吴恩达又出新课了，这次的主题是—Agentic AI。 在新课中，吴恩达将Agentic工作流的开发沉淀为四大核心设计模式：反思、工具、规划与协作，并首次强调评估与误差分析才是智能体开发的决定性能力：
调模型不如“管上下文”。这篇文章基于 ACE（Agentic Context Engineering），把系统提示、运行记忆和证据做成可演化的 playbook，用“生成—反思—策展”三角色加差分更新，规避简化偏置与上下文塌缩。在 AppWorld 与金融基准上，ACE 相较强基线平均提升约 +10.6% 与 +8.6%，适配时延降至约 1/6（-86.9%），且在无标注监督场景依然有效。
近日，谷歌资深工程主管、杰出工程师 Antonio Gulli 在网上公开发布了自己的新书《Agentic Design Patterns（智能体设计模式）》。地址：https://docs.google.com/document/d/1rsaK53T3Lg5KoGwvf8ukOUvbELRtH-V0LnOIFDxBryE/preview?tab=t.0#
来自牛津大学、新加坡国立大学、伊利诺伊大学厄巴纳-香槟分校，伦敦大学学院、帝国理工学院、上海人工智能实验室等等全球 16 家顶尖研究机构的学者，共同撰写并发布了长达百页的综述：《The Landscape of Agentic Reinforcement Learning for LLMs: A Survey》。
在AI快速迭代的浪潮下，搜索正在经历一场前所未有的重构。秘塔AI最新推出的「Agentic Search」模式，不再停留于「问什么答什么」，而是「边想边搜边做」。
2025 年 9 月，这个未来主义的问题进入了全球最高决策层的视野。美联储率先表态将研究 AI 与代币化支付，紧接着，SEC 前主席 Paul S. Atkins 在巴黎正式将其命名为「代理金融」（Agentic Finance）时代。
在AI办公工具的新浪潮中，一个新的概念正迅速走向舞台中央——Agentic生产率。这已不再是单纯的自动化工具，而是AI以“工作伙伴”的身份深度嵌入日常流程，从撰写邮件到制作表格，从生成PPT到整理会议纪要，全方位提升效率。
过去几年，大语言模型（LLM）的训练大多依赖于基于人类或数据偏好的强化学习（Preference-based Reinforcement Fine-tuning, PBRFT）：输入提示、输出文本、获得一个偏好分数。这一范式催生了 GPT-4、Llama-3 等成功的早期大模型，但局限也日益明显：缺乏长期规划、环境交互与持续学习能力。
智东西9月5日消息，刚刚，大模型独角兽月之暗面发布新模型Kimi K2-0905，目前，Kimi应用和网页版中的K2模型已全量升级到Kimi K2-0905。该模型的核心升级点为Agentic Coding能力增强、支持256K上下文、API支持高达60-100Token/s的输出速度、支持Claude Code。
尽管 LLM 的能力与日俱增，但其在复杂任务上的表现仍受限于静态的内部知识。为从根本上解决这一限制，突破 AI 能力界限，业界研究者们提出了 Agentic Deep Research 系统，在该系统中基于 LLM 的 Agent 通过自主推理、调用搜索引擎和迭代地整合信息来给出全面、有深度且正确性有保障的解决方案。
