# 伯克利智能体课程，FDE 最该先看 Sierra 这一讲

> Clay Bavor 讲真实部署时把智能体当产品而非技术，这正是 FDE 在客户现场做的事。

原文: https://fdetimes.net/zh/books-courses/berkeley-agentic-ai-mooc-for-fdes/

UC Berkeley 的 CS294/194-196 Agentic AI 课程 2025 秋季期中，11 月 10 日有一讲，前线部署工程师（FDE）应该放在所有讲座之前先看。

这一讲中，Sierra 的 Clay Bavor 分享了在真实环境中部署 AI 智能体的实践经验。一位学员在 dev.to 上总结了自己最大的收获：智能体正在从一项技术转变为一种产品。

把智能体从演示变成客户每天都在用的产品，这也是 FDE 在客户公司工作的核心。

这门课属于 Berkeley RDI 视为旗舰项目的 MOOC 系列。该研究院的教育页面显示，报名人数已超过 40,000 人。

如果你是有几年经验、想转做 FDE 的开发者，不要把这门课当成智能体的理论课。把它当作一本让智能体在企业内部稳定运行的手册，收获会更大。

## 每期课程由谁授课？

MOOC 系列共有三期：Large Language Model Agents（2024 秋）、CS294/194-280 Advanced Large Language Model Agents（2025 春）和 Agentic AI（2025 秋）。UC Berkeley 的 Dawn Song 主讲 2025 秋季期，也主讲过 2024 秋季期。

Google DeepMind 研究员 Xinyun Chen 曾作为客座联合讲师参与 2024 秋季期和 2025 春季期。2025 秋季期的官方页面上没有她的名字，想听 Chen 讲课，要去看前两期。

除了 Sierra 这一讲，2025 秋季期还有智能体评测和智能体训练的讲座，包括 Noam Brown（OpenAI）讲多智能体系统的一讲，以及 Dawn Song 主讲的智能体安全一讲。2024 秋季期则有更多企业场景下智能体的内容，其中包括 Nicolas Chapados（ServiceNow）的 AI Agents for Enterprise Workflows。

## 按什么顺序学？

Berkeley 建议本校学生在选修前具备机器学习和深度学习基础。课程页面没有为 MOOC 学员单独设定要求。即便如此，如果你从没训练过模型，智能体训练相关的讲座可能会比较吃力。

如果你为客户构建智能体，先看 Clay Bavor 这一讲，然后看 2025 秋季期关于智能体评测和安全的讲座。

接着回到 2024 秋季期，看企业工作流相关的讲座。智能体训练和多智能体系统的讲座留到最后，等你手上有一个真正需要改进的智能体时再看。

2024 秋季期已经结束。当时证书分多个等级：每个等级都要求完成 12 次测验并提交一篇合格的文章，Mastery 等级另加 3 个实验，Ninja 和 Legendary 等级再加一场黑客松。这个结构用来自学依然好用：看讲座、写文章、做实验，最后做一个真实项目。

## 观点一：智能体已经是产品

dev.to 那位学员的观察听起来理所当然，但它会改变你和客户第一次开会时提出的问题。

如果把智能体看作技术，你会问哪个模型最强。如果把它看作产品，你会问：谁在用？答错了由谁负责？有没有转交人工的通道？到了客户现场，在写第一行提示词之前，先把这三个问题的答案写下来。

## 观点二：可靠性比出彩更重要

这位学员还写道，当智能体处理数百万次对话时，可靠性比几次出色表现更重要。这是学员的个人看法，并非课程组织方的观点。简单算一笔账就能看出它为什么成立。

假设一个客服智能体能正确回答 99% 的问题。在 20 个问题的演示中，它很可能一个都不会答错。但在 1,000,000 次对话中，1% 的错误率意味着 10,000 位客户拿到错误答案，每一位都可能变成一张投诉工单。

**要点:** 在客户那里，一个可靠的智能体比一个偶尔出彩的智能体更有价值。

所以给客户做演示时，不要只挑智能体答得最好的问题。要展示它在足够大的测试集上的错误率，并说明它在拿不准答案时会怎么做。

## 观点三：用智能体给智能体打分

2025 秋季期与 AgentX–AgentBeats 竞赛配套。竞赛中，基准测试被做成一个负责评测的智能体，称为 green agent，由它给参赛智能体打分。这个思路可以直接用到客户项目里。

假设你在为一个电商平台构建处理退款申请的智能体。与其让客户的 QA 团队逐行读日志，不如构建一个扮演买家的评测智能体：有时它会为已过期限的订单申请退款，有时会报错订单号。

每次修改提示词或更换工具，你都重新跑一遍全部场景，立刻得到可比较的数字。这样一套评测，写在简历上也比证书更有分量。

像“为智能体搭建自动化评测套件，在发布前发现故障”这样一句话，能让招聘方看到你懂得衡量智能体的质量。阅读 FDE 岗位描述时，如果看到评测、部署和安全这些词，就先去看课程中对应主题的讲座。

课程证书总有一天会贬值。在交付客户之前用数字给智能体打分的习惯，会长期对你有用。

**本周动手试试:**

- 观看 2025 秋季期 Clay Bavor 的“Practical Lessons from Deploying Real-World AI Agents”，然后写下你在客户那里遇到过或可能遇到的三次部署失败。
- 选一个你正在做的智能体，写 20 个测试场景，构建一个小型评测智能体自动打分，并记录通过率。
- 观看 2024 秋季期 Nicolas Chapados（ServiceNow）的“AI Agents for Enterprise Workflows”，然后梳理出一个可以交给智能体的企业工作流。

## 信源

- [CS294/194-196 Agentic AI, Fall 2025 (Berkeley RDI)](http://rdi.berkeley.edu/agentic-ai/f25)

- [Large Language Model Agents MOOC, Fall 2024](https://llmagents-learning.org/f24)

- [CS294/194-280 Advanced Large Language Model Agents, Spring 2025](https://rdi.berkeley.edu/adv-llm-agents/sp25)

- [Education @Berkeley RDI](https://rdi.berkeley.edu/education)

- [AgentX–AgentBeats Competition (Berkeley RDI)](https://rdi.berkeley.edu/agentx-agentbeats)

- [Shaping the Future with Agentic AI: Reflections from the UC Berkeley Agentic AI MOOC Fall 2025](https://dev.to/ajay_kumarkv_ad4e59dc31/shaping-the-future-with-agentic-ai-reflections-from-the-uc-berkeley-agentic-ai-mooc-fall-2025-3cp2)