上一期我们分享了吴恩达教授，在红杉 AI 峰会的分享内容：Agent > GPT5？吴恩达最新演讲：四种 Agent 设计范式（通俗易懂版），分享后，吴恩达教授介绍了 Harrison 大佬，即 Langchain 的作者。

熟悉 Agent 的朋友应该对 Langchain 不陌生，Langchain 是全球最大的生成式 AI 编排平台，在 Github 上高达 81k+ stars.（当吴恩达问在座的朋友谁使用过 Langchain 时，几乎所有人都举起了手。）

今天我们就来看看，Harrison 在短短的六分钟里，到底讲了什么？

以下是大佬发言（为了保证可读性，我们在尽量保证原意的情况下，融入了一些我们的理解）????

Langchain 是一个用于构建任何 LLM 应用的开发框架，但大家最常用的，就是用 Langchain 构建 Agent.

我们已经从各种渠道，或多或少理解了什么是 Agent，所以我这里就不详细讲了。

（此时 Harrison 的 PPT 上放了这张经典老图，来自 Lilian Weng 的博客）Agent 使用 LLM 以插件、规划、行动等各种形式和外部世界交互。

近段时间，开发者花费了大量时间，接受并证明了 Agent 的生产价值。所以我今天谈论的主题就是 Agent. 包括Agent 的三部分：Planning（规划）、UX（用户体验）、Memory（模型记忆能力）。

首先是 Planning（规划），刚刚吴恩达教授在他的演讲中很好的讲述了这部分内容。

如果你想循环调用 LLM，在每个步骤中，隐含地要求了 LLM 进行推理并规划下一步做什么。不过现在 LLM 模型能力还不够好，无法可靠地做到这一点。所以我们在 Planning 这一步，可以看到大家做的一些基本策略，（屏幕上）有很多论文和 Prompt 的策略，强制 LLM 做一些 Planning，比如要么预先明确每个步骤，要么最后加个 Reflection（反思）来检查是否正确的完成了所有任务。

这里有一个有趣的问题是，在未来，是这些 Prompt 策略一直存在，还是会被内置到模型 API 中（就像 Sam 说的那样）？这些策略是短期的最优解，还是会长期存在的，Agent 的必要组成？这是个开放性的问题，我没有答案。

另一个类似的东西，就是 Flow Engineering（流程工程），它没有用更好的模型，更好的 Prompt 技巧，而是通过这种类似状态机的东西构建了 LLM 的流程，取得了很好的效果。

接下来我想聊聊的是 Agent 的用户体验。我很喜欢 Davin（就是那个之前爆火的 AI 程序员）的用户体验，尤其是 Rewind（倒带，回到之前任意时刻并编辑代码或其所属状态）的功能，以便让它做一个更加明智的决定。

我认为这是一个非常强大的用户体验设计，Langchain 也尝试在做这方面事情。

最后我想分享的是关于模型记忆，举个例子，我用 AI 以特定风格写一篇小红书文章，你可以看到，我只是用简单的自然语言来进行纠错，然后我下次回到这个应用时，它会记住我的纠错，记住我想要的风格，可以快速的继续使用它，第三次回到应用依然能记住之前我所有的要求，我把这种能力归为 Procedural Memory（程序性记忆）。

同时，另一种记忆叫做 Personalized Memory（个性化记忆），即记住所有关于（使用该 AI 的）用户的所有事件，可能不一定会带来更正确的结果，但可以让用户的整体体验更佳。

比如我在尝试在构建和探索模型记忆能力时，做的这个案例。我们做了一个 AI 日程伴侣，你可以看到，我跟 ta 说，我去上了新东方烹饪学校，它会记得我以前跟他说过的，我喜欢吃西红柿炒番茄

我认为无论是程序性记忆，还是个性化记忆，都对 Agent 的发展非常重要。

以上就是全部内容，如若有任何疑问或建议，欢迎来我们 Agent 爱好者社区交流。

本文来源于公众号 特工宇宙 ，作者特工少女