摘要：不到一刻钟后，舞台并没有换人，而是直接请上摩根大通（J.P. Morgan Private Bank）的两名工程负责人。
2025 年 5 月 ·San Francisco，CA｜LangChain Interrupt 2025 现场
当主持人 Harrison Chase 把话筒递给吴恩达（Andrew Ng）时，他上来就给"AI Agent"一个贴地气的比喻：
不到一刻钟后，舞台并没有换人，而是直接请上摩根大通（J.P. Morgan Private Bank）的两名工程负责人。
他们展示的 Ask D.A.V.I.D. 投研系统，用的正是吴恩达口中的"积木"思路——多代理协作模式。这是为投研团队打造的一套 AI 助手链路，能自动调取数据、解析文档、生成决策建议。
官方测试数据写在 PPT 大屏上：把一份投资研究流程从约 60 分钟压到不到 12 分钟，整体链路提速≈80 %
这种差别，正是本文要讲的"AI落地分水岭"。
接下来的内容将按 “纪实 → 拆解 → 洞察” 三段式展开：
纪实｜复原吴恩达的“Lego Agent”核心观点与 Ask David 的系统架构。 拆解｜把两套方法按“任务粒度 / 评估闭环 / 安全栅栏”逐项对照。 洞察｜给国内团队的 3 条行动线：先找10倍速度机会，再建立简单的验证闭环。接下来的内容，或许能帮你思考：你现在是在试拼积木，还是已经走到了让 AI 接手交付的那一步。
在对话中，吴恩达并没有从技术术语开始，而是从“乐高”的比喻开始：AI 工具就像乐高积木，你有的种类越多，能拼的东西就越丰富。但关键不是你有多少块，而是你会不会拼。
这句话背后，藏着一个新发现： AI 能不能真正派上用场，不看模型有多厉害，而看你会不会把复杂工作拆分成小任务，让 AI 逐个解决。
吴恩达反复强调一件事：
他说：“你以为评估(Evals)是件大工程，但很多时候，一个粗糙的检查器就能节省你大量时间。”
比如，他举了个例子：当系统反复出错、回归，你以为它修好了，其实又坏了。这时候我就快速做个小评估流程——5 个例子，一个判断器，就够了。
这种简单的检查方法，技术人员都很熟悉，但对 AI 项目来说，却是成败的分水岭。
更关键的是，他不鼓励一开始就做完美：
他还提醒：“我们在这行业常见的错误是，把时间浪费在争论这算不算代理，而不是问，它到底能不能完成一个任务。”
所以吴恩达提出一个新词：“代理性（agenticness）”，意思是：
别管它是不是一个“正式的代理”， 关键是看它有没有自主性，能不能完成多步操作。他甚至开玩笑说：“这场大会本来应该叫‘代理性大会’，不是‘代理大会’。”
在他眼中，未来的机会，不在于你造了个多花哨的模型，而在于——你有没有能力，把原本需要三个人完成的流程，拆成 AI 能操作的几步，然后跑起来。
这，才是“会拼乐高”的真正门槛。
吴恩达说，AI 落地不是拼谁懂模型，而是拼谁会拆任务。
摩根大通银行团队，已经把这事儿拆清楚了。
演讲中他们回顾了一个真实场景：每天都有成百上千条投资相关的问题飞向研究部门，人工检索、拼接报告、准备客户材料，流程繁琐又费时。
于是，他们造了个名叫 Ask David 的 AI 工具。
这不是一个问答机器人，也不是简单的聊天助手。它能做的是：
接收自然语言问题 调取结构化数据库 检索文档与录音 用内部分析方法跑判断 自动写出客户能看懂的答案 最后再让人做二次确认而这一整套流程，原来需要分析师耗上半天，现在几秒钟就能跑完。整体效率提升超过 80%。
怎么做到的？不是靠一个工具，而是一套组合拳
摩根大通团队强调：
我们从来没想一上来就造个大怪物。 第一天就只是一个 React 代理，处理一个问题。 然后才慢慢加上 RAG（检索增强）、判断器、记忆模块……
他们怎么拼这套“乐高”积木？
演讲原文梳理如下：
总控代理：负责接收用户问题，识别问题类型（比如是问某个基金，还是泛问市场观点） 数据助手：用自然语言转 SQL，去结构化数据库里拉数据 文档助手：从会议纪要、研究报告、视频音频里找信息 分析助手：把公司自己的专有模型调进来做判断 表达助手：针对不同提问人（是顾问还是尽调员）写出不同风格的回应 自查机制：每次输出前都跑一遍“反思节点”，用 LLM 判一下答复是否合理 人手兜底：如果有风险，直接交给分析师复核团队还有个巧招：给每种问题画个流程图——该怎么拆分、按什么顺序处理、用哪些工具。这不是让AI更聪明，而是让整个过程可控。
