在過去的一年里，我們與數十個團隊合作，在各個行業構建了很多大型語言模型（LLM）Agent。

原標題：OpenAI 最強競對 Anthropic：如何構建有效的 Agent
文章來源：AI前線
內容字數：11837字

高效構建大型語言模型 (LLM) Agent 的實用指南

本文總結了Anthropic公司在過去一年中與數十個團隊合作構建大型語言模型Agent的經驗，并提供了開發人員構建有效Agent的實用建議。文章的核心觀點是：成功的關鍵不在于構建最復雜的系統，而在于構建最適合需求的系統，并強調簡單性、透明度和精心設計的Agent-計算機接口 (ACI)。

1. 什么是Agent？

文章將Agent定義為由LLM動態指導其自身流程和工具使用的系統，與預定義工作流的系統形成對比。工作流通過預定義代碼路徑編排LLM和工具，而Agent則由LLM動態控制其完成任務的方式。 文章還介紹了兩種Agent系統：完全自主的系統和遵循預定義工作流的系統。

2. 何時使用（以及何時不使用）Agent

文章建議優先選擇最簡單的解決方案，僅在需要時增加復雜性。Agent系統通常會犧牲延遲和成本來換取更好的任務性能，因此需要權衡利弊。工作流更適合明確定義的任務，而Agent更適合需要大規模靈活性和模型驅動決策的任務。對于許多應用，優化單個LLM調用就足夠了。

3. 何時以及如何使用框架

文章介紹了一些可以簡化Agent系統實現的框架，例如LangChain的LangGraph、Amazon Bedrock的AI Agent框架等。但同時也指出這些框架可能會增加額外的抽象層，使調試更困難，并可能讓人傾向于增加不必要的復雜性。文章建議開發人員一開始直接使用LLM API，并在需要時再使用框架，并確保理解底層代碼。

4. 構建塊、工作流和Agent

文章詳細介紹了構建Agent系統的構建塊和幾種常見的工作流模式，包括：提示鏈、路由、并行化（分段和投票）、編排器-工作者和評估器-優化器。每種模式都說明了其適用場景和示例。

5. Agent 的使用場景和實現

文章闡述了Agent的優勢，尤其是在處理開放式問題和需要多步驟決策的任務方面。Agent的自主性使其能夠計劃和運作，但同時也帶來了更高的成本和潛在的復合錯誤風險。文章建議在受信任的環境中進行廣泛測試，并采用適當的防護措施。并舉例說明了編程Agent和計算機使用Agent。

6. 組合和自定義模式

文章強調構建塊的靈活性，開發人員可以根據不同用例進行組合和自定義。成功的關鍵在于衡量性能并迭代實現，避免不必要的復雜性。

7. 總結和核心原則

文章總結了構建高效Agent系統的三個核心原則：保持簡單性、優先考慮透明度和精心設計Agent-計算機接口(ACI)。建議從簡單的提示開始，逐步增加復雜性，并始終關注性能評估和迭代改進。

8. 附錄：實踐中的Agent和工具提示工程

附錄部分提供了兩個Agent應用的實際案例：客戶支持和編程Agent，并詳細闡述了如何對工具進行提示工程，以優化Agent的性能和可靠性，強調了良好的Agent-計算機接口(ACI)設計的重要性。

聯系作者

文章來源：AI前線
作者微信：
作者簡介：面向AI愛好者、開發者和科學家，提供大模型最新資訊、AI技術分享干貨、一線業界實踐案例，助你全面擁抱AIGC。