过去一年里，anthropic团队，对，就是那个做 Claude 团队的，与各行各业的开发者合作，探索如何用大型语言模型（LLM）构建智能 Agent（代理）。令人意外的是，成功的案例往往不是靠复杂的框架或高级工具，而是用简单、可组合的模式实现。这篇文章，我想和大家分享一些他们的实际经验和建议，帮你快速上手构建高效的 Agent 系统。
什么是 Agent？
Agent 的定义非常灵活。有人觉得它是完全自主运行的系统，可以调用工具解决复杂任务；也有人觉得它更像是能自动化执行特定流程的助手。在我们看来，Agentic 系统大致可以分为两类：
1. 工作流（Workflow）
这种系统通过代码预先定义好每一步流程，类似“流水线”。
2. Agent
这种系统更灵活，模型可以动态决定任务的执行方式、工具的调用顺序，不需要提前硬编码所有逻辑。
在下文中，我会详细介绍这两类系统的构建方式。
Agent 用在什么场景更合适？
一个实用的建议是：尽可能用简单的解决方案。如果单靠一个 LLM API 调用就能满足需求，根本不需要用到复杂的 Agent 系统。
什么时候用 Agent？
• 需要灵活决策时：比如大规模处理开放性任务，无法预先规划所有逻辑时。 • 对模型驱动的结果有依赖时：Agent 能根据环境动态调整策略，适合需要灵活响应的场景。
什么时候不用 Agent？
• 任务明确时：比如固定流程的自动化任务，用工作流系统（Workflow）更高效且稳定。 • 注重成本和延迟时：Agent 系统通常更耗时且成本高。
必备的技术构建模块
在开始构建前，我们可以把 Agent 系统拆解为几个基础模块，每个模块可以单独实现，也可以组合使用。
1. 增强型 LLM（Augmented LLM）
这是 Agent 系统的核心。通过给模型加上检索（Retrieval）、工具（Tools）和记忆（Memory）等增强功能，模型不仅能生成文本，还能调用工具或保存上下文信息。
代码示例（Python 使用 OpenAI API 调用工具）：
import openai
def augmented_llm(prompt, tool_results):
"""简单的增强型 LLM 调用"""
augmented_prompt = f"{prompt}\nTools results: {tool_results}"
response = openai.ChatCompletion.create(
model="gpt-4",
messages=[{"role": "system", "content": "You are an assistant."},
{"role": "user", "content": augmented_prompt}],
)
return response.choices[0].message["content"]
# 示例：调用一个虚拟工具获取数据后交给模型处理
tool_results = {"query": "current weather", "result": "sunny, 25°C"}
print(augmented_llm("What's the weather?", tool_results))2. 工作流模式（Workflow Patterns）
根据不同的需求，我们可以设计多种工作流模式。以下是几种常见模式：
工作流模式详解
1. Prompt Chaining将复杂任务拆解为多个小任务，每个任务的输出作为下一个任务的输入。
适用场景：
• 撰写营销文案后翻译成多种语言； • 先生成文章大纲，再用大纲写内容。
代码示例：
# Prompt Chaining 示例：生成文章大纲 + 根据大纲生成内容
def generate_outline(topic):
return f"Outline for {topic}: 1. Introduction, 2. Main Points, 3. Conclusion"
def generate_article(outline):
return f"Article based on {outline}: [Full content here]"
topic = "How to use LLMs effectively"
outline = generate_outline(topic)
article = generate_article(outline)
print(article)2. Routing
根据输入内容，分类处理任务。比如客服系统中，将退款请求和技术支持请求分配到不同流程。
适用场景：
• 不同类型的输入需要专门优化的模型或提示词； • 处理多语言支持的应用。
代码实现：
def route_query(query):
if"refund"in query:
return"Refund Workflow"
elif"technical"in query:
return"Tech Support Workflow"
else:
return"General Workflow"
query = "How can I get a refund?"
print(route_query(query)) # 输出: Refund Workflow3. Parallelization
将任务分解成多个子任务并行处理，提高效率。例如，代码评审时，可以同时检查多个模块。
一种自评估-优化循环，让模型根据反馈不断改进结果。这种模式特别适合翻译或内容生成任务。
Agent 的核心：自主决策
真正的 Agent 系统具备一定的自主性，能动态规划任务、调用工具并根据环境调整策略。例如，一个代码 Agent，可以分析任务需求并自动修改多个文件。
架构示例：
用户输入Agent 规划调用工具结果反馈
实现关键点：
• 工具调用接口：设计清晰的工具文档和 API，方便模型理解和调用。 • 错误处理和恢复：通过环境反馈判断任务是否完成，必要时请求用户确认。
工具选型对比
如果你想用框架简化开发，这里列出了一些常见工具及优缺点：
| LangGraph | ||
| Rivet | ||
| Vellum |
我的建议是：先用 LLM API 实现简单原型，再根据需求决定是否引入框架。
总结
构建高效的 LLM Agent，不在于多么复杂的设计，而是用对模式。
1. 从简单的增强型 LLM 开始，逐步加入工作流模式； 2. 仅在必要时引入 Agent，保证成本和效率平衡； 3. 重视工具接口的设计和文档，让模型调用更自然顺畅。
希望这些经验能帮你少踩坑，更快地开发出好用的 LLM 系统！
