Claude+官方发布《构建高效的+Agents》

Anthropic的研究报告指出，在AI代理（AIAgents）的开发中，“Less is More”原则更为有效。报告基于与数十个行业团队的实践合作，发现最成功的AI代理系统并非依赖复杂框架，而是采用简单、可组合的设计模式。

核心观点与关键洞察：

1. AI代理的本质：AI代理是“AI代理人”或“AI执行者”，其核心是代表人类执行特定任务的数字化代理人。真正的AI代理应从实际工作流程出发，解决手动流程中的痛点，实现从手动到自动的转变，并注重投资回报率。
2. 代理的类型：代理系统分为工作流和代理两种。工作流通过预定义的代码路径编排LLM和工具，而代理则允许LLM动态指导自身的处理过程和工具使用。
3. 何时使用代理：建议先寻找最简单的解决方案，仅在必要时增加复杂性。对于明确定义的任务，工作流能提供更好的可预测性和一致性；而对于需要大规模灵活性和模型驱动决策的任务，代理则是更好的选择。

构建模块与工作流：

1. 增强型LLM：作为代理系统的基本构建模块，具备检索、工具使用和记忆等功能。
2. 工作流类型：
   • 提示链：将任务分解为一系列步骤，每个LLM调用处理前一个调用的输出。
   • 路由：对输入进行分类，并将其引导至专门的后续任务。
   • 并行化：包括分段和投票两种变体，适用于需要多个视角或尝试的场景。
   • 编排者-执行者：中央LLM动态分解任务，分配给执行者LLM，并综合结果。
   • 评估者-优化者：一个LLM调用生成响应，另一个在循环中提供评估和反馈。

代理的应用场景：

1. 客户支持：结合聊天机器人界面与工具集成，适用于需要对话和行动相结合的场景。
2. 编码代理：在软件开发领域展现巨大潜力，适用于问题空间定义明确且输出质量可客观衡量的场景。

工具的提示工程：

• 工具定义和规范应得到与整体提示同等的提示工程关注。
• 建议给模型足够的词元来“思考”，保持格式接近模型在互联网上自然遇到的文本，并确保没有格式“开销”。
• 站在模型的角度思考工具定义，测试模型如何使用工具，并对工具进行防错设计。

研究结论： 在LLM领域取得成功的关键在于构建最适合需求的系统。从简单的提示开始，通过全面的评估来优化它们，只有在更简单的解决方案不足以满足需求时，才添加多步骤的代理系统。遵循保持代理设计的简单性、确保透明度、精心设计代理-计算机接口等原则，可以创建既强大又可靠、可维护，并能获得用户信任的代理系统。