Anthropic：Agents 的設計之道與年度總結

什么是 agentic systems？

原標題：Anthropic：Agents 的設計之道與年度總結
文章來源：特工宇宙
內容字數：11666字

高效構建AI Agents：Anthropic的經驗與建議

人工智能領域正經歷著前所未有的發展，大型語言模型(LLM)和智能體(Agents)的結合，為自動化和效率提升帶來了巨大潛力。Anthropic公司，作為Claude等安全可靠AI模型的研發者，在與眾多行業客戶合作構建LLM和Agents的過程中，積累了豐富的經驗。本文將分享Anthropic的寶貴見解，并為開發者提供構建高效、有價值的Agents的實用建議。

什么是Agents？兩種Agentic Systems的架構區分

“Agent”的定義并非一成不變。它可以指完全自主運行的系統，也可以指遵循預定義工作流程的規范化系統。Anthropic將所有這些都歸類為“Agentic Systems”，但強調了兩種關鍵架構的區別：Workflows和Agents。

Workflows (工作流): 通過預先定義好的代碼路徑來編排大模型和工具的系統。其流程固定，步驟清晰。

Agents (智能體): 由大模型動態規劃自身處理流程和工具使用，能夠自主控制如何完成任務的系統。其流程靈活，具有自主決策能力。

何時（以及何時不）使用Agents

在使用LLM構建應用時，應優先考慮簡潔性。只有在任務復雜性無法通過簡單方案解決時，才考慮構建Agentic Systems。因為Agentic Systems通常會帶來延遲和成本的增加，需要仔細權衡利弊。

框架的選擇與使用

許多框架可以簡化Agentic Systems的開發，例如LangChain的LangGraph、Amazon Bedrock的框架、Rivet和Vellum等。這些框架簡化了底層任務，降低了開發門檻。

然而，框架也可能引入額外的抽象層，增加調試難度，甚至導致過度設計。Anthropic建議開發者從直接使用LLM API開始，只有在必要時才使用框架，并確保理解框架的底層代碼。

構建Blocks、Workflows和Agents

Anthropic總結了構建Agentic Systems的常見模式，從簡單的組合工作流到自主的Agents系統，逐步遞進。

增強型大語言模型 (Augmented LLM)

這是Agentic Systems的基本構建模塊，通過添加檢索能力、工具調用和記憶功能來增強LLM的能力。Anthropic建議使用Model Context Protocol (MCP)簡化工具集成。

Workflows模式

Anthropic介紹了三種常見的Workflows模式：

• Prompt Chaining (提示鏈): 將任務分解為一系列步驟，每個步驟由LLM處理前一步的輸出。
• Routing (路由): 對輸入進行分類，并引導至相應的專門任務。
• Parallelization (并行): LLMs同時處理任務的不同部分，然后匯總輸出。
• Orchestrator-workers (協調者-工作者): LLM動態分配任務給worker LLMs，并整合結果。
• Evaluator-optimizer (評估器-優化器): 一個LLM生成響應，另一個LLM評估并提供反饋，形成迭代循環。

Agents模式

Agents能夠自主規劃和行動，并根據環境反饋進行調整。Anthropic強調了Agents在處理復雜、開放式問題上的優勢，但也提醒開發者注意其成本和潛在風險，建議在沙盒環境中進行充分測試。

組合和定制

上述模式并非相互排斥，開發者可以根據實際需求進行組合和定制。成功的關鍵在于持續評估和迭代優化。

構建Agents的三大原則

Anthropic總結了構建Agents的三大核心原則：

• 保持簡單： 在設計中避免不必要的復雜性。
• 優先考慮透明度： 清晰地展現Agents的規劃步驟。
• 精心設計Agent-Computer Interface (ACI)： 通過全面的工具文檔和測試，確保工具的易用性和可靠性。

實踐中的Agents案例

Anthropic分享了兩個成功的Agents應用案例：客戶支持和編程輔助，展示了Agents在需要對話、行動和明確成功標準的場景中的價值。

插件工具的提示詞工程

本文還詳細介紹了如何對工具進行提示詞工程，以優化Agents與工具的交互，強調了良好的Agent-Computer Interface (ACI)設計的重要性。

總結

構建成功的LLM應用的關鍵在于構建合適的系統，而非追求最復雜的系統。從簡單的Prompt開始，逐步添加復雜性，并始終關注性能評估和迭代優化。遵循Anthropic提出的原則，開發者可以構建出強大、可靠、易維護且值得信賴的Agents。

聯系作者

文章來源：特工宇宙
作者微信：
作者簡介：Agent Universe，專注于智能體的AI科技媒體。