围观AI大佬吴恩达教授开发的Agent智能体

说到AI Agent，很多人第一反应是复杂的任务编排，但吴恩达教授这个翻译Agent的例子，把核心思路讲得特别清楚。说白了，就是三个步骤串起来：

• 先让大模型直接来一版初译
• 再让大模型自己反思这版翻译，挑毛病、提改进
• 最后拿着这些建议，重新翻译一遍

每一步对应一个Prompt。对我们大部分人来说，通常只用第一步——让模型直接出结果。但这个翻译Agent之所以能叫Agent，关键就在后面两步。这里用到的正是Agent设计模式里的

：让模型自己检查、评估上一轮输出，给出改进方向，然后重来一次。

第二步的那个反思Prompt，具体长这样：
（注：原文中此处应有一段Prompt示例，因用户未提供完整文本，此处略）

等拿到改进意见后，第三步的Prompt就会基于这些建议，重新翻译原始文本。这个过程中，有两个值得单独拎出来聊聊的设计点——

和。巧的是，前不久“首届GPT-4提示工程大赛”的冠军选手，也重点提到了这两样东西。

说白了就是一些特殊符号，用来帮大模型识别提示词里哪部分有特殊含义。最常见的做法是用XML标签。像上面那个Prompt里出现的、、这些标签，就分别标注了原文、翻译结果和改进建议。大模型能直接理解这些分隔符的含义，完全不需要你在提示词里多写一句解释，这样整个Prompt结构就清爽多了。

则是给大模型额外的行为指令，告诉它应该怎么响应。这相当于在普通用户提示之外，再加一层底层的约束。上面那个Prompt里system_message里的内容，就是干这个用的。

这个翻译Agent项目是用Python写的，核心就是用一个简单的工作流把三个步骤串起来。老渡之前也分享过，不管是Dify还是扣子这类Agent平台，都支持可视化工作流。只要配好大模型和提示词，零代码就能把同样的翻译Agent给搭出来，门槛其实很低。