了。這時(shí)候我就會(huì)寫一個(gè)非常簡(jiǎn)單的評(píng)估，可能只包含五個(gè)輸入樣例，用一些非?；A(chǔ)的 LLM 作為評(píng)審，只針對(duì)這個(gè)特定的回歸問(wèn)題做檢測(cè)——比如“這個(gè)地方是不是又壞了”。

我并不會(huì)完全用自動(dòng)化評(píng)估取代人工評(píng)估，還是會(huì)親自看輸出。但這個(gè)簡(jiǎn)單的評(píng)估可以幫我減輕一點(diǎn)負(fù)擔(dān)，自動(dòng)跑一下，讓我不用每次都手動(dòng)去檢查。

然后會(huì)發(fā)生什么呢？就像我們寫論文一樣，一開始只是搭一個(gè)非常簡(jiǎn)陋、明顯有缺陷的評(píng)估系統(tǒng)。但等你有了初版，你會(huì)想“其實(shí)我可以改進(jìn)它”，然后就開始迭代優(yōu)化。

很多時(shí)候我就是從一些糟糕透頂、幾乎沒(méi)什么幫助的評(píng)估開始做起的。然后隨著你查看它的輸出，你會(huì)發(fā)現(xiàn)“這個(gè)評(píng)估系統(tǒng)是壞的，但我可以修好它”，就慢慢讓它變得更好。

另一個(gè)我想提的點(diǎn)是，雖然大家也討論得挺多，但我覺(jué)得還遠(yuǎn)遠(yuǎn)被低估的，是 Voice stack（語(yǔ)音技術(shù)棧）。這是我非常感興趣的領(lǐng)域，我身邊很多朋友也很看好語(yǔ)音應(yīng)用。我們也看到不少大型企業(yè)對(duì)語(yǔ)音技術(shù)極其感興趣，而且是規(guī)模很大的企業(yè)、使用場(chǎng)景也很大。

雖然這個(gè)社區(qū)里也有一些開發(fā)者在做語(yǔ)音，但開發(fā)者的關(guān)注度相比這些企業(yè)的關(guān)注度還是小得多。而且我們說(shuō)的也不僅僅是實(shí)時(shí)語(yǔ)音 API，也不只是 Speech-to-text 那類原生音頻模型——因?yàn)槟欠N模型往往很難控制。我更喜歡一種基于 Agentic 工作流的語(yǔ)音技術(shù)棧，它更容易控制。我最近在和很多團(tuán)隊(duì)一起做語(yǔ)音棧相關(guān)的項(xiàng)目，有些希望很快能對(duì)外公布。

還有一個(gè)可能不算“被低估”，但我認(rèn)為更多企業(yè)應(yīng)該去做的事情是——讓開發(fā)者使用 AI 輔助編程。

很多人應(yīng)該都見過(guò)，使用 AI 輔助的開發(fā)者效率遠(yuǎn)遠(yuǎn)高于不使用的開發(fā)者。但我還是看到很多公司，尤其是 CIO、CTO 們，還制定了一些政策，不允許工程師用 AI 編程工具。我知道有時(shí)也許是出于合理原因，但我覺(jué)得我們需要盡快突破這個(gè)限制。坦白講，我和我的團(tuán)隊(duì)，已經(jīng)完全無(wú)法想象在沒(méi)有 AI 幫助的情況下寫代碼了。但現(xiàn)在還有很多企業(yè)需要接受和適應(yīng)這一點(diǎn)。

還有一個(gè)被低估的觀點(diǎn)是，我覺(jué)得“每個(gè)人都應(yīng)該學(xué)一點(diǎn)編程”。

我們 AI Fund 的一個(gè)有趣事實(shí)是：我們公司每個(gè)人都會(huì)寫代碼，包括前臺(tái)接待、CFO、法務(wù)總顧問(wèn)……所有人都會(huì)寫。不是說(shuō)我希望他們成為軟件工程師，但在自己的崗位上，他們通過(guò)學(xué)一點(diǎn)點(diǎn)代碼，能夠更清晰地告訴計(jì)算機(jī)他們想做什么。這帶來(lái)了各個(gè)非工程崗位的顯著生產(chǎn)力提升，這個(gè)現(xiàn)象我也覺(jué)得挺令人激動(dòng)。

