🔄
🔄

Zero-shot to Loop

  • 从单次指示时代跨入迭代循环（Loop）时代。

  • 让 AI 自主规划、执行并校验最終結果。

Slide 1 of 3Remaining 2

1. 前言：为什么现在是“智能体”的时代？

从 2023 年到 2025 年，我们一度为与 AI 的“对话”感到惊艳。然而，到了 2026 年，主角已经不再是和人类聊天的 AI，而是 能够自主思考、使用工具并完成任务的“自律型智能体（Agentic AI）” 。

开发范式已完全从追求单一模型的聪明程度（如 GPT-5 或 Claude 4 等）转向通过组合现有模型来构建“迭代式工作流（Iterative Workflow）”的阶段。

💡

从“零样本（Zero-shot）”转向“迭代式工作流” 不要指望一次提示词就能得到完美答案，而是让 AI 进入“计划 → 执行 → 反思 → 修正”的循环。这正是 Agentic AI 的本质。

2. 智能体设计的“四种设计模式”

吴恩达（Andrew Ng）曾指出，“通过构建合适的工作流，即便是旧一代的模型也能发挥出超越下一代模型性能的水平”。其核心就在于以下四种模式：

1

2

3

4

3. 主流框架：该如何选择？

2026 年，智能体开发的事实标准已集中在以下三个框架：

项目 CrewAI LangGraph AutoGen
特点 基于角色的团队构建 基于图/状态机 基于对话的实验性环境
擅长领域 固定格式文档创建、调研 复杂循环、生产级逻辑 动态灵感爆发
学习成本 低（直观） 高（需要图论基础） 中等

该使用哪种工具？

  • CrewAI : 当您想定义如“作者”、“研究员”等角色并让其作为团队协作时最为理想。
  • LangGraph : 适用于银行系统或大规模开发等需要严格管理“特定状态（State）”并进行循环的专业人士。

4. 实战：2026 年的具体应用案例

介绍一些已经超越单纯演示阶段、深度融入业务实务的案例。

① 自律型软件开发 例如“Devin”的进化版智能体，可以阅读 GitHub 的

Issue，理解现有代码，编写修复代码并运行测试，直到全自动完成 PR（拉取请求）的创建。

② 智能调研 面对“阅读特定领域的 100

篇论文，进行总结并制作对比表”的指令，智能体会自主完成搜索、筛选、精读和整理，在数分钟内搞定。

5. 运营注意事项：防止智能体“暴走”

强力的武器往往伴随着风险。

✔
  • + 人类睡觉时任务也能继续推进
  • + 对复杂问题拥有压倒性的解决能力
  • + 通过工具组合实现无限的扩展性
✕
  • - 因无限循环导致 API 成本爆炸
  • - 存在误删数据库等不可逆操作的风险
  • - 上下文膨胀导致推理成本增加
ℹ️

贯彻人机协同 (Human-in-the-Loop, HITL) 在执行“购买”、“删除”、“部署”等具有破坏性或涉及资金的操作前，务必设计需要人工点击按钮进行确认的环节。

6. 总结：赋予 AI “手脚”的时代

Agentic AI 已将 AI 从单纯的“知识搜索引擎”转变为能将我们的能力提升数倍的“数字化手脚”。

不妨先从将您业务中“每天重复的三个步骤”交给智能体开始尝试。未来不在“提示词”中，而是在“工作流”中。

相关资源

引用: YouTube
Generative AI with LangChain

Generative AI with LangChain

学习作为智能体开发基础的 LangChain 及其应用 LangGraph 的必读书籍。

Amazon楽天

MCP 完全指南：集成 AI 工具的魔法协议

HonoGear
MCP 完全指南：集成 AI 工具的魔法协议
# agentic-ai # ai 智能体 # langgraph # crewai # dx # 自动化