斯坦福大学 Monica Lam 团队开了一门新课，叫 CS224V「Agentic AI」。课程要解决的问题很直接：怎么把不可靠的大语言模型，改造成可信赖、可追责的智能体。

这门课的技术主线，是一条自底向上搭建的「反幻觉」知识栈。从基础模型起步，逐层往上，每一层都在给模型的可信度加码。

从知识策展开始打地基

知识栈的底层是知识策展，课程里涉及 STORM 家族。再往上是自由文本 RAG，也就是检索增强。这两层处理的是同一个问题：让模型在生成之前，先拿到靠谱的素材，而不是全靠参数里的记忆硬编。

再往上走，是结构化异构数据 Agent。相比自由文本，结构化数据对模型的要求更高，也更容易验证对错。

形式化方法被摆上了台面

知识栈里还包含形式化方法。这一层和常见的 Agent 课程不太一样——它追求的不是让模型说得更流畅，而是让结果可以被验证、被追责。

课程覆盖的技术点包括：

  • 基础模型层
  • 知识策展（STORM 家族）
  • 自由文本 RAG
  • 结构化异构数据 Agent
  • 形式化方法
  • 任务型对话 Agent
  • 元优化

从这份清单能看出课程的取向：它没有把 Agent 当成一个提示词工程问题，而是当成一个系统工程问题。幻觉不是靠一句「请勿编造」的指令就能压住的，得靠一层层的知识约束和验证机制。

任务型对话 Agent 和元优化被放在知识栈的靠上位置，说明课程认为，Agent 要真正可用，前提是底下那几层已经站得住。

对于正在做 Agent 产品的团队来说，这条自底向上的路径提供了一个参照：先解决知识从哪来、怎么验，再谈 Agent 怎么对话、怎么优化。