从一个真实的工作场景说起。

假设你是一家科技公司的分析师，某天老板突然要求你撰写一份竞品分析报告。你打开浏览器，搜索“AI 编程助手市场 2025”，点开十几篇链接，浏览了三份研报、五篇新闻报道、两个产品文档。两个小时过去了，你依然在纠结：这家公司到底是B轮融资还是C轮？那篇报道引用的是2024年的数据还是2025年的预测？

这并非个别现象。PwC 2025年的调查显示，知识工作者平均每周花费8.2小时用于信息搜集与核实。市场分析师需要追踪竞品动态，法务团队需要监控法规更新，工程师排查Bug时往往要跨越多个文档、系统和时间线。这些任务的共同特征在于：输入问题本身并不包含答案，你必须不断“看一眼再决定下一步搜什么”。

这正是 AI Agent 能够大显身手的领域。

传统自动化遵循固定流程：第一步做什么、第二步做什么，全部预先设定。但研究任务截然不同——你无法事先知道该搜索财报还是监管文件，只有看完企业介绍才能判断；你无法确定该追踪哪种技术栈，只有分析完产品架构才能明确。最优路径往往是在探索中逐渐显现，而非预先规划能得出的。

Claude Agent SDK 正是为这类场景量身定制。它让模型能够自主调用工具、根据发现的结果动态调整策略、判断何时信息足够充分。只需寥寥几行代码，一个能够搜索网络、阅读文档、综合结论的研究 Agent 就能立即运行起来。

研究 Agent：Agent 模式的最佳应用场景

两个关键特征使研究成为 Agent 模式下的理想用例：

信息非自包含：输入的问题本身不包含答案，Agent 必须与外部系统（搜索引擎、数据库、API）进行交互。

路径动态涌现：你无法预先设置工作流。Agent 该搜索财报还是监管文件，取决于它对商业模式的分析发现。最佳策略是在调研过程中逐步揭示。

最简实现

Claude Agent SDK 的核心是 query() 函数。只需几行代码即可创建一个能够自主搜索网络并综合结果的研究 Agent：

from claude_agent_sdk import ClaudeAgentOptions, query

messages = []
async for msg in query(
    prompt="研究 AI Agent 的最新趋势，给我一个简要总结和相关引用链接。",
    options=ClaudeAgentOptions(
        model="claude-opus-4-6",
        allowed_tools=["WebSearch"]
    ),
):
    messages.append(msg)

执行过程大致如下：

? Using: WebSearch("AI agents trends 2025 latest...")
? Using: WebSearch("autonomous AI agents enterprise...")
? Using: WebSearch("multi-agent AI systems trends...")
? Thinking...

Agent 自主决定何时搜索、查询什么内容、如何综合结果。你只需提出问题，它自己规划执行路径。

工具权限机制

allowed_tools 参数用于控制 Agent 自主运行的边界：

无状态 vs 有状态

无状态 query() 适用于：

• 独立研究问题
• 并行处理多个任务
• 每次查询需要全新的上下文

有状态 ClaudeSDKClient 适用于：

• 多轮迭代调查式研究
• 基于先前发现进行深入分析
• 需要持续的上下文记忆

进阶：三步打造生产级 Agent

基础 Agent 能够工作，但单次查询没有记忆，无法处理“找到 X，然后分析 Y”这类迭代研究需求。以下是三个改进方向。

1. 添加对话记忆

from claude_agent_sdk import ClaudeSDKClient

async with ClaudeSDKClient(
    options=ClaudeAgentOptions(
        model="claude-opus-4-6",
        allowed_tools=["WebSearch", "Read"],
    )
) as research_agent:
    # 第一轮查询：分析图表
    await research_agent.query("分析这张图表")
    async for msg in research_agent.receive_response():
        messages.append(msg)

    # 第二轮查询：利用第一轮的分析结果，进一步搜索验证数据
    await research_agent.query("基于刚才的分析，搜索验证数据")
    async for msg in research_agent.receive_response():
        messages.append(msg)

ClaudeSDKClient 作为上下文管理器，自动维护对话状态，后续查询能够记住之前发现的内容。

2. 系统提示词专业化

不同研究领域对严谨性的要求不同。金融分析与技术新闻摘要的标准截然不同。通过系统提示词来编码研究规范：

RESEARCH_SYSTEM_PROMPT = """你是一个专注于 AI 领域的研究 Agent。

提供研究发现时：
- 始终包含来源 URL 作为引用
- 将引用格式化为 markdown 链接：[来源标题](URL)
- 在回复末尾汇总"来源"部分"""

async with ClaudeSDKClient(
    options=ClaudeAgentOptions(
        model="claude-opus-4-6",
        system_prompt=RESEARCH_SYSTEM_PROMPT,
        allowed_tools=["WebSearch", "Read"],
    )
) as research_agent:
    ...

3. 多模态研究能力

真实的研究场景不只有纯文本：市场报告包含图表，技术文档带有示意图，竞品分析需要截图对比。启用 Read 工具后，Claude 能够分析图像、PDF 及其他视觉内容：

async with ClaudeSDKClient(
    options=ClaudeAgentOptions(
        model="claude-opus-4-6",
        allowed_tools=["WebSearch", "Read"],
        max_buffer_size=10 * 1024 * 1024,  # 图像处理需要更大的缓冲区
    )
) as research_agent:
    await research_agent.query("分析 research_agent/projects_claude.png")
    ...

