资料摘要：Agentic AI（DeepLearning.AI）
Andrew Ng 主讲的中级 Agentic AI 课程，以 Reflection、Tool Use、Planning 和 Multi-Agent 四种模式为主轴，并把评估、错误分析、成本与生产优化放入开发流程。
- Module 1 建立 Agentic Workflow、自治程度、任务拆分和评估的基本框架，并提供研究 Agent 示例。
- Module 2 用 Reflection 改进图表生成和 SQL 生成，要求测量反思是否真的带来收益。
- Module 3 从 Python function 到 tool schema、code execution 和 MCP，强调工具让模型从生成文本进入执行动作。
- Module 4 集中讲 eval、error analysis、component-level evaluation、延迟与成本优化。
- Module 5 进入 Planning、高自治 Agent 和 multi-agent communication，并以客服和市场研究团队为实验场景。
课程先从第一原则实现模式，再讨论框架，因此比“照 API 拼 Agent”更适合建立可迁移能力。Reflection 不是默认多调用一次模型，而是把可评判标准、反馈来源和改进幅度放到实验里。Tool Use 也不止函数语法，还包括 code execution 和 MCP。
Module 4 位于 Planning 与多 Agent 之前，顺序很重要：先学会定位组件错误、建立基线和控制成本，再扩大自治程度。课程把 production optimization 视为开发循环的一部分，而不是最后补一个监控面板。
公开页面将课程标为 Intermediate，要求中级 Python、基本 LLM 和 API 概念。它适合已经跑通过一个最小 Agent 的学习者，不适合完全没有 Python 或 API 经验的人直接作为第一门课。
访问与归档边界
Section titled “访问与归档边界”当前公开页面显示 9h55m、31 个视频、7 个代码示例和 8 个 Pro 作业。页面说明视频可免费旁听，而测验、实验、项目工具和证书与 Pro 权限相关。本地只归档了无需登录的课程介绍和完整公开大纲，没有归档受账号保护的内容。
- 课程页：Agentic AI
- 本地归档：`私有原始资料层
- 归档内容：公开课程页 Markdown 与 HTML，共 2 个文件。
- 归档前聚合 SHA-256：
81488c7359f1c6ddb99cb13534cbdcf9cb51a26867040a7485a851d3871a1bfc - 时效：课程时长、价格和 Pro 权限属于易变信息，使用前应重新查看官方页。