03 語(yǔ)音交互關(guān)鍵是對(duì)“延遲”的要求

Harrison Chase：如果現(xiàn)在有人想進(jìn)入語(yǔ)音這個(gè)方向，而他們之前已經(jīng)熟悉了用 LLM 構(gòu)建 Agent，那你覺(jué)得他們的知識(shí)遷移性有多強(qiáng)？有哪些是相通的？又有哪些是全新的需要學(xué)習(xí)的？

吳恩達(dá)：我覺(jué)得有很多場(chǎng)景語(yǔ)音其實(shí)是非常關(guān)鍵的，它帶來(lái)了某些新的交互方式。

從應(yīng)用層面看，文本輸入其實(shí)是一個(gè)“令人畏懼”的交互方式。你去跟用戶說(shuō)，“告訴我你的想法，這是一個(gè)輸入框，寫點(diǎn)文字吧”，很多人會(huì)覺(jué)得壓力很大。而且文字輸入還能退格，用戶回復(fù)速度就更慢。

但語(yǔ)音就不一樣了：時(shí)間是往前推進(jìn)的，你說(shuō)了就說(shuō)了，也可以臨時(shí)改變主意，比如說(shuō)“我改主意了，忘了我前面說(shuō)的”，模型其實(shí)處理這些的效果還不錯(cuò)。所以很多時(shí)候，語(yǔ)音可以降低用戶使用門檻。我們說(shuō)“說(shuō)說(shuō)你的想法”，用戶就自然地開口了。

語(yǔ)音系統(tǒng)和文本系統(tǒng)最大的區(qū)別在于對(duì)“延遲”的要求。如果用戶說(shuō)話了，系統(tǒng)理想中需要在一秒內(nèi)做出回應(yīng)（最好是 500 毫秒以內(nèi)，但至少不能超過(guò)一秒），但傳統(tǒng) Agentic 工作流可能需要幾秒鐘甚至更久的處理時(shí)間。比如我們?cè)谧鲆粋€(gè)“我的虛擬分身”項(xiàng)目，你可以在網(wǎng)頁(yè)上和自己的虛擬形象對(duì)話。我們最初版本有 5~9 秒的延遲——你說(shuō)完話，沉默九秒鐘，然后分身才回答，這是非常糟糕的體驗(yàn)。

后來(lái)我們做了一些“預(yù)回應(yīng)”的設(shè)計(jì)。比如你問(wèn)我一個(gè)問(wèn)題，我可能會(huì)先說(shuō)：“嗯，這是個(gè)有意思的問(wèn)題”或者“讓我想想”。我們就讓模型去做類似這樣的回應(yīng)，用來(lái)掩蓋延遲，這招效果很好。

還有一些其他小技巧，比如說(shuō)，如果你做的是語(yǔ)音客服機(jī)器人，在等待期間播放背景音，而不是完全的靜音，用戶就會(huì)更容易接受系統(tǒng)的“遲鈍”。

而且在很多應(yīng)用中，語(yǔ)音讓用戶更容易進(jìn)入狀態(tài)，降低了“自我審查”的門檻。人們說(shuō)話的時(shí)候，不會(huì)像寫字那樣追求完美。他們可以隨便說(shuō)說(shuō)，改口、反復(fù)、自由表達(dá)——這讓我們更容易從他們那里獲取有用信息，也能更好地幫助他們推進(jìn)任務(wù)。

04 如果說(shuō) MCP 還早期，那 Agent 通信就更早期了

Harrison Chase：你認(rèn)為 MCP 在應(yīng)用構(gòu)建方式、類型上，帶來(lái)了哪些變化？你怎么看它對(duì)整個(gè)生態(tài)的影響？

