来源：Anthropic - Building effective agents | 整理时间：2026-04-01
Agent 是什么？
"Agent"（智能体）可以从多个角度来理解：
- 狭义定义：能在较长时间内自主运行、使用各种工具完成复杂任务的全自动系统
- 广义定义：所有由 LLM 驱动的自主工作流都可以称为 Agentic System
Anthropic 将这类系统统称为 Agentic Systems（智能体系统），并区分为两种类型：
| 类型 | 定义 | 特点 |
|---|---|---|
| Workflow（工作流） | LLM 通过预定义的代码路径执行任务 | 可预测、一致性强 |
| Agent（智能体） | LLM 动态决定流程和工具使用方式 | 灵活、模型驱动 |
Agent 的核心构成
基础构件：增强型 LLM
最基本的构件是 增强了以下能力的 LLM：
- 检索（Retrieval）：主动搜索相关信息
- 工具（Tools）：调用外部 API 和服务
- 记忆（Memory）：保留重要上下文
典型工作流模式
1. 提示链（Prompt Chaining）
将任务分解为顺序步骤，前一步的输出作为下一步的输入。
任务 → LLM 步骤 1 → [检查点] → LLM 步骤 2 → [检查点] → 输出
适用场景：任务可以清晰分解为固定子任务时
2. 路由（Routing）
对输入进行分类，然后分发到专门的后续处理流程。
适用场景：不同类型的输入需要不同处理方式（如客服系统中的退款、技术支持、一般咨询）
3. 并行化（Parallelization）
LLM 同时处理多个任务，结果汇总。有两种变体：
- 分段（Sectioning）：将任务拆分为并行子任务
- 投票（Voting）：同一任务运行多次获得多样性输出
4. 编排者-执行者（Orchestrator-Workers）
中央 LLM 动态分解任务，分配给工作 LLM，汇总结果。
适用场景：无法预先确定子任务数量和性质的复杂任务
5. 评估者-优化者（Evaluator-Optimizer）
一个 LLM 生成输出，另一个评估并提供反馈，循环迭代。
何时使用 Agent？
推荐使用场景
- 问题是开放式的，难以预测所需步骤数量
- 无法预先编写固定路径
- 需要在可信环境中扩展任务规模
- 有充分的测试和沙箱保障
不推荐使用场景
- 简单任务，单次 LLM 调用足够
- 需要极低延迟的应用
- 成本敏感的场景（Agent 费用更高）
💡 黄金法则：先找最简单的解决方案。只有当简单方法确实不够时，才增加复杂度。
Agent 的核心原则
Anthropic 总结了构建 Agent 的三条核心原则：
- 保持设计简单（Maintain simplicity）
- 透明展示规划步骤（Prioritize transparency）
- 精心设计 Agent-Computer 接口（ACI），包括完善的工具文档和测试
AI Agent 的实际应用案例
1. 客服 Agent
- 结合对话界面与工具集成（查询订单、知识库、处理退款）
- 多家公司已采用按成功解决率计费的模型
2. 代码 Agent
- 可根据 GitHub Issue 描述自动解决问题
- 通过自动化测试验证修复结果
- 在 SWE-bench 基准测试中表现优秀
延伸阅读
- Building effective agents - Anthropic — 官方深度文章
- Claude Agent SDK Overview — 用 SDK 构建 Agent
- Model Context Protocol (MCP) — Agent 工具集成标准
下一步