基于 Anthropic 官方最佳实践，从简单 Workflow 到自主 Agent 的完整架构设计
核心认知：Workflow vs Agent
Anthropic 对 agentic 系统做了关键区分：
| 类型 | 定义 | 适用场景 |
|---|---|---|
| Workflow | LLM 和工具通过预定义代码路径编排 | 任务明确、流程固定的场景 |
| Agent | LLM 动态自主决策流程和工具使用 | 开放式问题、需要灵活应变的场景 |
关键原则：从简单开始，只在必要时增加复杂度。
基础构建块：增强型 LLM
所有 agentic 系统的起点都是一个具备以下能力的 LLM：
- 检索（Retrieval）：主动生成搜索查询
- 工具使用（Tools）：选择并调用合适工具
- 记忆（Memory）：决定保留什么信息
推荐方案：使用 Model Context Protocol (MCP) 集成第三方工具生态。
5 种核心 Workflow 模式
1. Prompt Chaining（提示链）
将任务分解为固定步骤序列，每步 LLM 处理上一步输出。
输入 → LLM调用1 → 检查点 → LLM调用2 → 检查点 → 输出
适用：营销文案生成+翻译、文档大纲→正文撰写
优势：用延迟换精度，每步任务更简单
2. Routing（路由）
对输入分类，定向到专门的处理流程。
输入 → 分类器 → [分支A] 或 [分支B] 或 [分支C]
适用：客服工单分流（退款/技术支持/一般咨询）、模型路由（简单问题→Haiku，复杂问题→Sonnet）
3. Parallelization（并行化）
两种变体：
- Sectioning：任务拆分为独立子任务并行执行
- Voting：同一任务多次执行，聚合多视角结果
适用：内容安全审查（一个模型处理查询，另一个审查）、代码漏洞扫描（多 prompt 投票）
4. Orchestrator-Workers（编排器-工作者）
中央 LLM 动态分解任务，委派给 worker LLM，再综合结果。
vs 并行化的区别：子任务不是预定义的，由编排器根据输入动态决定。
适用：跨多文件的代码修改、多源信息搜索与整合
5. Evaluator-Optimizer（评估-优化）
一个 LLM 生成，另一个评估并提供反馈，循环迭代。
适用信号：
- 人类反馈能明显改善 LLM 输出
- LLM 自己能提供有效反馈
场景：文学翻译精修、复杂搜索的多轮迭代
自主 Agent 设计
Agent 的核心特征
- 自主规划：根据环境反馈动态调整策略
- 工具循环：观察→决策→执行→再观察
- 断点交互：在关键节点暂停等待人类反馈
- 终止条件：任务完成或达到最大迭代次数
何时使用 Agent
| ✅ 适合 | ❌ 不适合 |
|---|---|
| 步骤数无法预测 | 固定流程已足够 |
| 需要灵活决策 | 成本敏感、低延迟要求 |
| 可信环境规模化任务 | 高风险、需严格控制的场景 |
工具设计的黄金法则
Anthropic 在 SWE-bench 上取得 49% 成绩的秘诀：工具设计比提示工程更重要
设计原则
-
给模型足够 token 思考
- 避免让模型在输出中途"把自己逼入死角"
-
贴近自然文本格式
- 使用模型在互联网文本中见过的格式
-
消除格式开销
- 避免需要精确计数行数（如 diff 格式）
- 避免大量转义（如 JSON 内嵌代码）
-
防错设计（Poka-yoke）
- 示例：强制使用绝对路径避免相对路径错误
工具描述应包含
- 使用示例
- 边界情况处理
- 输入格式要求
- 与其他工具的清晰区分
实战建议
开发路径
单轮 LLM 调用 → 增加检索/示例 → Workflow → Agent
↑ ↑ ↑ ↑
最简单 多数场景足够 需要多步骤 开放式问题
关于框架
Anthropic 的建议：先直接用 LLM API
- 多数模式只需几行代码
- 框架的抽象层会隐藏底层 prompts，增加调试难度
- 如果要用框架，务必理解底层实现
核心原则
- 保持简单：Agent 设计要简洁
- 透明优先：显式展示 agent 的规划步骤
- 精心设计 ACI：通过完善的工具文档和测试打造良好的 Agent-Computer Interface
典型应用场景
1. 客户支持 Agent
- 对话流 + 工具集成（查询订单、知识库、执行退款）
- 成功标准明确，支持人工介入
2. 代码 Agent
- 解决真实 GitHub Issues
- 测试验证 + 人工代码审查
- Claude 3.5 Sonnet 在 SWE-bench Verified 达到 49%
总结
构建高效 Agent 的关键不是追求复杂度，而是：
- 从简单开始，只在必要时增加复杂度
- 测量性能，用数据驱动迭代
- 投资工具设计，好的 ACI 比复杂的 prompt 更重要
- 保持透明，让 agent 的决策过程可见
“成功的 LLM 应用不在于构建最复杂的系统，而在于构建最适合你需求的系统。”
参考来源：Anthropic Engineering Blog - Building Effective Agents (2024)
