Anthropic · 2025-01-10

Anthropic高效构建Agent系统的方法与架构设计原则

摘要

Anthropic发布博客文章，系统总结了构建Agent系统的经验与架构设计原则。文章强调"大道至简"的重要性，指出开发者应避免过度追求复杂架构，首选最简单的解决方案。文章将Agent系统分为工作流和智能体两类，详细介绍了提示链、路由、并行化、编排者-工作者等多种构建范式，并提供了模式组合与定制的指导原则。

内容框架与概述

文章首先明确了Agent的非标准定义，将其分为工作流和智能体两类：工作流通过预定义代码路径编排LLM和工具，智能体则由LLM动态指导流程和工具使用。作者强调，在构建Agent系统时应遵循保持简单原则，警惕框架带来的复杂性，建议直接使用底层LLM接口实现，确保对底层代码的充分理解。

在基础元件方面，文章介绍了增强型LLM的概念，即具备检索、工具和记忆能力的LLM，并建议使用模型上下文协议（MCP）集成接口。对于工作流模式，文章详细阐述了五种模式：提示链适用于可清晰分解的任务；路由适用于复杂任务且存在明显类别；并行化可同时处理多个子任务；编排者-工作者模式中中央LLM动态分解任务并委托给工作者LLM；评估者-优化者通过反馈循环不断改进输出。

对于Agent模式，文章指出其从人类用户命令或互动讨论开始工作，能够独立规划和操作。Agent在执行过程中可获取"事实"以评估进展，并在检查点或障碍时暂停获取人类反馈。这种模式适用于开放式问题，但需要对其决策有信任，建议在沙盒环境测试并配备护栏。文章最后强调，这些模式并非固定不变，开发者可以根据实际情况修改和组合使用，成功的关键在于评估并持续迭代，不过早引入复杂度。

核心概念及解读

工作流模式：通过预定义代码路径编排LLM和工具的固定模式，包括提示链、路由、并行化、编排者-工作者、评估者-优化者五种变体。提示链将任务分解为固定子任务序列，路由根据输入类型分类处理，并行化同时处理多个子任务，编排者-工作者由中央LLM动态分解任务，评估者-优化者通过反馈循环改进输出。这些模式适用于结构化、可预测的任务场景。

智能体模式：由LLM动态指导流程和工具使用的自主模式，从人类用户命令或互动讨论开始工作，能够独立规划和操作。智能体在执行过程中获取"事实"以评估进展，可在检查点或障碍时暂停获取人类反馈。这种模式适用于开放式问题，但需要对其决策有信任，建议在沙盒环境测试并配备护栏。

保持简单原则：不应过度追求复杂系统架构，首选最简单的解决方案。文章建议开发者警惕框架带来的复杂性，直接使用底层LLM接口实现，确保理解底层代码，避免基于错误假设构建系统。实现Agent系统时应遵循简洁性、透明度和精心设计Agent-计算机接口三个核心原则，慎用框架，投产时减少抽象层，多用底层组件构建。

模型上下文协议（MCP）：Anthropic建议使用的集成接口标准，用于为增强型LLM添加检索、工具和记忆能力。MCP提供了一种标准化的方式来扩展LLM的基础能力，使其能够访问外部数据源和工具，从而构建更强大的Agent系统。

评估与迭代：文章强调LLM应用开发的成功在于构建满足实际需求的正确系统，而非追求技术复杂性。开发者应对构建的Agent系统进行持续评估和迭代，根据实际效果调整架构和模式选择，避免过早引入不必要的复杂度。