图像在消息中会被 base64 编码，体积会显著增大。Claude Agent SDK 默认缓冲区为 1MB，处理图像时建议设置为 10MB。

实战案例：图表分析 → 网络验证

一个完整的全流程演示——先分析图表，再搜索验证发现：

RESEARCH_SYSTEM_PROMPT = """你是研究 Agent。提供发现时：
- 始终包含来源 URL 作为引用
- 将引用格式化为 markdown 链接
- 在回复末尾汇总来源"""

async with ClaudeSDKClient(
    options=ClaudeAgentOptions(
        model="claude-opus-4-6",
        cwd="research_agent",
        system_prompt=RESEARCH_SYSTEM_PROMPT,
        allowed_tools=["WebSearch", "Read"],
        max_buffer_size=10 * 1024 * 1024,
    )
) as research_agent:
    # 第一步：分析图表
    await research_agent.query("分析 research_agent/projects_claude.png")
    async for msg in research_agent.receive_response():
        print_activity(msg)

    # 第二步：利用图表分析结果，搜索最新数据进行验证
    await research_agent.query("基于图表分析，搜索最新数据验证")
    async for msg in research_agent.receive_response():
        print_activity(msg)

Agent 的执行流程：

1. 读取图像并分析图表内容
2. 识别图表类型、数据模式和关键发现
3. 搜索相关数据源进行交叉验证
4. 对比内部发现与外部数据，生成带引用的研究报告

打包为可复用模块

生产系统需要可复用的模块。封装为独立函数：

# research_agent/agent.py
from claude_agent_sdk import ClaudeSDKClient, ClaudeAgentOptions

RESEARCH_SYSTEM_PROMPT = """你是研究 Agent。
提供发现时始终包含来源 URL，格式化为 markdown 链接。"""

async def send_query(prompt: str, continue_conversation: bool = False) -> str:
    """发送研究查询，返回结果文本。"""
    async with ClaudeSDKClient(
        options=ClaudeAgentOptions(
            model="claude-opus-4-6",
            system_prompt=RESEARCH_SYSTEM_PROMPT,
            allowed_tools=["WebSearch", "Read"],
            max_buffer_size=10 * 1024 * 1024,
        )
    ) as agent:
        await agent.query(prompt)
        result = ""
        async for msg in agent.receive_response():
            if hasattr(msg, 'content'):
                result += msg.content
        return result

使用方式非常直观：

from research_agent.agent import send_query

# 单次独立查询
result = await send_query("Claude Code SDK 是什么？")

# 多轮对话式查询
result1 = await send_query("Anthropic 是什么公司？")
result2 = await send_query(
    "他们有哪些产品？",
    continue_conversation=True
)

架构对比

运行效果示例

研究“AI Agent 最新趋势”时的实际输出：

市场增长

• AI Agent 市场从 2023 年的 37 亿美元增长至 2025 年的 73.8 亿美元
• 预计到 2032 年将达到 1036 亿美元
• 79% 的组织已采用 AI Agent（PwC 2025 调查数据）

关键趋势

1. 多 Agent 系统兴起 — CrewAI、AutoGen、LangGraph 等框架成为主流
2. 从助手到自主决策者 — 预计到 2029 年，80% 的客服问题将由自主 Agent 解决
3. Model Context Protocol (MCP) — Anthropic 推出的 AI 连接标准协议
4. 企业分化加剧 — 高度自动化企业正加速领跑行业

来源

• McKinsey: The State of AI in 2025 (https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai)
• IBM: AI Agents Expectations vs Reality (https://www.ibm.com/think/insights/ai-agents-2025-expectations-vs-reality)
• PwC AI Agent Survey (https://www.pwc.com/us/en/tech-effect/ai-analytics/ai-agent-survey.html)
• Gartner Hype Cycle 2025 (https://www.gartner.com/en/newsroom/press-releases/2025-08-05-gartner-hype-cycle-identifies-top-ai-innovations-in-2025)

核心要点

研究 Agent 本质： 信息非自包含 + 路径动态涌现 = Agent 模式的理想场景

三个关键组件：

生产环境检查清单：

• [ ] 设置 max_buffer_size 以支持多模态内容处理
• [ ] 通过系统提示词强制引用格式
• [ ] 封装为可复用的模块
• [ ] 添加错误处理和重试逻辑

下一步

这个基础研究 Agent 为构建企业级多 Agent 系统奠定了基石。Claude Cookbooks 仓库后续的 notebook 展示了更高级的模式：

• 幕僚长 Agent（01_The_chief_of_staff_agent.ipynb）— 协调多个专门化 Agent
• 可观测性 Agent（02_The_observability_agent.ipynb）— 监控系统运行状态
• 站点可靠性 Agent（03_The_site_reliability_agent.ipynb）— 自动化运维响应

研究 Agent 的核心能力——自主探索、动态规划、综合输出——是所有高级 Agent 系统的基石。

---

代码来自 Anthropic Claude Cookbooks（https://github.com/anthropics/claude-cookbooks）的 claude_agent_sdk/00_The_one_liner_research_agent.ipynb。