2025 年被许多人称为 “Agent 之年”，越来越多的企业和开发者开始投入到构建 AI Agent 的工作中。近日，Anthropic 公司发布了一篇重磅博客，详细探讨了如何构建高效的 Agent，并分享了他们在这一领域的最新研究成果。
这篇长达 18000 词的博客的重点如下。
总的来说就是简单 > 复杂
在构建 LLM Agent 时，最成功的实现使用了基本的可组合模式。
从简单开始！只有在需要时才增加复杂性。许多应用仅凭单次 LLM 调用和信息检索就能正常工作。
我的看法：Agent 框架在构建 Agent 模式时非常有用，因为它避免了我们需要重新发明轮子的麻烦。
关于 Agent 框架选择问题，你可以参考：《2025年值得入坑AI Agent的五大框架》
Workflow & Agent
🔄 两种主要的 Agent 系统类型：
Workflow（工作流）：预定义路径
Agent：动态的、自主引导的系统
🔍 Workflow 模式的关键：
Prompt chaining（提示链）
Routing（路由）
Parallelization（并行化）
Orchestrator-workers（协调者-工作者模式）
Evaluator-optimizer（评估者-优化者模式）
详解如下 👇
💡Prompt chaining（提示链）
顺序进行的 LLM 调用，其中一个输出作为另一个输入——比如先写内容再翻译。
最适用于有明确子任务的任务，例如：
写作 + 翻译内容
先创建大纲，再生成完整文档
🔀 Routing（路由）
初始 LLM 决定由哪个专门的模型处理任务，特别适用于根据复杂度对查询进行分类。
在处理不同类型的输入时表现尤为出色：
客服查询
基于任务难度的分配
⚡️ Parallelization（并行化）
将任务拆分成并行的子任务，或者使用多个 LLM 对答案进行投票。
主要有两种形式：
分块（Sectioning）：将任务拆分为多个子任务
投票（Voting）：通过多次尝试获得更高的信心
🎯 Orchestrator-Workers（协调者-工作者模式）
可以将其视为一个中央指挥，领导着由专门 AI 工作者组成的乐团。
协调者的角色：
动态拆解复杂任务
将任务委派给工作者 LLM
将工作者的结果综合成连贯的输出
适用于：需要跨多个文件进行修改的复杂编程项目
🎭 Evaluator-Optimizer（评估者-优化者模式）
该模式创建了一个反馈循环，其中：
一个 LLM 生成回应
另一个 LLM 评估并提供反馈
这个过程反复进行，直到满足质量目标
适用于：文学翻译和需要多轮优化的复杂搜索任务
🎯 Agent 最适合：
开放性问题
需要灵活性的任务
需要自主决策的情况
⚠️ 请记住：Agent 系统以更高的成本和潜在的错误换取自主性。在实际应用之前，一定要在沙盒环境中进行充分测试。
🎮 工具设计至关重要！将 ACI（Agent-Computer Interface，Agent-计算机接口）的设计视为与人机接口（HCI）同样重要的工作。
关于 ACI，请参考往期文章：《还没弄懂AGI，又来了一个ACI？！你再不跟上就真的被淘汰了。》
总结
✅ 三大核心原则：
保持简单
保持透明
设计清晰的工具文档
🎯 最终总结：成功并不在于复杂性，而在于为你的需求构建正确的系统。从简单开始，进行测量，只有在需要时再扩展规模。
博客链接：
https://www.anthropic.com/research/building-effective-agents
文章来源：PyTorch研习社
