Anthropic 认为智能体应该这样构建

2024 年 12 月，Anthropic 发布了一篇关于 构建高效智能体的文章，帮助我厘清了几个概念。下面是我的总结：

智能体与工作流

文章把 智能体 定义为不同于 工作流.

工作流使用“预定义代码路径”，而智能体会“动态引导自己的过程”。二者的区别在于自主程度：智能体更自主，工作流则沿预定义轨道运行。

在我看来，这仍然是一条连续光谱；不过用“自主程度”作为衡量尺度，是我以前很少见到的视角。

不要默认使用框架

文章反复警告，不要一开始就使用框架。框架“经常引入额外抽象层，掩盖底层提示词和响应”。

文中提到了 LangGraph, Amazon Bedrock Agents, Rivet and Vellum。这些框架“会诱使你在简单方案已经足够时继续增加复杂度”。

他们建议先直接使用 LLM API，只有在“理解底层代码”之后才使用框架。

我认为这很合理：构建优秀 AI 工作流的基本原语并不难管理，过早把它们塞进框架反而奇怪。需要说明的是，我不认为 Vercel 的 AI SDK 属于框架，它只是一个兼容性库。

多种工作流模式，一种智能体模式

文章最精彩的部分，是它对不同工作流的描述。与其说它在讲如何构建高效智能体，不如说它真正讲的是如何构建高效工作流，包括：

• 提示词链：每次 LLM 调用都处理上一次调用的输出
• 路由：由 LLM 路由器对输入分类，并将其导向专门的后续任务
• 并行化：并行运行多个 LLM 调用。
• 编排器—工作器：中央 LLM 动态拆分任务，并把它们委派给工作器 LLM。
• 评估器—优化器：在循环中，一个 LLM 调用生成响应，另一个负责评估。

最后，文章定义了一种真正属于智能体的模式。智能体会：

• “独立规划和行动，并可能返回向人类获取更多信息或判断”
• “在每一步从环境中获取真实依据”，例如使用 工具调用 结果或代码执行
• 在任务完成时终止，或使用“停止条件（例如最大迭代次数）”终止

总而言之，智能体“通常只是 LLM 在循环中根据环境反馈使用工具”。

我非常喜欢这个定义，它很好地消除了智能体的神秘感。