关于什么是Agent、如何构建Agent？最近最值得读的文章

Claude官方文章详解LLM Agent和工作流的构建方法，区分了预定义工作流和动态Agent系统。文章介绍了多种工作流模式：提示链、路由、并行化等，建议开发者从简单LLM API开始，只在必要时增加复杂性。强调保持Agent设计简洁，通过全面评估优化性能，精心设计工具接口。成功关键在于构建适合需求的系统，而非最复杂的系统。

---

这篇文章是Claude官方文章，特别推荐！！

感觉对于Agent是一个非常好的科普。

AI Dancer团队特翻译如下，请大家参考。

内容比较长，可以收藏慢慢看哦~

过去这一年，我们和许多团队一起，在各个领域开发 LLM agent。说来也有意思，那些最成功的项目，靠的都不是什么复杂的框架，或者特别的什么库，而是一些很简单的、可以灵活组合的模式。

在这里，我将分享从与客户交流和亲身实践中所获得的经验，也为开发者朋友们，提点实在的建议，帮你们做出真正有用的 LLM agent。

什么是 Agent？

“Agent”的定义多种多样。

一些客户将 Agent 视为完全自主的系统，能够在长时间内独立运行，利用各种工具来完成复杂的任务。

另一些客户则用这个词来描述遵循预定义工作流程、更具规范性的实现。

在 Anthropic，我们将所有这些类型都归为agentic systems，但在架构上，我们会对工作流和 Agent 做出重要的区分：

• 工作流是由预定义的编码路径来编排 LLM 和工具的系统。
• 另一方面，Agent 则是 LLM 动态指导自身流程和工具使用的系统，它们掌控着自己完成任务的方式。

下文中，我们将详细探讨这两种 Agentic 系统。在附录 1（“Agent 的实际应用”）中，我们介绍了客户在哪些领域发现了这类系统的特殊价值。

注：本文按照通俗易懂的语言进行翻译，如有不懂，可用AI工具转化为更加通俗易懂的语言，我们在结尾附prompt。

何时（以及何时不）使用 Agent

在使用 LLM 构建应用时，我们建议尽可能找到最简单的解决方案，只在必要时才增加复杂性。

这意味着，有时甚至完全不需要构建 Agentic 系统。Agentic 系统通常会牺牲一定的延迟和成本来换取更好的任务性能，你需要仔细考虑这种权衡是否值得。

当确实需要更复杂的方案时，对于那些定义明确的任务，工作流能够提供可预测性和一致性；而当需要大规模的灵活性以及模型驱动的决策时，Agent 则是更好的选择。

不过，对于许多应用来说，通过检索和上下文示例来优化单个 LLM 调用，通常就已经足够了。

何时以及如何使用框架

有许多框架可以简化 Agentic 系统的实现：

• LangChain 的 LangGraph；
• Amazon Bedrock 的 AI Agent 框架；
• Rivet，一个拖拽式的图形界面 LLM 工作流构建器；以及
• Vellum，另一个用于构建和测试复杂工作流的图形界面工具。

这些框架通过简化一些标准的底层任务，例如调用 LLM、定义和解析工具，以及将多个调用链接在一起，让上手变得更加容易。然而，它们通常会引入额外的抽象层，这可能会掩盖底层的提示和响应，使得调试变得更加困难。它们还可能诱使你在原本可以用更简单设置就能搞定的情况下，添加不必要的复杂性。

**我们建议开发者们一开始直接使用 LLM API：许多模式只需几行代码即可实现。**如果你确实要用框架，请确保你理解了底层代码。对“引擎盖”下内容的错误假设，是客户经常犯错的一个常见原因。

可以看看代码示例，了解一些实现的例子。

😝朋友们如果有需要的话，可以V扫描下方二维码联系领取~

构建块、工作流和 Agent

在本节中，我们将探讨在生产环境中常见的 Agentic 系统模式。我们会从最基础的构建块——增强型 LLM 开始，逐步提升复杂性，从简单的组合式工作流，到自主的 Agent。

