标签
Andrew Ng 在 2024 年的预测——即使用较弱模型的智能体工作流可以胜过较强的独立模型——已得到 Anthropic 的验证：一个协调更便宜子智能体的编排器以 90.2% 的优势击败了单个 Claude Opus。这篇文章强调了 Claude Code 子智能体作为实际实现。
Andrew Ng 预测，传统提示工程将在六个月内过时，重心将转向自主智能体系统，这些系统只需极少的人工输入即可迭代并自我改进。
吴恩达推出LearnVector，这是一家专注于打造一对一学习体验的AI公司，获得了Coursera的1亿美元投资，旨在超越聊天机器人，提供个性化、可信赖的教育。
Andrew Ng将关注点从系统是否是智能体转向它拥有多少自主权，建议构建具有按任务精心设置的自主性水平的智能体工作流，而非完全自主。
Andrew Ng 发布了一份8页的PDF，详细介绍了四个关键的智能代理工作流程：反思、工具使用、规划和多代理协作，强调一个弱模型通过适当的架构可以胜过强模型。
吴恩达分享个人经历，指出Sam Altman和Dario Amodei曾在他手下工作过，并评论中国在AI创新上比美国更开放，通过开源和开放权重生态取得进展，中美知识交流已成为双向流动。
An analysis comparing Andrew Ng's three-layer AI coding loop framework with ClaudeDevs' four command types for Loop Engineering, providing a practical guide to implementing verification-driven AI development workflows.
Andrew Ng预测，在3-6个月内，AI社区将从手动提示转向自我改进循环，标志着AI交互的重大变化。
吴恩达解读了Loop Engineering概念，即AI通过编写代码、测试、修复的循环来自动完成开发任务，并扩展到开发者反馈循环和真实世界反馈循环，强调人类在提供上下文信息中的关键作用。
Andrew Ng讨论了“循环工程”的概念，将其作为构建AI智能体以迭代开发软件的关键方法，并概述了三个主要循环：智能体编码循环、开发者反馈循环和外部反馈循环。
吴恩达分享了他组织工程团队以在AI时代加速发展的方法，强调由高上下文通才组成的小团队，以减少组织瓶颈。
Andrew Ng 强调 AI 正将软件开发从编码转向通过提示词进行清晰沟通。作者分享了使用 VS Code、Kombai 和 GitHub 等 AI 工具构建 web 应用的经验。
DeepLearning.AI 目前拥有 120 门 AI 课程，特色是邀请模型/工具的作者亲自授课，课程按学习目标（如 prompting、Agent、RAG、fine-tune 等）分类，为用户提供清晰的路径选择。
Andrew Ng批评哈佛大学将本科生的A等级比例限制在20%的决定，认为教育的作用应该是帮助所有学生成功，而不是限制成功或充当守门人。他分享了DeepLearning.AI和在线课程中鼓励无限次重试和以练习为导向的作业理念。
吴恩达讨论了哈佛大学限制A等级评分的决定，他认为不应以限制成绩膨胀为由阻碍学生成功，并主张教育体系应帮助所有学生学习和取得成功。
IrisGo在吴恩达支持下推出了一款AI桌面助手，它能学习用户工作流程，在设备本地自动化执行重复任务以保护隐私，面向知识工作者。
一位用户分享了一个 GitHub 仓库，包含 Andrew Ng 的《机器学习专项课程》所有 10 章的详细课堂笔记，采用 LaTeX 编写并自动编译为 PDF。
斯坦福AI教授吴恩达发布了一门免费的2.5小时AI提示课程，对初学者和专业人士都非常有用。
吴恩达推出AI Andrew，这是一个模仿其个性的AI伴侣，基于RAG和代理工作流构建，并邀请用户试用。
Andrew Ng 推出了一门新的 LLM 生产落地课程，免费版可观看所有视频和基础代码。课程深入讲解 LLM 内部机制、推理优化（如量化、KV Cache、Flash Attention、投机解码）以及硬件感知优化，由 AMD 工程副总裁主讲，旨在帮助开发者将 Transformer 从学术概念转化为可调试、可优化的工程工具。