Anthropic Agent构建指南【附中文代码，一键运行】

Source URL
中文代码，下载可用here

1. 引言

• 核心观点： 成功的LLM Agent实现并不依赖于复杂的框架或专业库，而是基于简单的、可组合的模式。
• 文章目的： 分享在与客户合作以及自身构建Agent过程中获得的经验，为开发者提供构建高效Agent的实用建议。

2. 什么是 Agent？

• 定义的多样性： Agent 的定义因人而异，可以是完全自主的系统，也可以是遵循预定义工作流的系统。
• Anthropic 的分类： 将所有变体都归类为“Agentic 系统”，并区分 “工作流 (Workflows)” 和 “Agent”：
  • 工作流 (Workflows): 通过预定义代码路径编排 LLM 和工具的系统。
  • Agent: LLM 动态指导自身过程和工具使用的系统，控制任务完成方式。

3. 何时使用 (或不使用) Agent

• 优先选择简单方案： 在使用 LLM 构建应用时，尽可能选择最简单的解决方案，仅在必要时增加复杂性。
• 权衡考虑： Agentic 系统通常以延迟和成本换取更好的任务性能，需考虑这种权衡是否合理。
• 选择依据：
  • 工作流： 适用于定义明确的任务，提供可预测性和一致性。
  • Agent： 适用于需要灵活性和模型驱动决策的场景。
  • 简单任务： 对于许多应用，优化单个LLM调用，结合检索和上下文示例通常足够。

4. 框架的使用

• 现有框架： 列举了包括 LangGraph、Amazon Bedrock’s AI Agent framework、Rivet 和 Vellum 等多种框