Token Lab搜索

AI AGENTS · YOUTUBE

在 YouTube 学 AI Agent:10 位作者的系统学习路线

比较代表视频、理解覆盖范围,把观看转化为经过验证的项目。

来源与版本详情
本文目录

选择学习路线

选择学习路线
选择学习路线 · Token Lab

1. 概念入门

Jeff Su → IBM → Tina Huang:先区分模型调用、固定工作流和模型自主选择工具,再用 Karpathy 补底层原理。

2. Python 工程

Tina Huang → Dave Ebbelaar → Cole Medin:先实现一个有界 Agent,再决定是否引入框架。用 Andrew Ng 的课程框架比较设计模式,不默认增加 Agent 数量。

3. 低代码工作流

Tina Huang → Nate Herk:复杂集成前先理解 JSON 和 HTTP。可视化编辑器仍然需要明确的权限、幂等、错误处理和维护责任。

4. 商业交付

Liam Ottley → Dave Ebbelaar,并用 Google Cloud Tech 了解云端背景。选工具前先定义客户问题与验收标准;演示成功不等于能够承诺服务等级。

视频可用时通常可免费观看,但模型、托管、API 或配套课程可能收费。本页不预加载 YouTube 播放器,不发送实验数据;打开视频后适用 YouTube 的隐私规则。不以订阅量或收入承诺作为质量依据。

六阶段课程:从模型调用到可靠服务

以下六课是 Token Lab 的系统化导读,把视频与工程知识、同一个只读 SRE 项目连接起来,不表示每条视频都覆盖所有要求。先理解本节解释,再观看所选材料,最后完成文末实践。

1. 模型、工作流与 Agent

学习顺序与先修理解

先找到决策边界:下一步是程序预先规定的,还是由模型根据观察选择的?本阶段需要理解函数的输入和返回值,不要求先掌握微积分。Jeff 与 IBM 帮助建立分类,Karpathy 补充模型基础;它们回答不同的问题,不是互相替代的入门课。

机制与设计取舍

模型根据上下文产生输出;工作流用程序规则连接步骤;Agent 增加反复进行的“观察—决策—行动”循环,但允许执行什么仍由运行时控制。更长的提示词不会自动带来持久状态、权限或停止条件。推理时改变上下文,也不等于更新模型权重。

贯穿 SRE 案例的进一步展开

贯穿案例:推理服务错误率上升。固定流程总是读取指标和近期部署;Agent 则可以根据结果选择下一项只读查询。无论哪种方案,都不能由模型自行授予重启生产服务的权限。

建议观看顺序: Jeff Su → IBM Technology → Andrej Karpathy

连接到实现章节 →

2. 工具契约与执行循环

学习顺序与先修理解

接下来理解 JSON 对象、必填字段、类型、HTTP 状态码与异常。这些是生成文本进入可执行软件的边界。用 Tina 认识组件,再用 Dave 理解职责分离。先完整追踪一次工具调用,再增加工具数量。

机制与设计取舍

工具需要名称、用途、参数结构与实现。模型仅提出调用,执行器先核查名称、参数和授权,再运行代码。返回结果作为不可信证据进入上下文,策略再选择下一步。必须限制步数与总时间;符合 JSON 结构不等于事实正确,更不等于拥有权限。

贯穿 SRE 案例的进一步展开

SRE 助手只开放 read_metrics、read_pods 等限定工具,并由服务端绑定作用域。不要提供通用 Shell,也不要让模型任意填写集群 URL。结果携带证据 ID,使最终报告可以追溯真正读取过的数据。

建议观看顺序: Tina Huang → Dave Ebbelaar / Datalumina

连接到实现章节 →

3. 上下文、检索与记忆

学习顺序与先修理解

引入向量数据库前,先区分模型当前输入、可检索知识、持久执行记录。它们解决的是不同问题。视频应配合 RAG 综述学习:简短 Agent 演示不能替代对数据摄取、检索质量与证据充分性的理解。

机制与设计取舍

检索负责选出相关资料,工作上下文保存当前任务所需信息,执行存储记录进度与结果。记忆条目需要作用域、来源和有效期。摘要可以缩短输入,但可能丢失约束。检索到的指令仍然属于数据,文档不能替代工具授权。

