学习如何构建高效 AI Agent

Anthropic 的工程师 Barry Zhang 在最近的 AI Engineering 大会上分享了《How We Build Effective Agents》的演讲，非常受用，学习之余结合自己的工作实践做了一些总结。以下是我对他演讲的内容的总结和思考。

1. 不要为任何事情都构建 Agent(Don’t build agents for everything)

Barry 提到，Agent 可以扩展复杂和有价值的任务，但并不是简单一对一的升级所有类型的任务。他提到一个是否需要构建 Agent 的简单的检查列表：

非常简单的一个检查表。可以看到 Agent 更适合不差钱，足够复杂，同时可以完全自动化的任务。另外如果你发现如果 Agent 执行的任务真的发生了错误，是否能够接受。如果这些回答都是“是”的话，那么就可以考虑构建 Agent 了。否则，老老实实构建自动化 workflow。

Tips 用上面的检查表来看一个实际的例子：为什么说写代码的场景最适合用 Agent？

• 任务足够复杂吗？是的，代码可以写的非常复杂。

• 任务有足够有价值？是的，好的代码可以节省大量的时间和金钱。当然也可以换回来很多钱。

• 任务的所有部分都可以执行吗？是的，例如 Claude 就可以执行代码。

• 错误和发现错误的代价是什么？可以控制很低。通过 Unit-Tests 和持续集成来将错误控制在一个可接受的范围内。

2. 保持简单(Keep it simple)

Agent 定义： Agent 是模型在循环里面使用工具。

• Env: 代表了 Agent 运行的上下文环境。可能是一个网页，一台电脑，或者是一个软件系统。

• Tools: 代表了 Agent 可以使用的工具。可能是一个 API，也可能是基于 STDIO 的本地一个应用。

• System_Prompt：指导模型在一定的环境上下文中，使用工具来完成任务，从而达到目的。

基于上面的三个因素来构建 Agent，并且持续优化这三个因素，可以让构建 Agent 更高效。

Tips 当你给系统提示词增加 2 个以上任务描述要求的时候，你会发现 Agent 会出现更大几率无法遵循你的指令来工作。因为系统提示词的复杂度增加了。你可以考虑将复杂的任务拆分成多个简单的任务，并使用多个单一任务的 Agent 来完成任务，这样更高效，同时单个 Agent 调试也更可控。

3. 像你的 Agent 一样思考(Think like your agent)

看下图，一个 Agent 的工作循环。可以想象一下，如果你是 Agent 本身是如何思考并执行的。类似于你闭上眼睛，一片漆黑，你可以获得上下文信息只有 128K token，多一些的也就只有 1～2M，这里面包含了可以使用的 Tool 的描述。之后你要在有限的信息中开始尝试执行任务。睁开眼睛看到且仅能看到一个结果的后，再决定做下一个动作。

你的信息永远都是有限的。这时候你要考虑你作为 Agent，如何才能高效的工作？

Tips 当你用上面的方式转变你的视角，你会发现简洁高效的系统提示词是多么的重要。只在必要的时候进行推理，毕竟上下文信息有限。这样你可以最大限度的提高 Agent 的执行准确率和效果。

总结与思考

Agent 的构建是一个复杂的过程，并且不是所有场景都适合构建 Agent。当你需要考虑到如何让 Agent 在有限的信息中做出正确的决策的时候。保持简单，关注最重要的因素，才能让 Agent 更高效的工作。

视频链接

视频链接

【欢迎关注我的个人博客】