✅ 真正的变化不在技术，而在思路
以前客户问：这个基金为什么被终止了？研究员得找人、翻数据、看报告、写文档。
现在，我们能在客户开口的几秒钟内，把相关原因、历史记录、替代选项，一并推给他。
这不只是简单替代，而是把人从反复搬砖中解放出来。
他们最后说了句很重要的话：不是AI模型让我们变快，而是我们学会了—— 怎么拆分任务，怎么选对工具，怎么设置检查环节，最后让人来处理最难的部分。
这就是 AI 从能回答到能做事的第一步。
吴恩达在对话里说了一句很多人没听懂，但值得反复咀嚼的话：
我们很多流程其实很线性，甚至就几步，但企业不知道该怎么把这些步骤切出来、标好、接上 AI，然后设一个反馈点。于是他们干脆什么也没做。
这就是他口中的“代理性”： 不是一个模型是不是代理，而是这个流程里，AI 到底做没做实事。
分水岭，开始显现
过去一年，大多数企业搞 AI 应用，停在第一阶段：
摩根大通代表的是另一端：
他们不是在炫AI技术，而是让 AI 进入工作流程里。
吴恩达指出：现在的 AI 项目，有一个共同问题——你看不到中间过程，你也没法追溯到底哪里出了错。如果你搭了一个代理链，结果不好，你就得知道哪一步搞砸了。但很多团队甚至没有这些‘检查点’。
这句话点出了AI应用的一个关键问题：没有流程管控、没有错误检查、没有步骤拆分，AI就只能纸上谈兵。
分界线在于——你有没有构建这三件事：
1、能拆任务的能力能不能把一个问题，拆成三步、五步，每步有动作、有判断？
2、能设置反馈点能不能知道 AI 哪一步出错了？判断器设了吗？有没有最小评估流程？
3、能接回人的机制AI 跑不通的时候，人能不能及时兜底，而不是全盘推翻？
摩根大通团队表示：我们不是追求让 AI 完美，而是确保它每跑一步，背后都有可追溯的逻辑。跑错了，可以改；跑对了，就继续放大。
他们还补充了一句：
AI 应用的真正分水岭，从来不是谁用的大模型强，而是谁能把原本靠人完成的链条，重构成 AI 能持续运转的流程。
吴恩达讲的是思维模式的升级，摩根大通做的是这套模式的实操版本。
从"回答你"到"替你干"，中间差的不是技术，而是这种拆、拼、回收的能力。
吴恩达在采访中提醒大家：所有人都在谈模型，但我更关注一些没人认真去做的事——语音、Vibe 编程，还有评估流程。它们可能才是 AI 应用提速的关键积木。
️ 第一块被低估的积木：语音，不是更炫，而是更顺
他观察到一个现象：
为什么？
他解释道：文字可以删改，大家会纠结每一个词；但语音是线性的，一旦说出来就过去了，反而更自然。就像你写邮件会改来改去，但打电话时直接把想法说出来就行。
这些不是模型问题，是入口体验的问题。
"Vibe编程"这个名字容易误导人，以为是随便写代码，但吴恩达指出：
他说，现在很多 AI 编程辅助工具，像 Cursor、Windsurf，本质上改变了开发方式：你不是靠写一堆代码，而是用 prompt 引导AI思考，逐步调整方向。
这种工作方式的本质，是：
快速拆解任务 不断用 AI 给出方案 再在人脑判断里修正方向他说了一句很真实的话：未来最重要的技能之一，就是能准确告诉 AI 你要什么，这比自己写代码还难。
第三块被低估的积木：评估，不是为了看效果，而是为了迭代速度
吴恩达说，很多团队都知道评估重要，但就是不做。
为什么？
其实评估真的不用那么复杂。弄个简单的检查方法，每次改进就知道往哪走了。
他讲了自己的做法：
这个小测试，可能看起来没什么技术含量，但他认为：这决定了你能不能在一天内试 5 次，而不是一个星期调一次。”
评估不是最后才做的事，而是过程中用来调方向的工具。
吴恩达说：“我们有一大堆乐高，但如果你没那几个冷门的关键积木，很多东西你就拼不出来。”
语音让人更容易上手，AI辅助让开发更快，评估则负责控制方向和质量。
很多 AI 项目跑不起来，不是少了 GPU，而是没人去摸这三块冷门积木。
吴恩达最后说：
这句话听起来简单，但很多人并没做到。
有人把AI当智能助手，却没想过让它完整地做完一件事。 有人有一堆工具，却不知道让它们配合起来干完整件事。 有人天天追新模型，却没认真规划过工作流程和检查环节。
摩根大通 Ask David 项目已经给出答案：知道哪一步该让AI接手，哪一步该让人来处理。
真正跨过这道分水岭的人，不是最懂技术的人，而是懂得让AI真正派上用场的人。因为技术从来只是工具，关键看人怎么用。
这场对话中，吴恩达提醒得已经够清楚了：
来源：趣闻捕手一点号
