构建高效的 AI Agent：Anthropic 的智能体系统指南

Anthropic 建议使用简单、可组合的模式来构建 AI agent，而不是复杂的框架，因为最成功的实现都优先考虑针对特定任务的合适复杂度。其核心理念是，从尽可能简单的解决方案开始——通常是单次 LLM 调用——并且仅在能够证明可以改善结果时才增加复杂度。

区分工作流与 Agent

Anthropic 将所有 LLM 驱动的系统都归类为“智能体系统 (agentic systems)”，但在工作流和 agent 之间做了关键的架构区分：

工作流 (Workflows)：通过预定义的代码路径来编排 LLM 和工具的系统。对于定义明确的任务，这些系统提供了可预测性和一致性。
Agent (Agents)：LLM 动态地指导其自身的过程和工具使用，并保持对如何完成任务的控制权。这些系统最适合于无法通过硬编码实现步骤的开放式问题。

每个智能体系统都始于增强型 LLM (augmented LLM)，即通过检索、工具和记忆力增强后的 LLM。Anthropic 建议使用 Model Context Protocol (MCP) 通过简单的客户端实现来集成第三方工具。

当任务可以分解为可预测的步骤时，工作流为完全的自主性提供了一个可靠的替代方案：

提示词链 (Prompt Chaining)：将任务分解为一系列步骤，其中每个 LLM 调用处理上一个输出。这对于生成营销文案并随后进行翻译之类的任务非常理想。
路由 (Routing)：对输入进行分类，以将其引导至专门的后续任务。这允许实现关注点分离，例如将客户服务查询路由到不同的专门提示词，或者将简单问题路由到较小的模型（例如 Claude Haiku 4.5）并将困难问题路由到能力更强的模型（例如 Claude Sonnet 4.5）。
并行化 (Parallelization)：同时运行多个 LLM 调用。这包括分段 (Sectioning)（将任务分解为独立的子任务，例如在运行响应的同时并行运行护栏检查）和投票 (Voting)（多次运行同一任务以获得多样化的输出，从而获得更高的置信度）。
编排器-工作者 (Orchestrator-Workers)：一个中心化的 LLM 动态地分解任务并将其委派给工作者 LLM。这用于处理子任务不可预测的复杂任务，例如对编程项目中的多个文件进行更改。
评估器-优化器 (Evaluator-Optimizer)：一个循环，其中一个 LLM 生成响应，而另一个提供反馈以进行迭代式精炼。这对于文学翻译或需要多轮分析的复杂搜索任务非常有效。

Agent 用于处理 LLM 必须独立规划和操作的开放式问题。它们依赖于基于环境反馈（地面真值/ground truth）的工具使用循环来评估进度。

Agent 的关键特征：

Anthropic 引用了其用于 SWE-bench 任务的编程 Agent 以及其“computer use”参考实现作为自主 Agent 的主要示例。

虽然 Claude Agent SDK、AWS Strands、Rivet 和 Vellum 等框架简化了底层任务，但 Anthropic 警告说，它们可能会创建抽象层，从而掩盖提示词和响应，使调试变得更加困难。他们建议直接从 LLM API 开始，以保持透明度。

有效的 Agent 需要高质量的工具文档和设计。Anthropic 建议将工具定义视为与提示词工程一样严谨对待：

避免格式开销 (Avoid Formatting Overhead)：使用模型在互联网上自然见过的格式。避免要求模型执行复杂的计算（例如 diffs 的行数统计）或过度的字符串转义（如用于代码的 JSON）。
防错设计 (Poka-yoke)：设计工具参数以降低出错的可能性。例如， Anthropic 通过要求使用绝对文件路径而非相对文件路径，改进了其 SWE-bench agent，从而消除了一个常见的失败点。
清晰的文档 (Clear Documentation)：在工具定义中提供使用示例、边缘情况以及输入格式要求。

Anthropic 识别了两个具有高价值的智能体系统领域：

为了构建可靠且可维护的 Agent，Anthropic 强调了三个原则：