吳恩達(dá)：我覺(jué)得 MCP 非常令人興奮。

我個(gè)人非常喜歡 MCP，它補(bǔ)上了一個(gè)明顯的市場(chǎng)空缺，而 OpenAI 的快速跟進(jìn)也說(shuō)明了這個(gè)標(biāo)準(zhǔn)的重要性。我覺(jué)得 MCP 標(biāo)準(zhǔn)未來(lái)還會(huì)不斷演進(jìn)，目前它主要讓 Agent 更容易接入各種數(shù)據(jù)，但其實(shí)不只是 Agent，很多其他軟件也可以受益。

我們?cè)谟?LLM 的時(shí)候，尤其在構(gòu)建應(yīng)用時(shí)，往往會(huì)花很多時(shí)間在構(gòu)建 Pipeline 上——也就是各種數(shù)據(jù)接入工作上。尤其是在大企業(yè)環(huán)境下，AI 模型其實(shí)已經(jīng)很聰明了，只要給它正確的上下文，它就能做出合理的事情。

但我們往往要花大量時(shí)間處理接入工作，搞清楚怎么把數(shù)據(jù)喂給模型，才能讓它輸出你想要的東西。MCP 正是在這方面起到了很大的標(biāo)準(zhǔn)化作用，它讓工具、API、數(shù)據(jù)源之間的集成變得更容易。

當(dāng)然，現(xiàn)在 MCP 還是有些“蠻荒”。你在網(wǎng)上能找到很多 MCP 服務(wù)端，但很多其實(shí)跑不起來(lái)。身份驗(yàn)證系統(tǒng)也很混亂，就算是一些大公司，MCP 服務(wù)也存在 token 是否有效、是否過(guò)期等問(wèn)題。

此外，我覺(jué)得 MCP 協(xié)議本身也還很早期?，F(xiàn)在的 MCP 會(huì)返回一個(gè)很長(zhǎng)的資源列表，未來(lái)我們可能需要某種分層發(fā)現(xiàn)（hierarchical discovery）機(jī)制。比如你要構(gòu)建一個(gè)系統(tǒng)——我不知道將來(lái)會(huì)不會(huì)有 LangGraph 的 MCP 接口——但像 LangGraph 這樣的系統(tǒng)，有成百上千個(gè) API 調(diào)用，你總不能把所有調(diào)用都塞進(jìn)一個(gè)扁平列表里讓 Agent 去自己篩選。

所以我們可能需要一種層級(jí)式的資源發(fā)現(xiàn)機(jī)制。我覺(jué)得 MCP 是個(gè)非常棒的第一步。我非常鼓勵(lì)大家去了解它，它可能真的會(huì)讓你的開發(fā)更輕松，尤其是如果你能找到一個(gè)穩(wěn)定好用的 MCP 服務(wù)端實(shí)現(xiàn)來(lái)幫你做數(shù)據(jù)整合的話。

我也認(rèn)為，從長(zhǎng)遠(yuǎn)看這點(diǎn)非常重要——如果你有 n 個(gè)模型或 Agent，要接入 m 個(gè)數(shù)據(jù)源，那你不該為了每一個(gè)組合都單獨(dú)寫接入邏輯，工作量不應(yīng)該是 n × m，而應(yīng)該是 n + m。而我覺(jué)得 MCP 就是朝著這個(gè)方向邁出的非常棒的第一步。它還需要繼續(xù)演化，但的確是個(gè)好起點(diǎn)。

Harrison Chase：還有另一種協(xié)議，雖然不像 MCP 那么熱，但也值得關(guān)注，就是 Agent 與 Agent 之間的通信。那么你怎么看 Agent 與 Agent 通信的發(fā)展？

吳恩達(dá)：現(xiàn)在的 Agent 通信依然非常早期。我們大多數(shù)人，包括我自己，在讓自己的代碼正常運(yùn)行這件事上都還在掙扎。所以要讓我的 Agent 和另一個(gè)人的 Agent 正常協(xié)作，就像是實(shí)現(xiàn)了兩個(gè)奇跡。

