拓冰网站定制 
整理自 Anthropic 工程博客《Building Effective AI Agents》原文地址https://www.anthropic.com/engineering/building-effective-agents一句话结论Anthropic 建议先找最简单的方案确有必要再引入 agentic 系统结构清晰的流程用工作流LLM 和工具按预定义代码路径编排开放式任务才用AgentLLM 自己决定流程和工具使用。两者都是agentic system但架构边界完全不同。三个前置判断1要不要 agenticagentic 系统用延迟和成本换任务表现。很多场景优化单次 LLM 调用加上检索和示例就够了。2工作流还是 Agent任务定义清晰、要求可预测一致 → 工作流需要模型驱动决策和灵活性 → Agent。3要不要框架框架Claude Agent SDK、Strands、Rivet、Vellum 等降低上手成本但会隐藏底层 prompt 和响应、增加调试难度还会诱导无谓的复杂度。建议先用 LLM API 直接写很多模式几行代码就能实现用框架就必须懂它内部在做什么。五个被生产验证的工作流模式流程图 1Prompt chaining链式调用把任务拆成固定序列中间加程序化检查点gate逐步输出。适合能干净分解成固定子任务、且子任务之间有大小/模态差异的场景。Routing路由先分类再分发给不同的 prompt/模型/工具。典型用法客服分流退款/技术/一般咨询、简单问题给 Haiku 类小模型、困难问题给 Sonnet 类强模型以控制成本。Parallelization并行化两种变体——Sectioning拆成独立子任务并行和 Voting同一任务多次采样取多样输出。多视角投票常用于安全护栏和代码漏洞审查。Orchestrator-workers编排-工作者由编排 LLM 动态分解任务、派给工作者、再汇总。与链式的区别在于子任务不是预定义的由中心模型按输入决定。Evaluator-optimizer评估-优化生成器产出评估器按标准打分并给反馈循环迭代。以上模式细节以原文为准核心思想是能用确定编排就别让模型自由发挥。Agent什么时候才真正需要当任务开放、步骤不可预知、需要模型在环境中动态决策时才用 Agent。Anthropic 的实操建议给 Agent 提供清晰、文档完善的工具工具即接口描述质量直接决定 Agent 表现。设置护栏最大步数、token 预算、危险操作确认。把 Agent 的行为变成可观测的每一步的工具调用、理由、状态都要能回放。对我们做内容/运营 Agent 的直接启发1每日巡检补差这种流程明确的任务本质是工作流 路由不需要完整 Agent 自主性——这也解释了为什么用固定目标5/1/1 轻量进度接口比开放式 Agent 更可靠。2框架选型前先问底层 prompt 我能看到吗调试时我能改吗3Agent 的失败大多不是模型不够强而是工具描述含糊和缺少护栏。参考AnthropicBuilding Effective AI Agents2024-12后续工具生态演进见其 Managed Agents 文章 Anthropic《Building Effective Agents》：先别急着上 Agent，五个工作流模式 + 两条架构原
整理自 Anthropic 工程博客《Building Effective AI Agents》原文地址https://www.anthropic.com/engineering/building-effective-agents一句话结论Anthropic 建议先找最简单的方案确有必要再引入 agentic 系统结构清晰的流程用工作流LLM 和工具按预定义代码路径编排开放式任务才用AgentLLM 自己决定流程和工具使用。两者都是agentic system但架构边界完全不同。三个前置判断1要不要 agenticagentic 系统用延迟和成本换任务表现。很多场景优化单次 LLM 调用加上检索和示例就够了。2工作流还是 Agent任务定义清晰、要求可预测一致 → 工作流需要模型驱动决策和灵活性 → Agent。3要不要框架框架Claude Agent SDK、Strands、Rivet、Vellum 等降低上手成本但会隐藏底层 prompt 和响应、增加调试难度还会诱导无谓的复杂度。建议先用 LLM API 直接写很多模式几行代码就能实现用框架就必须懂它内部在做什么。五个被生产验证的工作流模式流程图 1Prompt chaining链式调用把任务拆成固定序列中间加程序化检查点gate逐步输出。适合能干净分解成固定子任务、且子任务之间有大小/模态差异的场景。Routing路由先分类再分发给不同的 prompt/模型/工具。典型用法客服分流退款/技术/一般咨询、简单问题给 Haiku 类小模型、困难问题给 Sonnet 类强模型以控制成本。Parallelization并行化两种变体——Sectioning拆成独立子任务并行和 Voting同一任务多次采样取多样输出。多视角投票常用于安全护栏和代码漏洞审查。Orchestrator-workers编排-工作者由编排 LLM 动态分解任务、派给工作者、再汇总。与链式的区别在于子任务不是预定义的由中心模型按输入决定。Evaluator-optimizer评估-优化生成器产出评估器按标准打分并给反馈循环迭代。以上模式细节以原文为准核心思想是能用确定编排就别让模型自由发挥。Agent什么时候才真正需要当任务开放、步骤不可预知、需要模型在环境中动态决策时才用 Agent。Anthropic 的实操建议给 Agent 提供清晰、文档完善的工具工具即接口描述质量直接决定 Agent 表现。设置护栏最大步数、token 预算、危险操作确认。把 Agent 的行为变成可观测的每一步的工具调用、理由、状态都要能回放。对我们做内容/运营 Agent 的直接启发1每日巡检补差这种流程明确的任务本质是工作流 路由不需要完整 Agent 自主性——这也解释了为什么用固定目标5/1/1 轻量进度接口比开放式 Agent 更可靠。2框架选型前先问底层 prompt 我能看到吗调试时我能改吗3Agent 的失败大多不是模型不够强而是工具描述含糊和缺少护栏。参考AnthropicBuilding Effective AI Agents2024-12后续工具生态演进见其 Managed Agents 文章