构建高效AI智能体的实用指南

在过去一年中，我们与数十个跨行业的团队合作，共同构建基于大型语言模型（LLM）的智能体。一个显著的发现是：最成功的实现并非依赖复杂的框架或专用库，而是采用简单、可组合的模式。本文旨在分享我们从客户合作及自身构建中获得的经验，为开发者提供构建高效智能体的实用建议。

什么是智能体？

“智能体”一词有多种定义。一些客户将其视为完全自主的系统，能在较长时间内独立运行，利用多种工具完成复杂任务；另一些则用它描述遵循预定义工作流的更受控实现。在Anthropic，我们将所有这些变体统称为“智能体系统”，但区分了工作流（workflows）与智能体（agents）的架构差异：

下文将详细探讨这两类系统，并在附录中介绍客户发现其特别价值的两个领域。

构建LLM应用时，我们建议寻找最简单的解决方案，仅在必要时增加复杂度。这可能意味着根本不构建智能体系统。智能体系统通常以延迟和成本换取更好的任务性能，你需要权衡这种取舍是否合理。

当复杂度确有必要时，工作流为定义明确的任务提供可预测性和一致性；而智能体则更适合需要灵活性和模型驱动决策的大规模场景。然而，对于许多应用，优化单个LLM调用（结合检索和上下文示例）通常已足够。

许多框架简化了智能体系统的实现，例如：

这些框架通过简化标准低级任务（如调用LLM、定义和解析工具、链接调用）使入门变得容易。然而，它们常常引入额外的抽象层，可能掩盖底层提示和响应，使调试更困难。它们也可能诱使你增加不必要的复杂度。

我们建议开发者直接使用LLM API开始：许多模式只需几行代码即可实现。如果确实使用框架，请确保理解底层代码——对内部机制的错误假设是客户常见错误来源。

本节将探讨生产环境中常见的智能体系统模式。我们从基础构建块——增强型LLM开始，逐步增加复杂度，从简单的组合工作流到自主智能体。

智能体系统的基本构建块是经过增强的LLM，如检索、工具和记忆。当前模型能主动使用这些能力——生成自己的搜索查询、选择合适工具、决定保留哪些信息。

我们建议关注实现的两个关键方面：针对特定用例定制这些能力，并确保为LLM提供简单、文档完善的接口。实现方式多样，一种是通过我们最近发布的模型上下文协议（MCP），开发者可通过简单的客户端实现集成不断增长的第三方工具生态系统。

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。可在任何中间步骤添加程序化检查（见下图中的“门”），确保流程按预期进行。

适用场景：任务可清晰分解为固定子任务时。主要目标是通过使每个LLM调用更简单，以延迟换取更高准确性。

示例：

路由对输入进行分类，并将其导向专门的后续任务。此工作流实现关注点分离，并构建更专门的提示。没有它，优化一种输入可能损害其他输入的性能。

适用场景：存在不同类别且需分别处理，且分类可由LLM或传统分类模型准确完成时。

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）导向不同的下游流程、提示和工具。
将简单/常见问题路由到较小、成本效益高的模型（如Claude Haiku 4.5），将困难/罕见问题路由到更强大的模型（如Claude Sonnet 4.5）以优化性能。

LLM有时可同时处理任务，并通过程序化方式聚合输出。并行化有两种主要变体：

适用场景：当子任务可并行化以提速，或需要多种视角或多次尝试以获得更高置信度时。对于涉及多方面考虑的复杂任务，LLM通常在每个考虑由单独调用处理时表现更好，因为能专注于每个具体方面。

示例：

构建有效的智能体系统并非依赖复杂框架，而是理解基础模式并合理应用。从简单开始，仅在必要时增加复杂度，并始终确保对底层机制有清晰认识。通过遵循这些原则，开发者可以构建出既高效又可靠的AI智能体。