贯穿 SRE 案例的进一步展开

旧 Runbook 可能对应上一代部署。保存正文时同时保留版本,并与当前服务版本对照;不一致时应报告证据冲突,而不是默认旧手册仍然正确。

建议观看顺序: Andrej Karpathy → Dave Ebbelaar / Datalumina → Nate Herk

连接到实现章节 →

4. 状态图、规划与人工审批

学习顺序与先修理解

当分支与恢复点变得重要时,状态图才有价值。先理解状态和转移:下一步允许做什么、必须已有哪些数据、什么条件结束执行?Cole 提供图结构视角,Andrew Ng 的课程介绍提供设计模式词汇,但它并不是完整课程。

机制与设计取舍

规划提出步骤,编排强制执行合法转移;反思提出修改,评测判断修改是否有效。多 Agent 可以拆分职责或上下文,也会增加协调与失败路径。审批应绑定具体动作及其输入,参数改变后应重新审批。

贯穿 SRE 案例的进一步展开

采用“采集→判断→报告”,证据不足时回到采集,但设置硬性循环上限。重启提案进入审核,不能直接流向集群工具。现有 SRE 教程仍为只读实现;审批执行器属于独立扩展。

建议观看顺序: Cole Medin → Andrew Ng / DeepLearning.AI → Nate Herk

连接到实现章节 →

5. 可靠性、安全与评测

学习顺序与先修理解

从“成功回答一次”转向可重复的行为。接入真实用户前,需要理解超时、重试、幂等和最小权限。视频演示只是示例,不是可靠性测量;安全与评测综述用来补齐这些缺口。

机制与设计取舍

超时不代表外部动作没有成功:服务端可能已经提交,只是响应丢失。盲目重试会重复副作用,因此要保存请求身份和结果。质量上也要区分“完成协议”“引用来源”“结论被证据支持”,三者不是同一指标。

贯穿 SRE 案例的进一步展开

事故报告即使引用了真实 Pending Pod,也可能错误地断言它导致全部请求失败。因果关系未证明时保留“根因尚未确立”。重放同一事故应返回历史报告,不能伪装成重新观察。

建议观看顺序: Dave Ebbelaar / Datalumina → Nate Herk → IBM Technology

连接到实现章节 →

6. 部署、成本与交付责任

学习顺序与先修理解

循环能够解释清楚之后,再决定运行位置。先理解容器、密钥、服务身份、持久存储与网络边界。Google 短访谈提供方向,Liam 讨论商业化,但都不能替代部署手册。

机制与设计取舍

私有 Service、进程健康探针和持久卷分别解决不同问题,都不能证明回答质量。模型调用、检索、重试与人工审核要分别计入预算。明确维护人、数据保留和回滚;收费自动化还需要验收约定和异常处理责任。

贯穿 SRE 案例的进一步展开

交付只读 SRE 助手时附事故结构、镜像版本、配置、请求样例、预期报告和恢复说明。明确列出尚缺的实时采集器与身份认证。本机演示是教学里程碑,不能作为生产就绪证明。

建议观看顺序: Google Cloud Tech → Liam Ottley → Dave Ebbelaar / Datalumina

连接到实现章节 →

代表视频与内容范围

02 · Andrej Karpathy

Deep Dive into LLMs like ChatGPT

解释聊天助手底层的大语言模型,适合补原理。它不是 Agent 部署课程;作者另有面向实现的 Zero to Hero 系列。

英文视频;字幕请以 YouTube 为准。 原视频发布日期:

在 YouTube 观看 ↗https://www.youtube.com/watch?v=7xTGNNLPyMI
03 · Tina Huang

Building AI Agents In 44 Minutes

公开章节先讲定义、组件、工作流与提示,再展示 n8n 案例和 Agents SDK 金融研究示例,适合把概念连接到实现方式。

英文视频;字幕请以 YouTube 为准。 原视频发布日期:

在 YouTube 观看 ↗https://www.youtube.com/watch?v=_Udb5NC6vTI
精选章节直达
04 · Dave Ebbelaar / Datalumina

How to Build Reliable AI Agents (without the hype)

以推理、记忆、工具、校验、控制、恢复和反馈组织可靠性。同站工程文章强调先设计明确的流程,再有选择地调用模型,而不是把全流程交给 LLM。

英文视频;字幕请以 YouTube 为准。

在 YouTube 观看 ↗https://www.youtube.com/watch?v=T1Lowy1mnEg
精选章节直达
06 · Google Cloud Tech

