Anthropic 的 AI Agent 构建指南：简单胜过复杂

这是Anthropic关于如何构建AI agent最经典的一篇文章。最大的启示是：最成功的实现方案靠的是简单、可组合的模式，而不是复杂的框架。

Workflow与Agent：清晰的界限

Anthropic把agentic系统分成两类：

Workflow（工作流）：LLM按照预先写好的代码路径运行，顺序执行、结果可预测，适合流程明确、会重复出现的任务。

Agent（智能体）：LLM自己决定流程、自己选择工具、自己掌控处理流程，适合需要灵活性和由模型驱动决策的场景。

在构建agent之前，先把单次LLM调用优化到位。Agentic系统本质上是用延迟和成本换取性能，这个取舍需要仔细权衡。

5种核心Workflow模式

模式一，提示链（Prompt Chaining）：把任务拆成一连串顺序步骤，每一步之间用程序化检查做校验。例如先生成营销文案，再翻译成多种语言。

模式二，路由（Routing）：先对输入分类，再转交给合适的处理流程。例如简单查询交给轻量模型处理，复杂查询交给能力更强的模型。

模式三，并行化（Parallelization）：通过分段（把任务拆成独立小块）或投票（多个视角并行判断）同时运行多个任务。例如一个实例负责回答查询，另一个实例专门筛查不合适的内容。

模式四，协调者与执行者（Orchestrator-Workers）：由一个中心LLM动态拆分任务，再分发给多个执行者LLM。例如修改多个文件的代码时，协调者会根据输入判断到底该改哪些文件。

模式五，评估者与优化者（Evaluator-Optimizer）：一个LLM负责生成内容，另一个LLM负责给反馈，如此循环直到达到质量标准，就像开发者和代码审查者之间的review流程。

工具设计比提示词更重要

Anthropic透露，在构建SWE-bench agent时，他们花在优化工具上的精力甚至超过了整体提示词。

工具的规格说明同样值得认真做提示词工程。一个实际例子：SWE-bench agent只是把要求从相对路径改成绝对路径，效果就明显提升，彻底消除了目录切换后出现的错误。

这就是"防呆"（poka-yoke）原则：把工具设计成让agent很难犯错。就像USB-C接口只能以一种方式插入，工具本身就应该防止被用错。

三条实施原则

简洁（Simplicity）：把agent设计得尽可能简单。简单且可组合的模式胜过复杂的框架。

透明（Transparency）：清楚展示规划步骤，让用户能理解agent正在做什么。

文档化（Documentation）：认真撰写并测试工具定义。一份好的工具描述，重要程度不亚于system prompt。

推荐的落地路径

第一步：用检索和上下文示例优化单次LLM调用。 第二步：为可预测的流程实现workflow。 第三步：只有当更简单的方案不够用时，才部署agent。

不要一味追求复杂度，成功的关键是为真正的需求构建合适的系统。持续衡量性能表现，逐步打磨优化。在动手构建任何AI agent之前，这篇文章都应该是你第一篇要读的资料。