构建块：增强型 LLM

Agentic 系统的基本构建块是经过增强的 LLM，这些增强包括检索、工具和记忆等。我们当前的模型可以主动使用这些能力——生成它们自己的搜索查询、选择合适的工具，并决定要保留哪些信息。

我们建议重点关注实现的两个关键方面：根据你的特定用例定制这些能力，并确保它们为你的 LLM 提供一个简单、文档完善的接口。虽然实现这些增强的方法有很多，但其中一种方法是通过我们最近发布的模型上下文协议（Model Context Protocol），该协议允许开发者通过一个简单的客户端实现与不断增长的第三方工具生态系统集成。

在本文的后续部分，我们将假设每次 LLM 调用都可以访问这些增强的能力。

工作流：提示链

提示链将一个任务分解成一系列步骤，其中每个 LLM 调用都处理前一个调用的输出。你可以在任何中间步骤上添加程序化的检查（参见下图中的“关卡”），以确保流程仍在正轨上。

何时使用此工作流： 当任务可以轻松、清晰地分解为固定子任务时，此工作流是理想选择。其主要目的是通过将每个 LLM 调用简化成一个更容易的任务，来用延迟换取更高准确性。

提示链适用的示例：

• 生成营销文案，然后将其翻译成不同的语言。
• 撰写文档大纲，检查大纲是否符合特定标准，然后根据大纲撰写文档。

工作流：路由

路由将输入进行分类，并将其定向到专门的后续任务。此工作流允许分离关注点，并构建更具针对性的提示。如果没有这个工作流，针对一种类型的输入进行优化可能会损害其他类型输入的性能。

何时使用此工作流： 对于那些存在明显类别、且这些类别最好分开处理的复杂任务，以及当分类可以由 LLM 或更传统的分类模型/算法准确处理时，路由非常有效。

路由适用的示例：

• 将不同类型的客户服务查询（一般问题、退款请求、技术支持）定向到不同的下游流程、提示和工具。
• 将简单/常见的问题路由到较小的模型，如 Claude 3.5 Haiku，将困难/罕见的问题路由到更强大的模型，如 Claude 3.5 Sonnet，以优化成本和速度。

工作流：并行化

LLM 有时可以同时处理一项任务，并将其输出以编程方式聚合。这种工作流，即并行化，主要有两种表现形式：

• 分段： 将一项任务分解成多个独立的子任务并行运行。
• 投票： 多次运行同一个任务以获得多样化的输出。

何时使用此工作流： 当可以将任务分割成多个子任务以提高速度，或者当需要多个视角或尝试来获得更高置信度的结果时，并行化非常有效。对于具有多个考虑因素复杂任务，LLM 通常在每个考虑因素由单独的 LLM调用处理时表现得更好，这样可以集中关注每个特定方面。

并行化适用的示例：

分段：

• 实施安全护栏，其中一个模型实例处理用户查询，而另一个模型实例则筛查其中不当的内容或请求。这种方式往往比让同一个 LLM 调用同时处理安全护栏和核心响应效果更好。
• 自动评估 LLM 性能，其中每个 LLM 调用评估模型在给定提示上性能的不同方面。

投票：

• 审查一段代码是否存在漏洞，其中几个不同的提示会审查代码，并在发现问题时标记出来。
• 评估一段给定的内容是否不当，多个提示评估不同的方面，或要求不同的投票阈值，以平衡假阳性和假阴性。

工作流：协调器-工作器

在协调器-工作器工作流中，一个中央 LLM 动态地分解任务，将它们委派给工作器 LLM，并综合它们的结果。

何时使用此工作流： 这种工作流非常适合那些你无法预测所需子任务的复杂任务（例如，在编码中，需要更改的文件数量以及每个文件中的更改性质可能取决于具体的任务）。虽然它在结构上与并行化相似，但关键的区别在于它的灵活性——子任务不是预先定义的，而是由协调器根据特定的输入来确定的。

