如何打造高效AI智能体？

作者｜Barry Zhang, Anthropic

地址｜

出品｜码个蛋（ID：codeegg）

整理｜陈宇明

最近看到了 Anthropic 那篇著名的《Building effective agents》作者之一 Barry Zhang 在 2 月底的演讲《How We Build Effective Agents》，看完之后非常有收获，在这里分享给大家。

三个核心观点：

1. 别啥都用智能体
2. 越简单越好
3. 像智能体一样思考

几年前大家刚开始玩AI时，做的都是基础功能——比如总结、分类、提取信息，这些当时觉得超神奇，现在已成标配。后来产品成熟了，我们开始搞更复杂的操作：一个模型搞不定？那就串连多个模型按固定流程跑（这叫"工作流"），用更多计算换更好效果。这算是智能体的雏形。

现在模型更强了，各种专用智能体开始落地。和工作流不同，智能体能自己决定下一步干啥，根据环境反馈自主行动——这也是今天讨论的重点。至于未来？可能智能体会更全能，或者多个智能体协作干活。总之它们越自主，就越有用，但成本、延迟和出错风险也越高。

第一点：别啥都用智能体智能体适合处理复杂高价值的任务，不是万能升级方案。啥时候该用智能体？看这 checklist：

1. 任务复杂度：如果问题模糊难界定（比如从设计文档直接生成代码），智能体很擅长；但如果能轻松列出所有可能性，直接写死流程更省钱可控。
2. 任务价值：智能体探索会烧很多算力，得值回票价。比如客服系统如果每次对话预算只有10美分（约3-5万token），用工作流处理常见情况就够了。
3. 关键能力验证：比如写代码的智能体，至少要能写、能debug、能改错。如果有明显短板，就缩小任务范围。
4. 错误成本：如果出错后果严重（比如删数据库），就得加限制（比如只读模式/人工审核），但这会影响扩展性。

举个正面例子——写代码为什么适合智能体？

1. 从设计文档到PR提交本身就是复杂模糊的过程
2. 好代码价值高
3. 现有模型（如Claude）已具备基础能力
4. 代码可通过测试验证，风险可控

第二点：越简单越好智能体本质就三部分：

1. 环境：它操作的系统
2. 工具：它能用的功能（比如搜索、写代码）
3. 系统提示词：告诉它目标、限制和理想行为

别一开始搞太复杂！先搭好这三大件快速迭代，行为稳定了再优化。比如：

• 编码场景：缓存中间结果降成本
• 搜索场景：并行调工具降延迟
• 所有场景：展示进度条建立用户信任

第三点：像智能体一样思考我们常以人类视角设计智能体，结果被它的"迷惑行为"整懵。其实智能体每一步只能看到有限的上下文（那1-2万token），试着把自己代入：

想象你是电脑操作智能体，每次只能看到一张截图+简陋描述（比如："你是电脑助手，现在要完成XX任务"）。

你闭着眼点鼠标，等3-5秒才能看新截图——可能点对了，也可能把电脑关机了！这种"操作盲区"会循环发生。

通过这种代入，你会发现智能体真正需要什么：

• 屏幕分辨率信息（才能精准点击）
• 推荐操作提示（减少无效尝试）
• 操作限制说明（避免危险动作）

小技巧：直接问模型！

把提示词/工具描述丢给Claude问："这指令清楚吗？你能执行吗？" 甚至把整个操作记录给它分析："我当时为啥这么决策？怎样能更好？"

个人脑洞时间：

1. 成本控制：急需让智能体明确预算（时间/金钱/token），否则难落地
2. 自我进化工具：让智能体自己设计/优化工具，变得更通用
3. 多智能体协作：关键问题是怎么让它们高效沟通（现在都是固定问答模式）

总结：AI智能体要用对场景、简单起步、理解它的局限。

1. 智能体不是万金油，找准高价值复杂场景
2. 先做减法，核心三件套跑通再优化
3. 换位思考，理解智能体的局限

本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。原始发表：2025-04-22，如有侵权请联系 cloudcommunity@tencent 删除系统优化工具模型设计