吴恩达谈 AI 编程进展和未来：多代理测试与智能交互引领变革

从噱头到实用工具：AI 编程助手实用性突破

想象一下，你正在为一个复杂的算法绞尽脑汁，而你的 AI 助手却已经为你生成了简洁高效的代码，甚至还贴心地附上了测试用例。这不是科幻电影，而是 LLM（Large Language Model，大型语言模型）编码助手带来的未来编程新趋势，就连人工智能领域的大牛 Andrew Ng（吴恩达）教授都对它赞不绝口。

在 DeepLearning.ai 的 The Batch 期刊上，吴恩达教授曾分享过他使用 OpenDevin（一款开源的代理编码框架）帮助女儿练习算术题的故事。他仅仅向 OpenDevin 输入了简单的指令，它就能够快速生成一个 Python 脚本，自动生成女儿喜欢的算术题，并根据她的节奏调整难度。吴恩达教授对 OpenDevin 赞赏有加，认为它是一款非常实用的工具。

“六个月前，编码代理还只是一个新奇的概念。它们仍然经常失败，但我发现它们现在已经足够好了，可以真正对越来越多的人有用！” – Andrew Ng

仅仅在半年前，LLM 编码助手还只是一个充满噱头的概念，经常无法完成任务，令人失望。然而，技术发展的浪潮总是滚滚向前，如今的 LLM 编码助手已经发展到足以真正帮助到越来越多的人，成为程序员的得力助手，例如，OpenAI 发布的 GitHub Copilot 就是一个成功的案例。这款基于 LLM 的代码自动补全工具，一经推出便受到了广大开发者的欢迎，它能够根据程序员的代码上下文，自动生成高质量的代码建议，大大提高了编程效率。

AI 编码助手的“幕后功臣”：多代理系统与 LDB 方法

多代理系统：1+1>2，让代码测试更公平

为了进一步提高代码质量，研究人员引入了多代理系统。在多代理系统中，每个“代理”都是一个被赋予特定角色的 LLM，例如“程序员代理”、“测试设计代理”和“测试执行代理”。这些代理就像一个团队，每个成员都各尽其职，协同工作，共同完成代码生成和测试的任务。

AgentCoder 就是一种基于多代理系统的代码生成方案，它通过多个代理之间的协作，实现了更高效、更公平的代码测试。AgentCoder 的研究表明，将编写代码和生成测试用例的代理分开，比让单个代理完成这两项任务的效果更好。这是因为，如果编写代码的代理同时也负责编写测试用例，那么测试用例的设计很可能会受到代码的影响，无法全面地覆盖各种情况，从而导致测试结果不够客观。

这种多代理协作的方式，就像软件开发中的代码审查机制，通过引入不同的角色和视角，可以更全面地发现代码中的潜在问题，从而提高代码的质量。

LDB 方法：像“代码侦探”一样揪出错误

传统的代码测试方法主要是输出测试，即检查代码在特定输入下是否能够产生预期的输出结果。这种方法虽然简单直观，但是容易遗漏一些边界情况，导致测试不够充分。

为了解决这个问题，研究人员开发了 LDB（Large Language Model Debugger）方法。LDB 方法模拟了人类程序员调试代码的思路，它会逐步执行代码，并将执行过程中间步骤中变量的值呈现给 LLM，以帮助 LLM 发现代码逻辑中的错误。

如图所示，LDB 方法将代码分解成多个基本的执行块，并在每个执行块结束后，将变量的值反馈给 LLM。LLM 就像一个侦探，通过仔细观察每个步骤的变量值，最终找到导致代码错误的关键线索，并将这些信息用于改进代码。

与输出测试相比，LDB 方法能够更深入地分析代码的执行过程，发现代码逻辑中隐藏的错误，从而更有效地提高代码质量。

SWE-agent：AI 时代的“专属工具”，优化人机交互体验

除了代码测试，人机交互也是 LLM 编码助手发展面临的挑战之一。传统的软件开发工具通常是为人类设计的，对于 LLM 来说并不友好。例如，让 LLM 像人类一样使用 bash shell 命令行操作文件系统，效率非常低下。

为了解决这个问题，研究人员开发了 SWE-agent 系统。SWE-agent 为 LLM 设计了专门的 Agent-Computer Interfaces (ACI)，使 LLM 能够更自然、更高效地与计算机交互。例如，ACI 提供了一些专门的函数，使 LLM 能够方便地搜索、查看和编辑代码文件，而无需像人类一样使用 bash 命令行。

SWE-agent 的出现，标志着 LLM 编码助手不再局限于传统的软件开发工具，而是开始拥有专属于自己的工具和接口。这种人机交互方式的优化，将进一步提升 LLM 编码助手的性能，使其能够更好地服务于人类。

LLM 编码助手：重塑编程未来，开启无限可能

LLM 编码助手的出现，为软件开发带来了革命性的变化。随着技术的不断进步，我们可以预见，LLM 编码助手将在以下几个方面发挥越来越重要的作用：

• 自动化编程: LLM 编码助手将能够自动完成更多编程任务，例如代码生成、代码测试、代码优化等，从而将程序员从繁琐的重复性工作中解放出来，专注于更具创造性的工作。

• 个性化代码生成: LLM 编码助手将能够根据用户的编程习惯和代码风格，生成更符合用户需求的个性化代码。

• 代码安全保障: LLM 编码助手将能够自动检测和修复代码中的安全漏洞，从而提高软件的安全性。

总而言之，LLM 编码助手是未来编程发展的重要趋势，它将改变软件开发的方式，使编程变得更加简单、高效和安全。正如吴恩达教授所说，“随着这些工具的出现，编程将变得更加有趣，效率也会更高。”

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】