在AI技術(shù)飛速發(fā)展的今天，智能體（AI Agent）的概念備受關(guān)注，被一些人視為解決復(fù)雜問(wèn)題的萬(wàn)能鑰匙。然而，智能體并非萬(wàn)能，其應(yīng)用需要結(jié)合實(shí)際問(wèn)題和工作流程設(shè)計(jì)。本文深入探討了智能體的實(shí)質(zhì)和如何設(shè)計(jì)適合AI的工作流，以實(shí)現(xiàn)問(wèn)題的有效解決。

現(xiàn)在 AI 智能體（AI Agent）的概念很火，似乎智能體是用 AI 解決問(wèn)題的銀彈，有了智能體就可以解決很多問(wèn)題。但也有很多人有不同意見(jiàn)，認(rèn)為智能體不過(guò)是噱頭，并沒(méi)有看到靠譜的應(yīng)用場(chǎng)景。

一個(gè)被提及很多的是吳恩達(dá)老師寫(xiě)的多智能體翻譯的例子，簡(jiǎn)單來(lái)說(shuō)就是用三個(gè)智能體：一個(gè)直譯智能體、一個(gè)審查智能體、一個(gè)意譯潤(rùn)色智能體，確實(shí)可以大幅提升翻譯質(zhì)量。但并非一定要三個(gè)智能體才能提升翻譯質(zhì)量，我以前也提出過(guò)基于 Prompt 的翻譯方法，讓 LLM 在翻譯時(shí)，使用直譯 + 反思 + 意譯三個(gè)步驟輸出，也可以得到高質(zhì)量的翻譯結(jié)果。

本質(zhì)上，使用大語(yǔ)言模型（LLM）來(lái)解決問(wèn)題，思維鏈（COT, Chain of Thought）是一種有效提升生成質(zhì)量的方法，也就是說(shuō)，之所以翻譯質(zhì)量能提升，不是因?yàn)橛辛酥悄荏w，而是因?yàn)橛辛怂季S鏈。至于思維鏈的每個(gè)環(huán)節(jié)是用一個(gè)獨(dú)立的智能體，還是輸出的一個(gè)步驟，并沒(méi)有太本質(zhì)的差別。

其實(shí)大部分 AI 應(yīng)用場(chǎng)景都類(lèi)似：要用 AI 解決問(wèn)題，核心不在于智能體，而在于設(shè)計(jì)出一個(gè)適合 AI 的工作流。

那么怎么才能設(shè)計(jì)一個(gè)適合 AI 的工作流呢？我認(rèn)為有幾個(gè)因素需要考慮：

一、不要局限于人類(lèi)現(xiàn)有方案

有時(shí)候我們過(guò)于將 AI 擬人化，會(huì)不自覺(jué)的用人類(lèi)解決問(wèn)題的方式來(lái)套用在 AI 上，有時(shí)候確實(shí)有效，但很多時(shí)候并不一定是最優(yōu)解。就像專(zhuān)業(yè)的翻譯員，他們并不需要直譯反思意譯三個(gè)步驟，他們可以一步到位，直接輸出高質(zhì)量的翻譯結(jié)果，所以最開(kāi)始讓 AI 翻譯，Prompt 都是直接一步輸出翻譯結(jié)果，而不是分步驟輸出，結(jié)果翻譯出來(lái)的比較生硬。而當(dāng)我們發(fā)現(xiàn)思維鏈?zhǔn)谴笳Z(yǔ)言模型的一種有效提升方法后，就可以設(shè)計(jì)出更適合 AI 的工作流，分成幾步來(lái)解決問(wèn)題。

包括我看到一些智能體項(xiàng)目，嘗試模擬人類(lèi)軟件開(kāi)發(fā)的分工，使用項(xiàng)目經(jīng)理、產(chǎn)品經(jīng)理、架構(gòu)師、程序員、測(cè)試等等智能體角色去嘗試解決復(fù)雜的軟件項(xiàng)目，同樣也是一個(gè)過(guò)于擬人化而不一定適合 AI 解決問(wèn)題的思路，所以也只能出現(xiàn)在論文中，而無(wú)法在實(shí)際項(xiàng)目中落地。相反像 GitHub Copilot 這樣輔助生成代碼的工具倒是真正適合當(dāng)前 AI 編程的工作流，能實(shí)實(shí)在在提升開(kāi)發(fā)效率。

