原文链接：https://www.anthropic.com/engineering/building-effective-agents

前言

当下AI圈充斥着"全能自主Agent"的热潮，大量开发者上手就搭建重型多智能体框架，最后面临不可控循环、高额Token开销、难以调试等痛点。

Anthropic 2024年底发布的《Building Effective Agents》堪称LLM智能体落地的工程圣经。文章基于大量企业落地实践提出反共识结论：生产环境中最好用的智能系统，不靠复杂框架，而是循序渐进、按需增加复杂度。

本文完整拆解原文核心架构思想，同时结合当下热门AI编程工具：Claude Code、TRAE普通模式 / SOLO模式做精准归类，帮开发者建立统一选型标准。

一、最核心分界：Workflow vs Agent（判断标准：谁掌握流程控制权）

原文首先终结行业名词混战，把所有带工具调用、多轮执行的系统统称为 agentic systems（智能体类系统），按照流程控制权划分两大阵营：

1. Workflow（工作流）：控制权在代码
   代码预先定义执行顺序、分支逻辑；LLM仅负责单步推理，不能自主决定下一步动作。
   ✅ 优点：结果稳定、可复现、易观测调试、成本可控
   ✅ 适用场景：任务边界清晰、执行步骤可以完整枚举
   类比：有轨列车，轨道提前铺设好

2. Agent（自主智能体）：控制权在大模型
   LLM自主规划路径、动态选择工具、自主循环执行、自行判断任务是否结束，不存在预先写死的执行链路。
   ✅ 优点：极强灵活性，适配开放、未知复杂度任务
   ⚠️ 缺点：不确定性高、容易无效循环、Token消耗更高、排障困难
   类比：自动驾驶汽车，根据路况动态调整路线

重点提醒：二者不存在优劣，只有场景匹配问题，不要盲目追求"自主Agent"。

二、三层渐进式落地架构（官方推荐开发路线：由简到繁）

强烈遵循原则：能用简单方案解决，绝不升级复杂架构。

第一层：增强型LLM（最小基础单元，优先尝试）

单次LLM调用，搭配三类增强能力：检索RAG、单次工具调用、短期记忆。
执行模式：一问一答，无自动循环。
绝大多数简单业务：知识库问答、单文件代码查询、文本提取，仅仅依靠这一层就足够，完全不需要多轮智能体。

第二层：五大经典Workflow（代码管控流程，生产首选）

当单次LLM无法完成任务，优先选用工作流，而不是直接上自主Agent。

1. Prompt Chaining 提示链：任务串行拆分，上一步输出作为下一步输入，可增加代码校验关卡；例：大纲撰写→正文生成→合规校对
2. Routing 路由分发：LLM识别任务类型，代码分发至独立子流程；典型场景：智能客服分流
3. Parallelization 并行执行：多个独立任务同时运行，最后汇总结果
4. Orchestrator-Workers 调度-工人：调度模块拆分任务，分配给多个子任务执行器，适合中等规模复杂任务拆解
5. Evaluator-Optimizer 评估-迭代器：生成器产出内容，评估器反馈优化意见，循环迭代直至达标；适合高要求文案、代码优化

第三层：自主Agent循环（最后备选方案）

闭环逻辑：观察环境反馈 → 思考规划 → 执行工具动作，持续循环。

仅满足以下条件再考虑使用：

• 任务开放，执行路径无法提前枚举
• 工具组合方式不确定，需要动态决策
• 能够接受更高延迟与成本

同时必须增加防护：最大迭代次数、人工检查点、沙箱隔离，规避失控风险。

三、三大工程黄金准则（落地避坑）

1. 极简优先，按需增杂
   开发顺序：增强LLM → Workflow → 自主Agent。不要上来堆砌LangChain、复杂多智能体框架；原型可以使用框架验证思路，生产环境建议剥离多余抽象。
2. 完整可观测性
   记录Agent全部思考过程、工具参数、返回结果、上下文快照。自主Agent是黑盒，如果缺少全链路日志，故障几乎无法定位。
3. 重视ACI（Agent-Computer Interface）
   工具描述、参数定义、返回格式需要和Prompt同等打磨。工具接口清晰度直接决定模型调用正确率。

四、实战归类：Claude Code、TRAE普通模式 / SOLO模式对照

依托上文标准，我们对主流AI编程工具精准分类，理清很多开发者混淆的概念。

工具模式	所属分类	核心特征
Claude Code（原生模式）	自主Agent（第三层）	用户仅提供最终需求；模型自主决定读取文件、执行命令、修改代码、自主迭代修复，全程自主闭环决策
TRAE IDE普通聊天模式	增强型LLM（第一层）	人类掌握控制权，一轮一问。AI执行完单次任务立刻暂停，等待用户下发新指令，不会主动持续执行多轮工具循环
TRAE SOLO模式	自主Agent（第三层）	用户下达目标后，模型自主规划完整开发流程，自动执行文件读写、调试、迭代；Plan确认弹窗只是人工护栏，流程决策权仍然属于模型

常见误区澄清

误区1：TRAE SOLO有Plan审批功能，属于Workflow

纠正：Workflow核心是代码预定义流程。Plan只是增加人工确认节点，执行方案、执行顺序依旧由模型动态生成，属于带护栏的自主Agent，不属于工作流。

误区2：只要能调用多个工具，就是Agent

纠正：区分关键：没有用户新指令的前提下，AI是否主动执行下一步动作。普通聊天模式哪怕连续调用工具，也是单次会话内动作，执行结束主动停止，不会自主推进任务。

五、场景选型指南（开发&日常使用双参考）

✅ 优先选用【增强LLM / Workflow】

1. 标准化任务、步骤固定（报表生成、固定脚本、规范化代码检查）
2. 业务对延迟、成本敏感、并发量大
3. 出错代价极高：金融、合规审核、生产环境自动化

✅ 适合启用【自主Agent：Claude Code / TRAE SOLO】

1. 跨文件大型重构、未知Bug深度排查、新项目从零搭建
2. 问题开放，无法提前预判所有执行步骤
3. 能够接受更长执行时间、更高Token消耗

简单总结：小改动、标准化流水线，手动交互普通模式；大型项目端到端开发，启用SOLO/Claude Code自主智能体。

六、总结与思考

这篇文章本质上在纠正行业浮躁风气：Agent不是噱头，而是特定复杂问题下的技术选型。

很多团队沉迷打造"大而全"自主智能体，忽略最简单的方案往往稳定性最强。

无论你是自研LLM系统开发者，还是日常使用AI编程工具，都可以遵循这条思路：
先简单，后复杂；优先把控制权掌握在代码/人类手中，只有迫不得已，再交给大模型自主决策。

原文链接：https://www.anthropic.com/engineering/building-effective-agents
欢迎评论区交流：你在项目中会优先Workflow还是自主Agent？