什么是代理？

构建有效的代理

什么是代理？

"代理"的定义多样：

• 完全自主的系统（长期独立运行，使用工具完成复杂任务）

• 遵循预定义工作流的规范性实现

在Anthropic的架构体系中：

• 工作流：通过预定义代码路径编排LLM和工具

• 代理：动态自主决策流程和工具使用的系统

---

何时（不）使用代理

基本原则：

1. 优先选择最简单的解决方案

2. 仅在必要时增加复杂性

权衡考量：

• 代理系统以延迟/成本换取任务性能

• 明确定义任务 → 工作流（可预测性）

• 灵活决策需求 → 代理

• 多数场景：优化单次LLM调用（检索+上下文示例）已足够

---

框架使用指南

常见框架：

• LangGraph

• Amazon Bedrock AI Agent

• Rivet/Vellum（可视化工作流工具）

建议：

• 优先直接使用LLM API（多数模式只需数行代码）

• 使用框架时需理解底层逻辑

• 参考官方示例手册

---

核心构建模块

增强型LLM

基础架构单元，集成以下能力：

• 检索

• 工具调用

• 记忆存储

关键设计原则：

• 定制化增强能力

• 提供清晰接口

• 推荐使用Model Context Protocol集成工具

---

工作流模式

1. 提示链

将任务分解为顺序步骤，前序输出作为后续输入：

graph LR  
A[步骤1] --> B{检查门限} --> C[步骤2]  

适用场景：

• 营销文案生成+翻译

• 文档大纲→正文撰写

---

2. 路由

分类输入并导向专用流程：

graph TD  
A[输入] --> B[分类器]  
B --> C[子流程1]  
B --> D[子流程2]  

适用场景：

• 客户服务分流（咨询/退款/技术支持）

• 问题难度路由（Haiku/Sonnet模型调度）

---

3. 并行化

两种形态：

• 切片：并行处理独立子任务

• 投票：多版本输出聚合

graph TD  
A[输入] --> B[任务1]  
A --> C[任务2]  
B & C --> D[聚合结果]  

适用场景：

• 内容安全双检

• 代码漏洞多角度审查

---

4. 协调器-工作器

动态任务分解架构：

graph TD  
A[协调器] --> B[工作器1]  
A --> C[工作器2]  
B & C --> D[结果合成]  

适用场景：

• 多文件代码修改

• 跨源信息搜索分析

---

5. 评估器-优化器

迭代优化循环：

graph LR  
A[生成响应] --> B[评估反馈] --> C[优化调整]  

适用场景：

• 文学翻译润色

• 复杂搜索迭代

---

自主代理系统

核心特征：

• 接受人类指令/交互

• 自主规划执行

• 环境实时反馈

• 检查点人工介入

graph TD  
A[启动] --> B[规划] --> C[执行] --> D{检查点}  
D -->|继续| C  
D -->|完成| E[终止]  

最佳实践：

1. 沙盒环境测试

2. 严格防护机制

3. 终止条件设置（如最大迭代次数）

应用案例：

• SWE-bench代码问题修复

• 计算机操作代理

---

工具设计准则

ACI（代理-计算机接口）原则：

• 格式自然（接近互联网文本范式）

• 避免复杂转义/计数需求

• 包含示例用法/边界说明

改进方法：

• 模拟LLM视角优化文档

• 参数命名自解释化

• 防错设计（如强制绝对路径）

---

成功要素

1. 简单性：避免过度设计

2. 透明性：显式展示决策过程

3. 接口质量：工具文档＞代码实现

正如软件开发需要重视HCI（人机交互），构建代理系统更需要精心设计ACI（代理-计算机接口）。

---

附录

典型应用场景

A. 客户支持

• 自然对话流+工具集成

• 成功指标：用户定义解决率

• 商业模型：按解决结果收费

B. 编码代理

• 自动化测试验证

• 问题空间结构化

• 人类审核关键环节

---

工具提示工程

格式选择原则：

• 给模型足够"思考"空间

• 采用常见文本格式（如Markdown＞JSON）

• 避免精确计数需求

优化案例：

• 文件编辑：差异对比＞全文件重写

• 路径处理：绝对路径＞相对路径

通过持续测试迭代工具定义，最终在SWE-bench任务中实现了91%的准确调用率。