二、不必完全依賴(lài) AI 做決策

去年有一個(gè)超級(jí)火爆的項(xiàng)目叫 AutoGPT，就是你輸入一個(gè)任務(wù)，GPT-4 會(huì)將任務(wù)分解，制定計(jì)劃，調(diào)用外部工具，比如 Google 搜索，甚至執(zhí)行代碼，最終完成任務(wù)。這也算是 AI 智能體的先驅(qū)項(xiàng)目之一，但現(xiàn)在已經(jīng)很少有人提及了，因?yàn)橐袁F(xiàn)在 AI 的智能程度，還不足以對(duì)開(kāi)放性的任務(wù)做出靠譜的決策，最終除了幫 OpenAI 賣(mài)了大量的 Token 外，并沒(méi)有解決什么實(shí)際問(wèn)題。所以現(xiàn)在 AI 應(yīng)用的主流是把 AI 當(dāng)“副駕駛（Copilot）”，只是讓 AI 輔助人類(lèi)完成任務(wù)，主要還是人在做決策。

另外就是自己設(shè)計(jì)工作流，讓 AI 在工作流中完成一部分工作，并不過(guò)于依賴(lài) AI 做決策，或者只需要做簡(jiǎn)單的決策。比如說(shuō)商家借助 AI 處理差評(píng)的工作流：

• 程序抓取評(píng)論信息
• AI 分析每一條評(píng)論的情感，篩選出差評(píng)
• AI 生成回復(fù)（可能需要人工審核）

這是一個(gè)典型的設(shè)計(jì)好流程的適合 AI 的工作流，AI 只需要做簡(jiǎn)單的情感分析和回復(fù)生成，而不需要做復(fù)雜的決策，這樣的工作流可以很好的提升效率，并且結(jié)果也相對(duì)靠譜。

三、可以結(jié)合多種 AI或工具

去年起 AI 大熱，一個(gè)很重要的原因是大語(yǔ)言模型的出現(xiàn)，這些模型一方面確實(shí)能力強(qiáng)大，有一定的通用性，有簡(jiǎn)單的推理能力，另一方面使用也簡(jiǎn)單，無(wú)論是通過(guò)聊天機(jī)器人，還是通過(guò) API 調(diào)用，都能很方便的使用。即使像我這樣不是人工智能專(zhuān)業(yè)的人，也能很容易的使用這些模型。而在以前，人工智能相對(duì)來(lái)說(shuō)是個(gè)高門(mén)檻的領(lǐng)域，需要篩選數(shù)據(jù)、需要訓(xùn)練，還需要調(diào)參，對(duì)于非專(zhuān)業(yè)人士來(lái)說(shuō)是很難使用的。

但這也導(dǎo)致一個(gè)問(wèn)題，就是很多解決方案過(guò)于依賴(lài)大語(yǔ)言模型，而不知道或者不會(huì)使用其他領(lǐng)域的 AI 模型，但當(dāng)你能夠根據(jù)任務(wù)，將不同領(lǐng)域的 AI 模型或者工具結(jié)合起來(lái)，設(shè)計(jì)出合適的工作流，就能夠得到更好的解決方案。

四、回歸問(wèn)題本質(zhì)，AI 只是錘子

上面提的幾點(diǎn)都是容易犯的一些錯(cuò)誤，之所以容易犯這些錯(cuò)誤，恰恰是因?yàn)槲覀冇袝r(shí)候過(guò)于關(guān)注一些流行的概念或技術(shù)，而忽略了要解決的根本問(wèn)題是什么，將 AI 變成了目的而不是手段。如果你有了解馬斯克的第一性原理思維，其強(qiáng)調(diào)的就是回歸事物最基本的條件，把其解構(gòu)成各種要素進(jìn)行分析，從而找到實(shí)現(xiàn)目標(biāo)最優(yōu)路徑的方法。

而運(yùn)用第一性原理通常有三個(gè)步驟：

第 1 步：定義清楚你要解決的根本問(wèn)題。

第 2 步：拆解問(wèn)題。

第 3 步：從頭開(kāi)始創(chuàng)建解決方案。

而這也個(gè)思路也適用于我們?nèi)ソ柚?AI 解決問(wèn)題，設(shè)計(jì)出適合 AI 的工作流。

舉兩個(gè)設(shè)計(jì)合適 AI 工作流解決問(wèn)題的例子

一個(gè)例子是 PDF 轉(zhuǎn) Markdown。

做過(guò) PDF 翻譯的有經(jīng)驗(yàn)，要得到好的翻譯結(jié)果，將 PDF 的內(nèi)容整理成 Markdown，再讓大語(yǔ)言翻譯，效果是相當(dāng)好的。但這個(gè)不好做，因?yàn)?PDF 是用來(lái)打印的格式，并不是結(jié)構(gòu)化的數(shù)據(jù)，很難直接提取成 Markdown，再加上各種圖表、表格等，更是復(fù)雜。