目前我看到的情況是：一個(gè)團(tuán)隊(duì)內(nèi)部自己構(gòu)建的多 Agent 系統(tǒng)，是可以運(yùn)轉(zhuǎn)起來(lái)的。因?yàn)榇蠹叶荚谕粋€(gè)團(tuán)隊(duì)，知道協(xié)議、約定、接口是什么，也知道怎么打配合——這樣就能跑起來(lái)。但要讓一個(gè)團(tuán)隊(duì)構(gòu)建的 Agent 能和另一個(gè)完全不同團(tuán)隊(duì)的 Agent 協(xié)同，現(xiàn)在來(lái)看，還太早。 我相信我們終究會(huì)實(shí)現(xiàn)這一點(diǎn)，但就我自己目前觀察到的，還沒(méi)有看到太多真正成功、規(guī)模化運(yùn)行的案例。不知道你們是不是有類似的觀察？

Harrison Chase：沒(méi)錯(cuò)，我同意你的看法。如果說(shuō) MCP 還早期，那 Agent 間通信就更早期了。

05 用“vibe coding”編程累死我了

Harrison Chase：你怎么看待 vibe coding（氛圍編程）？它和傳統(tǒng)編程相比是否是一種新的技能？它在當(dāng)今世界中起到什么作用？

吳恩達(dá)：我覺(jué)得我們很多人現(xiàn)在編程的時(shí)候幾乎不再看代碼了，這其實(shí)是一種非常棒的進(jìn)展。不過(guò)我覺(jué)得“vibe coding”這個(gè)名字挺不幸的，因?yàn)樗鼤?huì)讓很多人誤解，以為這件事只是“靠感覺(jué)”——比如這個(gè)建議我接受，那個(gè)我拒絕，僅憑直覺(jué)判斷。

但說(shuō)實(shí)話，當(dāng)我花一天時(shí)間用這種“vibe coding”方式，也就是借助 AI 編碼助手工作后，我通常會(huì)感到非常疲憊。這其實(shí)是一種非常需要智力投入的活動(dòng)。所以我認(rèn)為雖然這個(gè)名字不好，但這個(gè)現(xiàn)象是真實(shí)存在的，而且它的確在發(fā)展，而且是件好事。

過(guò)去一年里，有一些人在建議別人“不要學(xué)編程”，理由是 AI 會(huì)自動(dòng)幫你寫代碼。我認(rèn)為未來(lái)回頭看這將會(huì)是史上最糟糕的職業(yè)建議之一。如果你回顧過(guò)去幾十年的編程發(fā)展歷史，每一次編程門檻降低，都會(huì)讓更多人開始學(xué)習(xí)編程。比如從穿孔卡片轉(zhuǎn)向鍵盤和終端，或者從匯編語(yǔ)言過(guò)渡到 COBOL，我甚至找到了一些非常古老的文章，當(dāng)時(shí)就有人聲稱，“我們有了 COBOL，就不再需要程序員了”。

但事實(shí)是，每次編程變得更簡(jiǎn)單，學(xué)習(xí)編程的人反而變多了。

所以我認(rèn)為，AI 編碼助手也將推動(dòng)更多人學(xué)習(xí)編程。而且，未來(lái)最重要的技能之一，無(wú)論是對(duì)開發(fā)者還是非開發(fā)者來(lái)說(shuō)，都是“清晰準(zhǔn)確地告訴計(jì)算機(jī)你想做什么，讓它替你完成”這件事。

想要做到這一點(diǎn)，了解一些計(jì)算機(jī)的基本工作原理其實(shí)非常有幫助。我知道你們?cè)谧暮芏嗳艘呀?jīng)理解了這一點(diǎn)。但這也是我為什么一直建議大家至少學(xué)會(huì)一門編程語(yǔ)言，比如 Python。

也許你們有人知道，我自己是一個(gè) Python 能力比 JavaScript 更強(qiáng)的人。但在使用 AI 編程助手之后，我寫了比以往更多的 JavaScript 和 TypeScript 代碼。即使是調(diào)試那些 AI 幫我生成、而不是我親手寫的 JavaScript 代碼時(shí)，理解其中的錯(cuò)誤類型和含義，對(duì)我來(lái)說(shuō)仍然非常重要，幫助我去修復(fù)它們。