本教程将带你全方位解读Anthropic官方发布的《如何构建高效的智能体》指南，核心涵盖Agent与Workflow的区别、实际应用场景、6种常见模式、工具提示工程等实用建议，帮助你从零开始搭建高效、可靠的智能系统。

Agent 和 Workflow 的区别

在构建智能系统之前，必须对Agent和Workflow这两个核心概念有清晰的定义。Anthropic 内部统称为Agentic System（智能体系统），但在架构设计上区分如下：

• 工作流（Workflow）：就像预设好的固定程序，让大模型和各种工具按照既定路径依次执行。
• 智能体（Agent）：更为灵活！它们能够根据实时反馈动态决定下一步操作，这类系统在完成任务的过程中始终保持着决策控制权。

清晰的定义可以避免团队成员理解偏差，降低沟通成本。 提示：编写文档时，务必先统一术语，防止后续混淆。

何时（以及何时不）使用智能体

建议：尽可能寻找最简单的解决方案，仅在必要时才增加复杂性。 这意味着：很多时候，你根本不需要构建智能体系统（Agentic System）。

• 如果任务简单：直接调用大模型 API 即可。
• 如果任务有更高的复杂性：
  • 需要更高的可预测性和一致性？使用工作流。
  • 需要灵活性和模型驱动的决策？使用智能体。

对于大多数应用场景，通过检索（Retrieval）和提供少量示例（Few-shots），通常就能出色地完成任务。 提示：不要过早把事情复杂化，一切从最简单的方案开始。

常见问题： Q: 什么时候应该优先选择工作流而不是智能体？ A: 当任务步骤固定、可预测，且需要高一致性时（如数据处理流水线），工作流更可靠；当步骤不确定或需要动态决策时（如复杂问答），才考虑智能体方案。

何时及如何使用框架？

要实现智能体系统，有很多框架可供选择，例如：

• LangGraph
• Amazon Bedrock 的 AI Agent framework
• Rivet
• Vellum

框架虽然提供了便利，但也会引入额外的复杂度。 能直接调用大模型 API 用几行代码实现的，就不要使用框架。 如果确实需要框架，务必确保理解框架的底层实现原理。

提示：先用最简单的API调用验证核心功能，再考虑引入框架，避免过早抽象。

常见模式

实际应用场景中，有以下 6 种常见模式：

• 增强型语言模型（The augmented LLM）：这是最基础的构建块，通过检索、工具和记忆等增强功能强化的 LLM。
• 提示词链（Prompt chaining）：将多个 prompt 串联起来，让 LLM 逐步完成任务。
• 路由（Routing）：根据不同的输入情况，将任务分配给合适的工具或 LLM。
• 并行化（Parallelization）：同时运行多个任务，提升整体效率。
• 协调者-工作者（Orchestrator-worker）：一个“协调者”负责分配任务，多个“工作者”负责执行。
• 评估者-优化者（Evaluator-optimizer）：一个“评估者”负责评估结果，一个“优化者”负责改进。

想深入了解这些模式的流程图及应用场景，请点击文末 ↙ “阅读原文” 查看。 提示：建议先画出每个模式的流程草图，再结合实际场景选择。

常见问题： Q: 这些模式可以单独使用吗？ A: 可以，但实际场景中往往需要组合使用，例如路由+并行化。

组合并定制这些模式

很多工作流看似复杂，但实际上，大多数都是这些模式的组合。模式并非一成不变，应根据自身的实际场景进行定制和组合。 成功的关键：衡量性能，对实现方式进行持续迭代。只有在复杂性能够显著改善结果时，才考虑增加复杂元素。

何时使用智能体（Agents）

开放式问题很难或无法预测所需的步骤数量，并且你无法对固定路径进行硬编码，此时适合使用智能体。智能体（Agents）可以处理复杂的任务，但其实现方式往往很直接。它们通常只是大语言模型，根据环境反馈循环调用工具。因此，清晰且周全地设计工具集及其文档至关重要。

智能体的自主性意味着更高的成本和错误加剧的可能性。建议在沙盒环境中进行广泛测试，并设置适当的防护措施。

Anthropic 提供了它们自己实现的两个智能体的示例代码，一个是 SWE-bench tasks，另一个是 Computer Use，原文中有代码链接。

提示：在沙盒环境中先模拟错误场景，确保智能体不会做出危险操作。

常见问题： Q: 智能体系统是否总是比工作流更好？ A: 不是，对于可预测的任务，工作流更可靠、成本更低；智能体适合任务步骤难以预定义的场景。

要同等重视工具的提示工程

这部分内容在文章的附录 2 中。无论构建何种智能体，工具都是关键组成部分。与整体提示词一样，工具定义和规范也应得到同样程度的提示工程关注。

建议：

• 在模型陷入困境之前，给它足够的 Tokens 来进行“思考”。
• 保持格式与模型在互联网文本中自然出现的格式相近。
• 确保不存在格式方面的“额外负担”，比如不必精确统计数千行代码，也无需对所编写的任何代码进行字符串转义。

经验法则： 在创建智能体-计算机交互（ACI）时，应参照在人机交互（HCI）上所投入的精力。即 HCI 投入多少精力，就应该在 ACI 上投入等量精力。

Anthropic 声称：他们在构建 SWE-bench 智能体的过程中，花在优化工具上的时间，比优化整体提示词的时间更多。

提示：编写工具文档时，可以模仿API文档风格，包含输入输出示例、错误处理等。

总结

在大模型领域，成功的关键不是做最复杂的系统，而是做适合自己的正确的系统。 从简单的提示词入手，通过全面评估对其进行优化，只有在更简单的解决方案无法满足需求时，才添加多步骤的智能体系统，以避免不必要的复杂设计导致诸如更高的延迟、成本，以及更难调试等问题。

遵循三条核心原则：

• 尽可能保持简单，避免不必要的复杂性。
• 明确展示智能体的规划步骤，优先考虑透明度。
• 通过详尽的工具文档记录与测试，精心打造智能体-计算机接口（ACI）。

如果早期使用框架快速构建的应用，可以重构为使用基础组件实现的版本，那么应该毫不犹豫地重构。 最终，持续迭代和测试才是构建可靠智能体的不二法门。