Building Effective AI Agents¶
- 来源:
sources/anthropic_official/building-effective-agents.md - URL: https://www.anthropic.com/research/building-effective-agents
- 作者: Erik Schluntz, Barry Zhang (Anthropic)
- 发布: 2024-12-20
摘要¶
Anthropic 基于与数十个客户团队合作构建 LLM agent 的经验总结。核心论点：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。文章区分了 workflows（预定义代码路径编排 LLM）和 agents（LLM 动态指挥自身流程），并系统梳理了五种 workflow 模式和一种 agent 模式。
关键要点¶
- 从简单开始。只在有证据表明复杂度能改善结果时才增加复杂度。单次 LLM 调用 + 检索 + 上下文示例通常已经够用。
- 基础构建块是增强型 LLM（augmented LLM）：检索、工具、记忆三项增强能力，通过 MCP 等协议标准化接口。
- 五种 workflow 模式：
- Prompt chaining — 任务分解为顺序步骤，中间可加检查门
- Routing — 输入分类后导向专门化处理
- Parallelization — 并行处理（sectioning 分段 + voting 投票）
- Orchestrator-workers — 中央 LLM 动态分解任务、分发、综合
- Evaluator-optimizer — 生成-评估循环迭代
- Agent 适用场景：开放式问题、步骤数不可预测、需要自主决策。代价是更高成本和错误累积风险。
- ACI（Agent-Computer Interface）设计与 HCI 同等重要。工具定义要像写给初级开发者的文档一样清晰。
与其他 source 的关联¶
- 本文是 Anthropic 官方 agent 架构模式总览，后续的 harness 系列文章 深入讨论了长时运行场景下的 harness 设计。
- Claude Agent SDK 是本文推荐的实现框架。
References¶
sources/anthropic_official/building-effective-agents.md