Agents

近日，AI领域的知名公司Anthropic发布了一份题为《构建高效的智能代理》的报告。该报告基于Anthropic过去一年与多个团队合作构建大语言模型（LLM）智能代理系统的经验，为开发者及对该领域感兴趣的人士提供了宝贵的洞见。本文将对该报告的核心内容进行重述与解读。

智能代理系统的定义与理解

定义多样性

智能代理（Agents）这一概念在业界具有多种解读。一些客户将其视为完全独立的系统，能够长时间自主运行，利用各类工具完成复杂任务；而另一些则将其定义为按预设流程运行的系统。Anthropic将这些不同形式统称为智能体系统（agentic systems），并指出工作流（Workflows）与智能体（Agents）之间存在显著差异。

工作流与智能体的区别

• 工作流：通过预先编写的代码来协调人和工具的系统，提供可预测性和一致性，适合任务明确、步骤固定的工作。
• 智能体：能够动态管理自身流程和工具使用，保持对完成任务方式的控制，更适合需要大规模灵活性和模型驱动的决策场景。

流行开发框架概览

当前市场上存在多种流行的智能代理开发框架，包括LangChain的LangGraph、Amazon Bedrock的AI Agent框架、Rivet和Vellum。

• LangGraph：通过图表形式创建和管理LLM工作流，帮助开发者清晰连接任务和步骤。
• Amazon Bedrock AI Agent框架：提供全面的工具箱，加速智能应用的搭建，无需从头开始。
• Rivet：拖放式图形用户界面（GUI）工具，简化LLM工作流的构建过程，适合编程基础薄弱的用户。
• Vellum：专注于复杂工作流的设计和测试，提供实验室般的测试环境。

Anthropic建议开发者在初始阶段直接使用LLM API进行开发，因其功能可通过少量代码实现。若需使用框架，应深入理解底层代码，避免增加不必要的复杂性。

五种核心工作流模式

提示链式工作流（Prompt chaining）

将复杂任务拆分为一系列小步骤，每个步骤由LLM调用处理，后一步骤以前一步骤的输出为输入。适用于能明确分为几个固定小任务的情况，提高准确性，但可能增加时间成本。

路由工作流（Routing）

根据问题的类型将其分类，并引导至最合适的处理流程。通过针对不同任务优化处理方式，提高服务质量和效率。具备灵活性和可扩展性，易于添加新分类和处理流程。

并行化工作流（Parallelization）

同时处理多个任务，通过拆分独立任务或采用投票机制提高效率和结果可信度。适用于需要同时处理多项任务或从不同角度获取输出的场景。

协调者-工作者工作流（Orchestrator-workers）

由一个中央LLM（协调者）动态分配任务给多个工作者LLM。适合无法提前确定具体任务的情况，如软件开发中的编程任务。

评估者-优化者工作流（Evaluator-optimizer）

通过循环过程，由一个LLM给出初步回应，另一个LLM进行评估并提供反馈，直至得到更优结果。适用于需要反复改进和反馈的任务，如文章撰写和搜索优化。

智能代理的工作原理与实践案例

智能代理根据用户命令或互动明确任务，自主执行任务并监控周围情况。遇到难题时，可寻求帮助以确保任务顺利完成。代理特别适合处理开放性问题，尤其是步骤难以预测的任务。例如，编码代理在软件工程中自动分析需修改的文件，显著提高开发速度。

开发工具与实践建议

• 工具设计与交流：工具在代理系统中至关重要，应清晰明了，便于代理与外部服务和API交流。
• 思考时间：给予模型足够的时间思考，确保工具输入格式和参数描述简单明了。
• 工具定义与规格：与整体提示工程同等重视，考虑不同格式对模型表现的影响。
• 测试与改进：通过运行示例输入测试模型使用工具的方式，并根据测试结果不断改进工具设计。
• 代理计算机接口（ACI）：确保工具使用简单直接，提升用户体验。

AI产品独立开发实战