0
异步视界/agentic-coding-classics/anthropic-building-effective-agents
· AGENTIC-CODING-CLASSICS · 2026.05.06 · 11 MIN ·

Anthropic《Building Effective Agents》:5 种 workflow + 1 种 agent

Anthropic 工程团队的 agent 设计模式手册。核心忠告:绝大多数自称 agent 的产品其实是 workflow,这没毛病。建最适合需求的系统,不是最复杂的。精读 + 译者点评。 · by 思扬
AI · HERO seed:5920260506 Anthropic 工程团队的 agent 设计模式手册。核心忠告:绝大多数自称 agent 的产品其实是 workflow,这没毛病。建最适合需求的系统,不是最复杂的。精读 + 译者点评。
FIG.00 — cover · ai-generated · placeholder

The augmented LLM —— 所有 agent 系统的基础积木

原文:anthropic.com/research/building-effective-agents 作者:Erik Schluntz, Barry Zhang(Anthropic 应用工程团队) 发布:2024-12-19

🔥 影响力卡片

  • 被业内称为”agent 设计的事实标准参考文档”
  • Simon Willison 在他的”2025 LLM 年度回顾”中专文盘点
  • HuggingFace、AWS 等大厂的 agent 框架明文 build on it
  • 它定义的”5 种 workflow + 1 种 agent”分类法,几乎所有后续 agent 文章都在引用
  • Anthropic Cookbook 的 patterns/agents 目录给了完整可运行代码,持续更新到 2026

🎯 为什么必读

这是官方派、工程派、务实派的最强组合拳。如果说 Karpathy 给你坐标系,这篇给你设计图。

它的特别之处在于:

  1. 来自 Anthropic 一线工程团队,不是营销文,是他们自己跟数十个团队建 agent 后的总结
  2. 它故意反对”框架崇拜” —— 这在框架公司满天飞的时代极其稀缺
  3. 它给出了清晰的”什么时候不要用 agent” —— 比所有”agent 万能论”都珍贵

读完你会拿到一个任何 agent 项目都可用的设计 checklist。

一句话总结

不要建最复杂的系统,要建最适合需求的系统。 大多数情况下,单次优化的 LLM 调用就够了;再复杂一层,workflow 就够了;只有真正需要动态决策时,才升级到 agent。

💎 金句墙

★ “The most successful implementations weren’t using complex frameworks or specialized libraries. Instead, they were building with simple, composable patterns.” “最成功的实现都没用复杂框架或专门的库 —— 它们用的是简单、可组合的模式。”

★ “Agents are typically just LLMs using tools based on environmental feedback in a loop.” “Agent 通常就是 LLM 基于环境反馈在一个循环里使用工具。” —— 一句话祛魅。

★ “Success in the LLM space isn’t about building the most sophisticated system. It’s about building the right system for your needs.” “在 LLM 领域,成功不是建最精巧的系统,而是建对你需求最对的系统。”

★ “Think about how much effort goes into human-computer interfaces (HCI), and plan to invest just as much effort in creating good agent-computer interfaces (ACI).” “想想你为人机界面(HCI)投入了多少精力 —— agent-计算机界面(ACI)值得同等投入。” —— 这是一个会改变你思考方式的句子。

★ “We actually spent more time optimizing our tools than the overall prompt.” “我们(Anthropic 自己做 SWE-bench agent 时)花在优化工具上的时间比花在优化 prompt 上还多。” —— 这是大多数人完全反直觉的事实。

📋 核心精读

0. 关键定义:agent vs workflow

文章开篇划界线:

  • Workflow:LLM 和工具被预定义的代码路径串起来
  • Agent:LLM 动态决定自己的流程和工具使用

🟢 译者点评:这个区分极其重要。99% 的”AI agent” 项目其实是 workflow,这不是缺点,而是优点 —— 它更可控、更便宜、更可调试。

1. 何时用 agent,何时不用

Anthropic 的建议:

从最简单方案开始,只在简单方案不够时再加复杂度。 Agent 用更高的延迟和成本换更好的任务表现。

不要用 agent 的场景:

  • 任务路径可预测 → 用 workflow
  • 任务可一次完成 → 直接调一次 LLM
  • 错误成本高且不可恢复 → workflow + 人工检查点

2. 基础积木:Augmented LLM

所有 agent 系统的最小单元是 被增强的 LLM —— 三件套:

  • Retrieval(检索)
  • Tools(工具)
  • Memory(记忆)

关键洞察:通过 MCP(Model Context Protocol)接入第三方工具正成为标准。

3. 五种 Workflow Patterns(这是这篇文章的”核心知识”——必背)

模式定义何时用
Prompt Chaining任务拆成顺序步骤,每步处理上一步输出任务可分解、固定流程
Routing分类输入,送到专门处理路径多类输入需要区别对待
Parallelization分块或多次投票,并行跑多个 LLM 调用速度优先 / 置信度优先
Orchestrator-workers一个中央 LLM 动态拆任务、分发、合并子任务不可预知
Evaluator-optimizer一个 LLM 生成,另一个评估反馈有清晰评估标准 + 需要迭代

🟢 译者点评:这五种 workflow 是当前 agent 工程的词汇表。你跟人讨论 agent 设计时,如果不能用这五个词分类,你就还没入门。Evaluator-optimizer 是 Ralph Loop 的祖宗,Orchestrator-workers 是 Claude Code subagent 的祖宗。

4. Agents(真正的自主系统)

Agent 适合的特征:

  • 任务结构开放
  • 步骤数无法预定
  • 需要环境反馈来决定下一步
  • 你信任 LLM 的判断

关键工程要求:

  • 沙箱环境(防止失控破坏)
  • 人类检查点(高风险操作必须 confirm)
  • 明确停止条件(否则会无限循环烧钱)
  • 可受信环境部署

5. 工具设计 = ACI 工程

这是文章最被低估、但最实用的一部分。Anthropic 反复强调:

工具的命名、描述、参数、错误信息,值得像设计 UI 一样精心打磨。

具体建议:

  • 想想”工程师需要思考多久才能用对这个工具” → LLM 也需要那么多上下文
  • 用自然语言描述而不是只给 schema
  • 给示例,尤其边界情况
  • 错误信息要可操作,不要只说”failed”
  • 避免”几乎相同”的工具 —— LLM 会困惑

🟢 译者点评:这一节是这篇文章里最反直觉、最有 ROI 的部分。大多数人花 80% 时间调 prompt,而 Anthropic 自己说”工具优化比 prompt 优化更重要”。如果你正在建 agent,从今天起把这个比例倒过来。

6. 三大原则(收尾)

  1. 保持简单:用最少的复杂度达成目标
  2. 保持透明:让 agent 的规划步骤显式可见
  3. 精心打磨 ACI:把工具文档、参数、错误信息当 UI 一样设计

🟢 译者总评

这篇文章是反 hype 的杰作。当所有人都在喊”AI agent 革命”时,Anthropic 自家工程师出来说:大多数你听到的”agent”,其实是 workflow,而且这没毛病。

如果你只从这篇带走三件东西:

  1. 能用单次 LLM 调用解决的,不要用 workflow;能用 workflow 解决的,不要用 agent
  2. Workflow 有 5 种 pattern,记住它们,这是入门的语言
  3. 优化工具(ACI)比优化 prompt 重要 —— 这一条值得纹身

这篇也解释了为什么 12-Factor Agents 会火 —— 它们是同一个工程派思潮的两面:Anthropic 给设计模式,Dex Horthy 给生产纪律。

🔗 延伸阅读

🔗 调研来源(可校验)