AI Agents: From concept to code

短访谈讨论 Agent 的定义、构建方式与编码考虑。适合作为方向介绍,并不是一套从头到尾的 Vertex AI 部署实验。

英文视频;字幕请以 YouTube 为准。 原视频发布日期:

在 YouTube 观看 ↗https://www.youtube.com/watch?v=8Yx0HW0bA_o
07 · Cole Medin

THE BEST Tool for AI Agent Workflows - LangGraph FULL Guide

作者配套笔记介绍状态、节点、条件边,以及分支和 Agent—工具循环。旧示例适合理解架构,当前库 API 需要另行核对。

英文视频;字幕请以 YouTube 为准。 原视频发布日期:

在 YouTube 观看 ↗https://www.youtube.com/watch?v=w_HeP0A2MF8
09 · Andrew Ng / DeepLearning.AI

Learn to build effective Agentic AI systems with Andrew Ng

这是 Agentic AI 课程介绍,不是完整课程视频。介绍反思、工具使用、规划、多 Agent 工作流,并将评测和 Python 实现列为课程目标。

英文视频;字幕请以 YouTube 为准。 原视频发布日期:

在 YouTube 观看 ↗https://www.youtube.com/watch?v=w7vqXL4PWEE
10 · Nate Herk

Build & Sell n8n AI Agents (8+ Hour Course, No Code)

章节覆盖 n8n、JSON、API、Agent 构建、输出解析、人工审核、错误流程、Webhook 与自托管。建议先选一个项目,不要同时复制所有集成。

英文视频;字幕请以 YouTube 为准。 原视频发布日期:

在 YouTube 观看 ↗https://www.youtube.com/watch?v=Ey18PDiaAYI
精选章节直达

实践与验证——Token Lab 原创练习

Jeff Su

为客服分流画三种方案:单次模型调用、固定路由、有界工具循环。标明下一步由谁决定,再选择满足需求的最简单方案。

Andrej Karpathy

解释“把工具结果放入上下文”和“更新模型权重”的区别。先观察 token,再运行小型语言模型项目,避免把上下文变化误认为模型已经学会新知识。

Tina Huang

先复现一个只读案例,在增加第二个场景前写清输入结构、允许工具、停止条件及回答必须引用的证据。金融示例只用于软件练习。

Dave Ebbelaar / Datalumina

将这七项职责映射到 SRE 项目的具体文件,逐项说明什么错误可重试、什么错误必须停止,以及重复请求为什么不能重复执行外部动作。

IBM Technology

分别画出模型、数据存储、工具执行器和用户。补上信任边界:检索文本是数据,不是执行授权,并说明权限由哪个组件强制执行。

Google Cloud Tech

选择云运行时前先明确身份、模型访问、工具凭据、网络出口和可观测性。把可移植的 Agent 逻辑与云厂商部署配置分开。

Cole Medin

实现三个状态:采集证据、判断充分性、回答或停止。明确循环上限,并测试“工具结果已保存、下一次模型调用之前”中断后的恢复。

Liam Ottley

写一页试点方案:买方、原流程、可测基线、验收门槛、数据权限、维护负责人和回滚。核算完整交付成本,而不只算 token。

Andrew Ng / DeepLearning.AI

固定同一组任务,对比直接生成与一次有界修订,记录正确率、延迟和调用次数。反思和增加 Agent 都不是自动提升质量,必须有对照证据。

Nate Herk

构建仅生成草稿、需要审批的客服流程。重复发送 Webhook、移除凭据、制造超时;应记录失败并避免重复发送。验证前只用模拟工具。

最后交付一个只读 SRE 事故助手,输出区分已观察事实、假设、缺失证据和建议动作。用同一组保存的事故比较确定性基线与模型策略,记录任务完成、无证据因果断言、工具失败、延迟和调用次数,并覆盖过期证据、重复请求、权限缺失和工具输出注入。评分:1 分仅能复述名词;2 分复现正常路径;3 分可复现失败并解释边界;4 分完成含成本的公平对照;5 分能论证设计、恢复并迁移到新事故。均为原创练习标准,不是公司真题。

继续完成 SRE Agent 教程 →

学习语言模型基础 →

原始资料与延伸阅读

查看学习资料库中的其他视频