ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 15px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">过去一年里，anthropic团队，对，就是那个做 Claude 团队的，与各行各业的开发者合作，探索如何用大型语言模型（LLM）构建智能 Agent（代理）。令人意外的是，成功的案例往往不是靠复杂的框架或高级工具，而是用简单、可组合的模式实现。这篇文章，我想和大家分享一些他们的实际经验和建议，帮你快速上手构建高效的 Agent 系统。ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;color: rgb(183, 110, 121);">什么是 Agent？ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 15px;color: rgb(63, 63, 63);">![]() ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 15px;margin: 0.1em auto 0.5em;border-radius: 8px;box-shadow: rgba(0, 0, 0, 0.1) 0px 4px 8px;height: auto !important;" title="null" src="https://api.ibos.cn/v4/weapparticle/accesswximg?aid=98495&url=aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9vWHFHOEVUdkFlbFA2QVhTRHl3dWE5YUNpYjNqaWF4SnF1ZnBkaWNKSmRFem9yVTlLb3V4bmdmMHN2dVFoaWN3dGRvWXhjdnVPSmpYdmg0VDZRNXZTNjJpYlNnLzY0MD93eF9mbXQ9cG5nJmFtcA==;from=appmsg"/>ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 15px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">Agent 的定义非常灵活。有人觉得它是完全自主运行的系统，可以调用工具解决复杂任务；也有人觉得它更像是能自动化执行特定流程的助手。在我们看来，Agentic 系统大致可以分为两类：
ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 15px;color: rgb(63, 63, 63);" class="list-paddingleft-1">ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 15px;text-indent: -1em;display: block;margin: 0.5em 8px;color: rgb(63, 63, 63);">1.ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: inherit;color: rgb(183, 110, 121);">工作流（Workflow）
这种系统通过代码预先定义好每一步流程，类似“流水线”。ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 15px;color: rgb(63, 63, 63);">![]() ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 15px;margin: 0.1em auto 0.5em;border-radius: 8px;box-shadow: rgba(0, 0, 0, 0.1) 0px 4px 8px;height: auto !important;" title="null" src="https://api.ibos.cn/v4/weapparticle/accesswximg?aid=98495&url=aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3BuZy9vWHFHOEVUdkFlbFA2QVhTRHl3dWE5YUNpYjNqaWF4SnF1M2licVB0VlU5S2ljbUZGYlVBdmliR2hLempkcGlhZWRKYXpZNjEzdWFOT1dwNDB5YjRwR3Q1QkJyQS82NDA/d3hfZm10PXBuZyZhbXA=;from=appmsg"/>- 2.Agent
这种系统更灵活，模型可以动态决定任务的执行方式、工具的调用顺序，不需要提前硬编码所有逻辑。
在下文中，我会详细介绍这两类系统的构建方式。
Agent 用在什么场景更合适？一个实用的建议是：尽可能用简单的解决方案。如果单靠一个 LLM API 调用就能满足需求，根本不需要用到复杂的 Agent 系统。 什么时候用 Agent？ - •需要灵活决策时：比如大规模处理开放性任务，无法预先规划所有逻辑时。
- •对模型驱动的结果有依赖时：Agent 能根据环境动态调整策略，适合需要灵活响应的场景。
什么时候不用 Agent？ - •任务明确时：比如固定流程的自动化任务，用工作流系统（Workflow）更高效且稳定。
- •注重成本和延迟时：Agent 系统通常更耗时且成本高。
必备的技术构建模块在开始构建前，我们可以把 Agent 系统拆解为几个基础模块，每个模块可以单独实现，也可以组合使用。 - 1.增强型 LLM（Augmented LLM）
这是 Agent 系统的核心。通过给模型加上检索（Retrieval）、工具（Tools）和记忆（Memory）等增强功能，模型不仅能生成文本，还能调用工具或保存上下文信息。
 代码示例（Python 使用 OpenAI API 调用工具）： importopenai
defaugmented_llm(prompt, tool_results):
"""简单的增强型 LLM 调用"""
augmented_prompt =f"{prompt}\nTools results:{tool_results}"
response = openai.ChatCompletion.create(
model="gpt-4",
messages=[{"role":"system","content":"You are an assistant."},
{"role":"user","content": augmented_prompt}],
)
returnresponse.choices[0].message["content"]
# 示例：调用一个虚拟工具获取数据后交给模型处理
tool_results = {"query":"current weather","result":"sunny, 25°C"}
print(augmented_llm("What's the weather?", tool_results))
- 2.工作流模式（Workflow Patterns）
根据不同的需求，我们可以设计多种工作流模式。以下是几种常见模式：
工作流模式详解1.Prompt Chaining将复杂任务拆解为多个小任务，每个任务的输出作为下一个任务的输入。 适用场景： 代码示例： # Prompt Chaining 示例：生成文章大纲 + 根据大纲生成内容
defgenerate_outline(topic):
returnf"Outline for{topic}: 1. Introduction, 2. Main Points, 3. Conclusion"
defgenerate_article(outline):
returnf"Article based on{outline}: [Full content here]"
topic ="How to use LLMs effectively"
outline = generate_outline(topic)
article = generate_article(outline)
print(article)
2.Routing根据输入内容，分类处理任务。比如客服系统中，将退款请求和技术支持请求分配到不同流程。  适用场景： 代码实现： defroute_query(query):
if"refund"inquery:
return"Refund Workflow"
elif"technical"inquery:
return"Tech Support Workflow"
else:
return"General Workflow"
query ="How can I get a refund?"
print(route_query(query)) # 输出: Refund Workflow
3.Parallelization将任务分解成多个子任务并行处理，提高效率。例如，代码评审时，可以同时检查多个模块。  4.Evaluator-Optimizer一种自评估-优化循环，让模型根据反馈不断改进结果。这种模式特别适合翻译或内容生成任务。 
Agent 的核心：自主决策真正的 Agent 系统具备一定的自主性，能动态规划任务、调用工具并根据环境调整策略。例如，一个代码 Agent，可以分析任务需求并自动修改多个文件。  架构示例： 用户输入Agent规划调用工具结果反馈  实现关键点： - •工具调用接口：设计清晰的工具文档和 API，方便模型理解和调用。
- •错误处理和恢复：通过环境反馈判断任务是否完成，必要时请求用户确认。
工具选型对比如果你想用框架简化开发，这里列出了一些常见工具及优缺点： 我的建议是：先用 LLM API 实现简单原型，再根据需求决定是否引入框架。
总结构建高效的 LLM Agent，不在于多么复杂的设计，而是用对模式。 - 1. 从简单的增强型 LLM 开始，逐步加入工作流模式；
- 2. 仅在必要时引入 Agent，保证成本和效率平衡；
- 3. 重视工具接口的设计和文档，让模型调用更自然顺畅。
希望这些经验能帮你少踩坑，更快地开发出好用的 LLM 系统！ |
