资料摘要：Building Effective Agents
Anthropic 基于实际项目总结的 Agent 设计文章：先区分 Workflow 与 Agent，再从 augmented LLM 推进到五种可组合 workflow，最后才进入开放式 Agent 循环。
- Workflow 通过预定义代码路径编排 LLM 和工具；Agent 让 LLM 动态决定步骤和工具。两者都属于 agentic system，但可控性不同。
- 多数场景应从单次 LLM 调用、retrieval 和 in-context example 开始，只在评估证明收益时增加多步骤结构。
- augmented LLM 是共同底座：模型获得 retrieval、tools 和 memory，并能选择何时使用。
- 五种常见 workflow 是 prompt chaining、routing、parallelization、orchestrator-workers、evaluator-optimizer。
- 真正的 Agent 通常仍是简单循环：模型根据环境反馈调用工具，直到完成、阻塞、触发停止条件或请求人类判断。
- Agent-computer interface 与 human-computer interface 同样重要；工具名称、参数、文档、边界和错误反馈直接决定可靠性。
模式与适用条件
Section titled “模式与适用条件”- Prompt chaining：任务能稳定拆成固定阶段，并可在中间加入 gate。
- Routing：输入类别清晰，不同类别适合不同提示、工具或模型。
- Parallelization：子任务独立，或需要多次投票提高置信度。
- Orchestrator-workers：无法预先知道具体子任务，需由模型动态拆分后汇总。
- Evaluator-optimizer：存在清晰质量标准，反馈能使结果反复改进。
- Agent：步骤数和路径难以预先编码，环境能持续提供 ground truth，且错误成本可被控制。
对框架的态度
Section titled “对框架的态度”框架可以减少调用模型、解析工具和串联步骤的样板代码，但额外抽象会遮蔽 prompt 与 response，使调试更困难。文章建议先理解基础 API 和循环，再选择框架；进入生产后，应能解释框架底层实际做了什么。
Agent 的灵活性以延迟、费用和错误累积为代价。需要 sandbox、最大迭代次数、检查点、工具权限和人工反馈。客户支持与代码 Agent 较适合，是因为它们既需要对话和动作，又能通过明确业务结果或自动测试获得反馈。
文章最重要的不是某个框架，而是复杂度阶梯：先证明简单方案不足，再从可预测 workflow 逐步提升自治程度。Agent 不是架构成熟度的最高级，而是一种针对开放任务的成本更高的控制策略。
- 原文：Building Effective Agents，2024-12-19。
- 本地归档：`私有原始资料层
- 归档内容：Defuddle 清洗全文与八张官方流程图。
- 内容文件：9；归档前聚合 SHA-256：
4d0602f430fcd403aa93e8b0b360c356e8ce6129398325632c3b47d6c443c1b6