协调器-工作器适用的示例：

• 每次都需要对多个文件进行复杂更改的编码产品。
• 涉及从多个来源收集和分析信息以获取可能的相关信息的搜索任务。

工作流：评估器-优化器

在评估器-优化器工作流中，一个 LLM 调用生成响应，而另一个 LLM 调用则在一个循环中提供评估和反馈。

何时使用此工作流： 当我们有明确的评估标准，并且当迭代改进能带来可衡量的价值时，这个工作流特别有效。适合使用此工作流的两个明显标志是：首先，当人们明确表达出反馈意见时，LLM 的响应可以得到显著改进；其次，LLM 能够提供此类反馈。这类似于人类作者在撰写一篇精雕细琢的文档时可能会经历的迭代写作过程。

评估器-优化器适用的示例：

• 文学翻译，其中存在翻译 LLM 最初可能无法捕捉到的细微差别，但评估器 LLM 可以提供有用的批评。
• 复杂的搜索任务，需要多轮搜索和分析才能收集到全面的信息，评估器决定是否需要进一步搜索。

Agent

随着 LLM 在关键能力上的成熟——理解复杂的输入、进行推理和规划、可靠地使用工具以及从错误中恢复，Agent 正在生产环境中崭露头角。Agent 在开始工作时，要么接收来自人类用户的命令，要么与人类用户进行交互式讨论。一旦任务明确，Agent 就会独立规划和操作，并可能返回到人类那里获取更多信息或判断。在执行过程中，Agent 在每一步从环境中获取“真实情况”（例如工具调用结果或代码执行）以评估其进展至关重要。然后，Agent 可以在检查点或遇到障碍时暂停以获取人类反馈。任务通常在完成后终止，但也经常会包含停止条件（例如最大迭代次数）以保持控制。

Agent 可以处理复杂的任务，但它们的实现通常很简单。它们通常只是在一个循环中根据环境反馈使用工具的 LLM。因此，清晰且深思熟虑地设计工具集及其文档至关重要。我们在附录 2（“工具的提示工程”）中详细介绍了工具开发的最佳实践。

何时使用 Agent： Agent 可用于开放式问题，这些问题难以或不可能预测所需的步骤数，并且无法硬编码固定路径。LLM 可能会运行多个回合，你必须对其决策有一定的信任度。Agent 的自主性使其成为在可信环境中扩展任务的理想选择。

Agent 的自主性意味着更高的成本，以及错误累积的可能性。我们建议在沙盒环境中进行广泛的测试，并配备适当的安全护栏。

Agent 适用的示例：

以下示例来自我们自己的实现：

• 用于解决 SWE-bench 任务的编码 Agent，它根据任务描述对许多文件进行编辑；
• 我们的“computer use”参考实现，其中 Claude 使用计算机来完成任务。

组合和定制这些模式

这些构建块并不是规定性的。它们是一些常见的模式，开发人员可以根据不同的用例对其进行调整和组合。与任何 LLM 功能一样，成功的关键在于衡量性能并对实现进行迭代。再次强调：只有在能够显著改善结果的情况下，才应该考虑增加复杂性。

总结

在 LLM 领域，成功并不在于构建最复杂的系统，而在于构建适合你需求的系统。从简单的提示开始，通过全面的评估对其进行优化，并且只有在更简单的解决方案不够用时才添加多步骤的 Agentic 系统。

在实现 Agent 时，我们尝试遵循三个核心原则：

• 保持 Agent 设计的简洁性。
• 通过显式展示 Agent 的规划步骤来优先考虑透明度。
• 通过全面的工具文档和测试来精心设计你的 Agent-计算机接口（ACI）。

框架可以帮助你快速入门，但在转向生产环境时，不要犹豫，可以减少抽象层并使用基本组件进行构建。通过遵循这些原则，你可以创建出不仅强大，而且可靠、可维护并深受用户信赖的 Agent。

可能大家都想学习AI大模型技术，也_想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习_，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。
为了帮助大家打破壁垒，快速了解大模型核心技术原理，学习相关大模型技术。从原理出发真正入局大模型。在这里我和MoPaaS魔泊云联合梳理打造了系统大模型学习脉络，这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码免费领取🆓**⬇️⬇️⬇️

