如何构建高效的智能体：Anthropic 官方建议与实用指南

Anthropic 官方发布了一篇《如何构建高效的智能体》。

这篇文章干货满满，非常值得一读。

文章总结了他们和众多跨行业客户合作的经验。分享了他们开发智能体的经验教训和实用建议。

实践证明：真正成功的应用，往往采用简单、可组合的模式，而非复杂的框架。

还总结了 3 大核心原则，以及 6 种常见模式。

以下是我根据原文整理的核心要点。

Agent 和 Workflow 的区别

Agent 和 Workflow 这两个词，以及它们对应的中文翻译，已经被滥用了。

所以，在构建智能系统之前，很有必要对其下一个清晰的定义。

在 Anthropic 内部，将其统称为 Agentic System（智能体系统）。

但在架构上进行了区分：

• 工作流（Workflow）：就像预先设定好的程序，让大模型和各种工具按固定的路径运行。
• 智能体（Agent）：更灵活！它们可以根据情况，动态地决定下一步该做什么，这类系统在完成任务的过程中始终保持着控制权。

清晰的定义是很有必要的，可避免团队成员理解不一致，降低沟通成本。

何时（以及何时不）使用智能体

建议：尽可能寻找最简单的解决方案，仅在必要时增加复杂性。

这可能意味着：很多时候，根本就不需要构建智能体系统（Agentic System）。

• 如果任务简单：直接调用大模型 API。
• 如果任务有更高的复杂性：
• 需要更高的可预测性和一致性？用工作流。
• 需要灵活性和模型驱动的决策？用智能体。

对于大多数应用，其实通过检索（Retrieval）和为上下文提供一些示例（Few-shots），就可以很好地完成任务了。

不要过早把问题复杂化，一切从最简单开始。

何时及如何使用框架？

要想实现智能体系统，有很多框架可以用，比如：

• LangGraph
• Amazon Bedrock 的 AI Agent framework
• Rivet
• Vellum

框架虽然为我们提供了便利，但同时也会带来复杂度。

能直接调用大模型 API 几行代码就能实现的，就不要使用框架。

如果确实要使用框架，需确保理解框架的底层代码。

常见模式

实际应用场景中，有以下 6 种常见模式。

• 增强型语言模型（The augmented LLM）：这是最基础的构建块，通过检索、工具和记忆等增强功能强化的 LLM。
• 提示词链（Prompt chaining）：把多个 prompt 串联起来，让 LLM 一步一步完成任务。
• 路由（Routing）：根据不同的情况，把任务分配给不同的工具或 LLM。
• 并行化（Parallelization）：同时运行多个任务，提高效率。
• 协调者-工作者（Orchestrator-worker）：一个“协调者”负责分配任务，多个“工作者”负责执行。
• 评估者-优化者（Evaluator-optimizer）：一个“评估者”负责评估结果，一个“优化者”负责改进。

要想深入了解这些模式的流程图及应用场景，请点击文末 ↙ “阅读原文” 查看。

组合并定制这些模式

很多工作流看似复杂，但实际上，多数是这些模式的组合。

模式并非一成不变的，应根据自身的实际场景进行定制和组合。

? 成功的关键：衡量性能，对实现方式进行不断迭代。

只有在复杂性能够显著改善结果时，才应考虑增加复杂元素。

何时使用智能体（Agents）

开放式问题很难或无法预测所需的步骤数量，并且你无法对固定路径进行硬编码，适合使用智能体。

智能体（Agents）可以处理复杂的任务，但其实现方式往往很直接。它们通常只是大语言模型，根据环境反馈循环使用工具。

因此，清晰且周全地设计工具集及其文档至关重要。

智能体的自主性意味着更高的成本和错误加剧的可能性。建议在沙盒环境中进行广泛测试，并设置适当的防护措施。

Anthropic 提供了它们自己实现的两个智能体的实现代码，一个是 SWE-bench tasks，另一个是 Computer Use，原文中有代码链接。

要同等重视工具的提示工程

这部分内容在文章的附录 2 中。

无论构建何种智能体，工具都是重要的组成部分。

与整体提示词一样，工具定义和规范也应得到同样多的提示工程关注。

建议：

• 在模型陷入困境之前，给它足够的 Tokens 来进行 “思考”。
• 保持格式与模型在互联网文本中自然出现的格式相近。
• 确保不存在格式方面的“额外负担”，比如不必精确统计数千行代码，也无需对所编写的任何代码进行字符串转义。

经验法则：

在创建智能体-计算机交互（ACI）时，应参照在人机交互（HCI）上所投入的精力。即 HCI 投入多少精力，就应该在 ACI 上投入等量精力。

Anthropic 声称：他们在构建 SWE-bench 智能体的过程中，花在优化工具上的时间，比优化整体提示词的时间更多。

总结

在大模型领域，成功的关键不是做最复杂的系统，而是做适合自己的正确的系统。

从简单的提示词入手，通过全面评估对其进行优化，只有在更简单的解决方案无法满足需求时，才添加多步骤的智能体系统，以避免不必要的复杂设计导致诸如更高的延迟、成本，以及更难调试等问题。

遵循三条核心原则：

• 尽可能保持简单，避免不必要的复杂性。
• 明确展示智能体的规划步骤，优先考虑透明度。
• 通过详尽的工具文档记录与测试，精心打造智能体-计算机接口（ACI）。

如果早期使用了框架快速构建的应用，可以重构为使用基础组件实现的，应该毫不犹豫地重构。