Anthropic 工程师 Barry Zhang 在 AI Engineer 工作坊上的一个分享 “如何构建有效的 Agent”，其中印象最深的一个观点：Don’t build agents for everything，反过来理解就是别做什么都能干的 Agent，那是我们大模型要干的事情😄

构建有效 Agent 的三大要点：

1. 明智选择应用场景，并非所有任务都需要 Agent
2. 找到合适的用例后，尽可能长时间地保持系统简单
3. 在迭代过程中，尝试从 Agent 的视角思考，理解其局限并提供帮助

Barry 主要负责 Agentic System，演讲内容基于他和 Eric 合著的一篇博文，下面详细总结他们的核心观点，以及对 Agent 系统的演进和未来的思考。

Agent 系统的演进

1. 简单功能（Simple Features）： 起初是简单的任务，如摘要、分类、提取，这些在几年前看似神奇，现在已成为基础。
2. 工作流（Workflows）： 随着模型和产品成熟，开始编排多个模型调用，形成预定义的控制流，以牺牲成本和延迟换取更好性能。这被认为是 Agent 系统的前身。
3. Agent： 当前阶段，模型能力更强，领域特定的 Agent 开始出现。与工作流不同，Agent 可以根据环境反馈自主决定行动路径，几乎独立运作。
4. 未来（猜测）： 可能是更通用的单一 Agent，或多 Agent 协作。趋势是赋予系统更多自主权，使其更强大有用，但也伴随着更高的成本、延迟和错误后果。

• 高浓度的主流模型（如 DeepSeek 等）开发交流；

• 资源对接，与 API、云厂商、模型厂商直接交流反馈的机会；

• 好用、有趣的产品/案例，Founder Park 会主动做宣传。

01 

并非所有场景都适合构建 Agent

 (Don’t build agents for everything)

Agent 主要用于扩展复杂且有价值的任务，它们成本高、延迟高，不应作为所有用例的直接升级。对于可以清晰映射决策树的任务，显式构建工作流（Workflow）更具成本效益和可控性。

何时构建 Agent 的检查清单：

1. 任务复杂度 (Complexity)：Agent 擅长处理模糊的问题空间。如果决策路径清晰，应优先选择工作流。
2. 任务价值 (Value)： Agent 的探索性行为会消耗大量 token，任务的价值必须能证明其成本。对于预算有限（如每任务 10 美分）或高容量（如客服）场景，工作流可能更合适。
3. 关键能力的可行性 (Derisk Critical Capabilities)： 需确保 Agent 在关键环节（如编码 Agent 的编写、调试、错误恢复能力）不存在严重瓶颈，否则会显著增加成本和延迟。如有瓶颈，应简化任务范围。
4. 错误成本与发现难度 (Cost of Error & Error Discovery)： 如果错误代价高昂且难以发现，就很难信任 Agent 自主行动。可以通过限制范围（如只读权限、增加人工干预）来缓解，但这也会限制其扩展性。

编码（Coding）是一个很好的 Agent 用例，因为它任务复杂（从设计文档到 PR）、价值高、现有模型（如 Claude）在许多环节表现良好，且结果易于验证（单元测试、CI）。

02 

保持简单 (Keep it simple)

Agent 的核心结构：

模型（Model）+ 工具（Tools）+ 循环（Loop）在一个环境（Environment）中运作。

三个关键组成部分：
1. 环境 (Environment)： Agent 操作所在的系统。
2. 工具集 (Tools)： Agent 采取行动和获取反馈的接口。
3. 系统提示 (System Prompt)： 定义 Agent 的目标、约束和理想行为。

迭代方法：

优先构建和迭代这三个基本组件，能获得最高的投资回报率。避免一开始就过度复杂化，这会扼杀迭代速度。优化（如缓存轨迹、并行化工具调用、改进用户界面以增强信任）应在基本行为确定后再进行。

一致性：

尽管不同 Agent 应用（编码、搜索、计算机使用）在产品层面、范围和能力上看起来不同，但它们共享几乎相同的简单后端架构。

03 

像 Agent 一样思考

 (Think like your agents)

问题：
开发者常从自身角度出发，难以理解 Agent 为何会犯看似反常的错误。

解决方法：
将自己置于 Agent 的“上下文窗口”中。Agent 在每一步的决策都基于有限的上下文信息（如 10k-20k token）。

换位思考练习：
尝试从 Agent 的视角完成任务，体验其局限性（例如，只能看到静态截图，在推理和工具执行期间如同“闭眼”操作）。这有助于发现 Agent 真正需要哪些信息（如屏幕分辨率、推荐操作、限制条件）以避免不必要的探索。

利用模型自身：
可以直接询问模型（如 Claude）：指令是否模糊？是否理解工具描述？为什么做出某个决策？如何帮助它做出更好的决策？这有助于弥合开发者与 Agent 之间的理解差距。

04 

个人思考与未来展望

1. 预算感知 Agent (Budget-aware Agents)：

需要更好地控制 Agent 的成本和延迟，定义和强制执行时间、金钱、token 预算，以便在生产环境中更广泛地部署。

2. 自进化工具 (Self-evolving Tools)：

Agent 或许能设计和改进自己的工具（元工具），使其更具通用性，能适应不同用例的需求。

3. 多 Agent 协作 (Multi-agent Collaboration)：

预计今年年底将在生产中看到更多多 Agent 系统。其优势包括并行化、关注点分离、保护主 Agent 上下文窗口等。关键挑战在于 Agent 间的通信方式，如何实现异步通信，超越当前的用户-助手轮流模式。

引用链接:

[1] How We Built Effective Agents: Barry Zhang, Anthropic: https://youtu.be/D7_ipDqhtwk?si=atqYQAuvl0xWwrcH