构建高效AI Agent
标签
AI
Agent架构
工作流
Anthropic
最佳实践
字数
683 字
阅读时间
3 分钟
Anthropic 基于与数十个团队的合作经验总结的 Agent 构建方法论。核心主张：最成功的实现不依赖复杂框架，而是用简单、可组合的模式构建。
核心原则
- 从简单开始：先用单次 LLM 调用 + 检索/上下文优化，仅在不足时才加复杂度
- 透明性优先：明确展示 Agent 的规划步骤
- 精心设计 ACI（Agent-Computer Interface）：工具定义和文档的工程投入应等同于 HCI
架构分层：从工作流到 Agent
五种工作流模式（预定义路径）
| 模式 | 适用场景 | 示例 |
|---|---|---|
| 提示链 | 任务可分解为固定子任务 | 生成文案 → 翻译 |
| 路由 | 输入有不同类别需分别处理 | 客服分流：退款/技术/一般 |
| 并行化 | 子任务可并行或需多视角 | 护栏检查 + 核心响应分离 |
| 编排器-工作者 | 子任务不可预测 | 代码修改（文件数和改动不确定） |
| 评估器-优化器 | 有明确评估标准可迭代 | 文学翻译、复杂搜索 |
Agent（动态路径）
- LLM 自主决定流程和工具使用，基于环境反馈循环运行
- 适用于开放式问题、步骤数不可预测的场景
- 实现往往很简单：就是基于环境反馈循环使用工具的 LLM
- 关键：在每一步从环境获取"地面实况"（工具调用结果、代码执行结果）
工具设计最佳实践（ACI）
- 站在模型角度思考：工具描述是否足够清晰，像给初级开发者写文档
- 包含示例用法、边缘情况、输入格式要求
- 防错设计（Poka-yoke）：如强制使用绝对路径而非相对路径
- 工具优化的时间投入应 ≥ 提示优化
两个最佳落地场景
- 客户支持：对话 + 工具集成 + 可编程操作 + 可衡量成功标准
- 编程 Agent：自动化测试验证 + 反馈迭代 + 结构化问题空间
相关概念
- Agent协作核心原则-约束先行 — 约束体系是 Agent 可靠运行的前提
- [[Data_Agent]] — Agent 在数据领域的具体实践
- [[Skills与Agent产品对比]] — Skills vs Agent 的产品策略选择
- [[OpenAI内部数据智能体实践]] — OpenAI 的 Agent 落地案例
yancy