最近看到一個(gè)項(xiàng)目叫 PDFGPT，它就做的很巧秒，本質(zhì)上是基于 GPT-4o 和 PyMuPDF 設(shè)計(jì)了一個(gè)工作流：

用一個(gè) PDF 操作庫(kù) PyMuPDF 檢測(cè) PDF 中的圖片、圖表、表格等，提取成圖片并保存

每一頁(yè) PDF 生成一張圖片，將圖片、圖表、表格等位置用紅框標(biāo)記出來(lái)，并附上對(duì)應(yīng)的圖片名稱(chēng)

借助 GPT-4o 的視覺(jué)能力，解析標(biāo)注后的圖片，生成對(duì)應(yīng)的 Markdown

如果你純粹依賴(lài)大語(yǔ)言模型，恐怕無(wú)法完成這樣的任務(wù)，一方面受限于上下文窗口的長(zhǎng)度限制，一次無(wú)法處理多頁(yè) PDF，另一方面對(duì)于圖片、圖表、表格等內(nèi)容無(wú)法嵌入 Markdown 中。如果結(jié)合 PyMuPDF 這樣的庫(kù)和一個(gè)簡(jiǎn)單的工作流，就可以方便的實(shí)現(xiàn) PDF 轉(zhuǎn) Markdown，生成的結(jié)果也挺不錯(cuò)。

另一個(gè)例子是漫畫(huà)的翻譯。

有很多那種氣泡文字的漫畫(huà)，如果要翻譯成其他語(yǔ)言，就需要將氣泡文字提取出來(lái)，翻譯后再放回去。漫畫(huà)翻譯的難點(diǎn)在于：

因?yàn)槁?huà)的氣泡文字位置不固定，有時(shí)候還會(huì)有重疊，不好提??；

翻譯的時(shí)候，如果只是把提取出來(lái)的文字按字面翻譯，但不知道當(dāng)前畫(huà)面的內(nèi)容，翻譯的結(jié)果可能會(huì)不通順；

翻譯后要對(duì)圖片進(jìn)行處理，抹掉原來(lái)的文字，將翻譯后的文字放回到原來(lái)的位置。

如果人工做會(huì)怎么做？可能是讀懂漫畫(huà)，翻譯，然后用 Photoshop 這個(gè)樣的工具抹掉原來(lái)的文字，再放上翻譯后的文字?？梢韵胂筮@樣的工作量還是不小的。

有一個(gè)開(kāi)源項(xiàng)目 comic-translate，就做的很好，它也是設(shè)計(jì)了一個(gè)適合漫畫(huà)翻譯的工作流：

用一個(gè)專(zhuān)業(yè)模型做氣泡檢測(cè)，找出文字氣泡的位置

用 OCR 做氣泡內(nèi)文字的提取

用一個(gè)專(zhuān)業(yè)模型移除氣泡內(nèi)的文字

借助 GPT-4o 的視覺(jué)能力，根據(jù)漫畫(huà)內(nèi)容，翻譯氣泡內(nèi)的文字

用程序?qū)⒎g后的文字繪制到原來(lái)的氣泡位置

如果不考慮翻譯質(zhì)量的話，這幾乎是一個(gè)全自動(dòng)的工作流，效率相當(dāng)高，成本也很低，最貴的部分是 GPT-4o 的 API，一頁(yè)也才 $0.02 左右。就算加上人工審核對(duì)翻譯結(jié)果和圖片生成結(jié)果的處理，也是能比以前的人工翻譯效率高很多。

從上面的例子可以看出，真正要用好 AI，讓 AI 發(fā)揮最大效能，核心是還是要基于你要解決的問(wèn)題，重新設(shè)計(jì)一個(gè)適合 AI 的工作流，讓 AI 在工作流中完成它最擅長(zhǎng)的工作，至于是不是智能體，是不是大語(yǔ)言模型，是不是 AI 幫你決策，都不是最重要的。