【大模型全套视频教程】

教程从当下的市场现状和趋势出发，分析各个岗位人才需求，带你充分了解自身情况，get 到适合自己的 AI 大模型入门学习路线。

从基础的 prompt 工程入手，逐步深入到 Agents，其中更是详细介绍了 LLM 最重要的编程框架 LangChain。最后把微调与预训练进行了对比介绍与分析。

同时课程详细介绍了AI大模型技能图谱知识树，规划属于你自己的大模型学习路线，并且专门提前收集了大家对大模型常见的疑问，集中解答所有疑惑！

深耕 AI 领域技术专家带你快速入门大模型

跟着行业技术专家免费学习的机会非常难得，相信跟着学习下来能够对大模型有更加深刻的认知和理解，也能真正利用起大模型，从而“弯道超车”，实现职业跃迁！

【精选AI大模型权威PDF书籍/教程】

精心筛选的经典与前沿并重的电子书和教程合集，包含《深度学习》等一百多本书籍和讲义精要等材料。绝对是深入理解理论、夯实基础的不二之选。

【AI 大模型面试题 】

除了 AI 入门课程，我还给大家准备了非常全面的**「AI 大模型面试题」，**包括字节、腾讯等一线大厂的 AI 岗面经分享、LLMs、Transformer、RAG 面试真题等，帮你在面试大模型工作中更快一步。

【大厂 AI 岗位面经分享（92份）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

【640套 AI 大模型行业研究报告】

【AI大模型完整版学习路线图（2025版）】

明确学习方向，2025年 AI 要学什么，这一张图就够了！

👇👇点击下方卡片链接免费领取全部内容👇👇

抓住AI浪潮，重塑职业未来！

科技行业正处于深刻变革之中。英特尔等巨头近期进行结构性调整，缩减部分传统岗位，同时AI相关技术岗位（尤其是大模型方向）需求激增，已成为不争的事实。具备相关技能的人才在就业市场上正变得炙手可热。

行业趋势洞察：

• 转型加速： 传统IT岗位面临转型压力，拥抱AI技术成为关键。
• 人才争夺战： 拥有3-5年经验、扎实AI技术功底和真实项目经验的工程师，在头部大厂及明星AI企业中的薪资竞争力显著提升（部分核心岗位可达较高水平）。
• 门槛提高： “具备AI项目实操经验”正迅速成为简历筛选的重要标准，预计未来1-2年将成为普遍门槛。

与其观望，不如行动！

面对变革，主动学习、提升技能才是应对之道。掌握AI大模型核心原理、主流应用技术与项目实战经验，是抓住时代机遇、实现职业跃迁的关键一步。

01 为什么分享这份学习资料？

当前，我国在AI大模型领域的高质量人才供给仍显不足，行业亟需更多有志于此的专业力量加入。

因此，我们决定将这份精心整理的AI大模型学习资料，无偿分享给每一位真心渴望进入这个领域、愿意投入学习的伙伴！

我们希望能为你的学习之路提供一份助力。如果在学习过程中遇到技术问题，也欢迎交流探讨，我们乐于分享所知。

*02 这份资料的价值在哪里？*

专业背书，系统构建：

• 本资料由我与MoPaaS魔泊云的鲁为民博士共同整理。鲁博士拥有清华大学学士和美国加州理工学院博士学位，在人工智能领域造诣深厚：

• • 在IEEE Transactions等顶级学术期刊及国际会议发表论文超过50篇。
  • 拥有多项中美发明专利。
  • 荣获吴文俊人工智能科学技术奖（中国人工智能领域重要奖项）。

• 目前，我有幸与鲁博士共同进行人工智能相关研究。

内容实用，循序渐进：

• 资料体系化覆盖了从基础概念入门到核心技术进阶的知识点。

• 包含丰富的视频教程与实战项目案例，强调动手实践能力。

• 无论你是初探AI领域的新手，还是已有一定技术基础希望深入大模型的学习者，这份资料都能为你提供系统性的学习路径和宝贵的实践参考，助力你提升技术能力，向大模型相关岗位转型发展。

  

抓住机遇，开启你的AI学习之旅！