Anthropic 工程师 Barry Zhang 在 AI Engineer 工作坊上的一个分享 “如何构建有效的 Agent”，其中印象最深的一个观点：Don't build agents for everything，反过来理解就是别做什么都能干的 Agent，那是我们大模型要干的事情?
构建有效 Agent 的三大要点：
1. 明智选择应用场景，并非所有任务都需要 Agent 2. 找到合适的用例后，尽可能长时间地保持系统简单 3. 在迭代过程中，尝试从 Agent 的视角思考，理解其局限并提供帮助
Barry 主要负责 Agentic System，演讲内容基于他和 Eric 合著的一篇博文，下面详细总结他们的核心观点，以及对 Agent 系统的演进和未来的思考。
Agent 系统的演进
1. 简单功能（Simple Features）： 起初是简单的任务，如摘要、分类、提取，这些在几年前看似神奇，现在已成为基础。 2. 工作流（Workflows）： 随着模型和产品成熟，开始编排多个模型调用，形成预定义的控制流，以牺牲成本和延迟换取更好性能。这被认为是 Agent 系统的前身。 3. Agent： 当前阶段，模型能力更强，领域特定的 Agent 开始出现。与工作流不同，Agent 可以根据环境反馈自主决定行动路径，几乎独立运作。 4. 未来（猜测）： 可能是更通用的单一 Agent，或多 Agent 协作。趋势是赋予系统更多自主权，使其更强大有用，但也伴随着更高的成本、延迟和错误后果。
Agent 主要用于扩展复杂且有价值的任务，它们成本高、延迟高，不应作为所有用例的直接升级。对于可以清晰映射决策树的任务，显式构建工作流（Workflow）更具成本效益和可控性。
何时构建 Agent 的检查清单：
1. 任务复杂度 (Complexity)： Agent 擅长处理模糊的问题空间。如果决策路径清晰，应优先选择工作流。 2. 任务价值 (Value)： Agent 的探索性行为会消耗大量 token，任务的价值必须能证明其成本。对于预算有限（如每任务 10 美分）或高容量（如客服）场景，工作流可能更合适。 3. 关键能力的可行性 (Derisk Critical Capabilities)： 需确保 Agent 在关键环节（如编码 Agent 的编写、调试、错误恢复能力）不存在严重瓶颈，否则会显著增加成本和延迟。如有瓶颈，应简化任务范围。 4. 错误成本与发现难度 (Cost of Error & Error Discovery)： 如果错误代价高昂且难以发现，就很难信任 Agent 自主行动。可以通过限制范围（如只读权限、增加人工干预）来缓解，但这也会限制其扩展性。
编码（Coding）是一个很好的 Agent 用例，因为它任务复杂（从设计文档到 PR）、价值高、现有模型（如 Claude）在许多环节表现良好，且结果易于验证（单元测试、CI）。
Agent 的核心结构：
模型（Model）+ 工具（Tools）+ 循环（Loop）在一个环境（Environment）中运作。
三个关键组成部分：
1. 环境 (Environment)： Agent 操作所在的系统。
2. 工具集 (Tools)： Agent 采取行动和获取反馈的接口。
3. 系统提示 (System Prompt)： 定义 Agent 的目标、约束和理想行为。
迭代方法：
优先构建和迭代这三个基本组件，能获得最高的投资回报率。避免一开始就过度复杂化，这会扼杀迭代速度。优化（如缓存轨迹、并行化工具调用、改进用户界面以增强信任）应在基本行为确定后再进行。
一致性：
尽管不同 Agent 应用（编码、搜索、计算机使用）在产品层面、范围和能力上看起来不同，但它们共享几乎相同的简单后端架构。
像 Agent 一样思考 (Think like your agents)
问题：
开发者常从自身角度出发，难以理解 Agent 为何会犯看似反常的错误。
解决方法：
将自己置于 Agent 的“上下文窗口”中。Agent 在每一步的决策都基于有限的上下文信息（如 10k-20k token）。
换位思考练习：
尝试从 Agent 的视角完成任务，体验其局限性（例如，只能看到静态截图，在推理和工具执行期间如同“闭眼”操作）。这有助于发现 Agent 真正需要哪些信息（如屏幕分辨率、推荐操作、限制条件）以避免不必要的探索。
利用模型自身：
可以直接询问模型（如 Claude）：指令是否模糊？是否理解工具描述？为什么做出某个决策？如何帮助它做出更好的决策？这有助于弥合开发者与 Agent 之间的理解差距。
1. 预算感知 Agent (Budget-aware Agents)：
需要更好地控制 Agent 的成本和延迟，定义和强制执行时间、金钱、token 预算，以便在生产环境中更广泛地部署。
2. 自进化工具 (Self-evolving Tools)：
Agent 或许能设计和改进自己的工具（元工具），使其更具通用性，能适应不同用例的需求。
3. 多 Agent 协作 (Multi-agent Collaboration)：
预计今年年底将在生产中看到更多多 Agent 系统。其优势包括并行化、关注点分离、保护主 Agent 上下文窗口等。关键挑战在于 Agent 间的通信方式，如何实现异步通信，超越当前的用户-助手轮流模式。
