一句话总结吴恩达老师的这篇文章：不管白猫黑猫，能抓老鼠的猫就是好猫！与其浪费时间去争论某某是不是智能体（agent），不如讨论某某是不是具有智能体特征（agentic），把精力花在打造具有智能体特征的系统或者工具上。

*** 以下为原文翻译 ***

机器学习成功的一个原因是我们这个领域对各种各样的研究都持欢迎态度。我想不出一个例子，有人开发了一种他们称之为机器学习算法的东西，而我们社区的资深成员会批评说，“那不是机器学习！”事实上，数学家Legendre和Gauss在19世纪初就使用了基于最小二乘法的线性回归——那时还没有计算机——但机器学习接受了这些算法，我们在入门课程中常常称它们为“机器学习”！

相比之下，大约20年前，我看到一些大学的统计学系对机器学习的发展表示，“那不是真正的统计学。”这是为什么机器学习在计算机科学系比在统计学系成长得多的一个原因。（幸运的是，从那以后，大多数统计学系对机器学习变得更加开放。）

几个月前，当我思考如何讨论使用反思、工具使用、规划和多智能体（multi-agent）合作等设计模式来产生比零样本（zero-shot）提示更好结果的智能体（agent）系统时，这种对比浮现在我脑海中。我曾参与过关于某些系统是否应被算作“智能体”的讨论。我认为，与其以二元方式选择某物是否为智能体，不如认为系统具有不同程度的智能体特征（agentic）会更有用。与名词“智能体”不同，形容词“智能体特征”使我们能够思考这些系统，并将所有这些系统包括在这一不断发展的领域中。

越来越多的人在构建对大语言模型（LLM）进行多次提示的系统，使用类似智能体的设计模式。但在明确不属于智能体（例如只对模型进行一次提示）和明确属于智能体（例如，一个在给定高级指令后，进行规划、使用工具并执行多次迭代处理的自主智能体）之间存在一个灰色地带。

与其争论哪些工作应包括或排除在真正的智能体之外，我们可以承认系统具有不同程度的智能体特征。这样一来，我们可以更容易地包容所有想要研究智能体系统的人。我们还可以鼓励新人从构建简单的智能体工作流开始，并逐步使其系统更复杂。

在过去几周，我注意到，尽管技术人员和非技术人员有时都使用“智能体”这个词，但主要只有技术人员使用“智能体特征”这个词（目前是这样！）。所以，当我看到一篇讨论“智能体特征”工作流的文章时，我更有可能阅读它，因为它不太可能是营销噱头，而更可能是由理解技术的人写的。

让我们继续研究智能体系统，并继续欢迎所有想加入我们领域的人！

点击图片查看原图