2025-01-06-Claude-构建高效的Agents指南_16页_879kb

四、构建高效的 Agents - 核心要点总结

4.1 核心理念：Less is More

• 复杂不一定更好：最成功的 AI Agent 应用并非依赖于复杂的框架或代码库，而是采用简单、可组合的设计模式。
• 目的驱动：成功构建 Agent 的第一步是理解具体业务问题，找出现有流程中的痛点和价值点，并评估投资回报率，而不是盲目追求技术复杂性。
• 简单化设计与组合：成功的关键在于构建最适合特定需求的系统，从简单的提示开始，逐步迭代。

4.2 对 "Agents" 的理解

• 本质：代表人类执行特定任务的数字化代理人，核心是"代表他人做某事"。
• 区分工作流与代理：
  • 工作流系统：通过预定义代码路径编排 LLM 和工具。
  • 代理系统：LLM 能够指导自身处理过程和工具使用，自主控制任务完成。

4.3 工作流模式

工作流模式旨在通过分阶段处理提升效率或精确性，适用于可分解为固定子任务的任务。

• 提示链 (Prompt Chaining)：将任务分解为一系列步骤，每个 LLM 调用处理前一步输出。### 示例：生成营销文案 -> 翻译。
• 路由 (Routing)：对输入进行分类并引导至专门处理流程，适用于存在明确类别差异的任务。### 示例：客服查询分类路由。
• 并行化：
  • 分段 (Segmentation)：将任务拆分为并行子任务处理。
  • 投票 (Voting)：多次运行相同任务获取多样化输出。### 示例：代码分析、不当内容审查。
• 编排者-执行者 (Orchestrator-Workers)：中央 LLM 动态分解任务、分配执行、整合结果，适用于无法预测子任务的复杂任务。### 示例：多文件编程修改。
• 评估者-优化者 (Evaluator-Optimizer)：生成响应并迭代优化，适用于有明确评估标准且迭代有明显改善空间的任务。### 示例：翻译改进、多轮复杂搜索验证。

4.4 Agent 模式

代理系统能够自主规划任务流程，根据环境反馈进行调整，适合需要灵活规划的任务。

• 自主性：接收任务，独立规划执行，必要时寻求用户反馈。
• 依赖清晰工具：核心在于设计好工具集及其文档。### 示例：解决 SWE-bench 任务、计算机使用代理。

4.5 最佳实践与建议

• 选择合适的模式：根据问题性质（固定流程 vs. 开放问题）决定工作流或代理模式，或简单的提示。
• 谨慎使用框架：虽然如 LangGraph、Bedrock 等框架可简化入门，但在生产环境中建议限制抽象层，理解底层代码。
• 简化并透明：保持代理设计的简单性，确保代理规划步骤清晰可见。
• 精心设计 ACI (Agent-Computer Interface)：工具定义应与提示工程同等重视，避免繁杂格式，聚焦清晰易用。
• 测试与衡量：需要通过全面评估来优化性能，只有在简单方法不足时才增加复杂性。
• 商业考量：始终评估自动化是否能解决具体问题，提升效率并带来可量化价值。

4.6 具体应用案例 (附录1)

1. 客户支持：结合聊天机器人界面和工具集成，处理并发和决策。
2. 编码代理 (Software Agents)：在编程任务中演化潜力，能自动化测试和反馈迭代。

4.7 工具开发建议 (附录2)

• 方式选择：提供清晰的操作方式，避免格式过于复杂。模型自然遇到和易于编写的方式优先。
• 良好定义：包含使用示例、边界情况说明。
• 防错设计：设计工具参数以防错误。
• 积极测试与迭代：通过测试改进工具。

4.8 总结

• 成功在于适合：开发 LLM Agent 成功不在于构建最复杂系统，而在于为解决方案找到合适匹配。
• 原则：保持简单、保证透明、精心设计接口。