高效构建智能体技巧 | 含Agent设计原则与Workflow构建方法

01 Anthropic 对 Agent 的定义

Agent到底是什么？Anthropic给出了一个清晰的定义：它既是一个架构，也是一个系统。

具体来说，Agent可以被看作两种形态：一种是能长时间自主运行、通过调用各种工具来完成复杂任务的自主系统；另一种则是严格按照预设工作流执行的预设系统。这两种形态分别对应着不同的场景需求。

Anthropic将Agent系统划分为两大类：

这类系统由大语言模型（LLM）根据任务的复杂程度，动态决定处理流程，自动完成任务。它适用于“开放性与创造性场景”，比如智能客服助理——面对客户五花八门的问题，系统能灵活选择合适的知识库和工具，给出个性化解决方案。

这类系统基于预设的编排路径，在每一个节点中准确调用LLM和相关工具，从而完成复杂任务。它适用于“标准化与流程化场景”，比如批量处理客户评论：先收集评论，再判断情绪，最后自动生成回复文案，整个流程环环相扣。

02 Workflow的构建方法

Workflow的构建有几种经典模式，下面逐一拆解。

提示链的思路很简单：把一个大任务拆成多个子任务，每个节点的输入都来自上一个节点的输出，像链条一样串联起来。典型的应用场景是复杂文本生成——先让LLM生成主题大纲，然后检查大纲是否符合标准，接着逐段撰写，每段都基于前面的内容，确保整体连贯一致。

路由编排类似于一个智能分配器，它能对输入信息进行分类，然后将其定向到特定的处理路径。如果你用过Coze的意图识别节点，就会很熟悉这个模式。还是拿智能客服系统举例：用户提出问题时，系统先判断意图——是订单查询、技术支持、功能说明，还是投诉建议？然后分流到对应的回复模块，各司其职。

并行编排的方式是让多个LLM同时处理同一项任务，然后在聚合器中整合输出结果。这样做的好处是提高准确性和全面性。具体流程可以想象成：用户输入信息后，同时交给三个大语言模型分别处理，每个模型输出自己的结果，最后聚合汇总，给出最终答案。

典型场景是内容合规审查：多个LLM各自检测内容中是否存在违规、敏感或不良信息，再由聚合器综合判断，这样审核的可靠性就大大提升了。

并行编排的优势有两个：

• 将复杂任务拆成子任务并行处理，不仅能提高输出质量，还能加快响应速度。
• 同一个任务可以多次获得不同的输出结果，聚合器选择重复度最高的结果作为最终输出，有效提升信息的可信度。

协调器编排的玩法更高级：由一个前置的大语言模型动态进行任务分解，然后把拆解后的子任务派发给其他专用模型处理，最后再整合所有子任务的输出，生成最终答案。

看到这里，你可能会觉得它有点像路由编排与并行编排的结合体。但本质上差别很大，尤其是和路由编排相比：

路由编排（Routing）本质上是一个分类机制：它对输入的任务请求进行分类，然后导向专门的处理流程。它的核心是做子流程的分离，让不同类型的任务能被高效分配到最适合的路径上，适用于任务类型明确的场景。

而协调器编排（Orchestrator-workers）的核心是让模型对复杂任务进行动态拆解与分配，适用于任务复杂且执行顺序不可预测的场景。

典型场景是合同审查：前置的LLM将合同审查任务拆解为条款识别、风险评估、合规性审查、修改建议等多个子任务，然后把每个子任务分配给擅长对应领域的垂直模型，最后再通过大语言模型整合结果，生成全面的审查报告。

03 Agent设计原则

最后，分享Anthropic总结的Agent编排原则。其中有两条尤其值得关注：

这一点和做产品很像：先基于核心需求做最简单的MVP，不需要一上来就搭建一个极其复杂的工作流。系统越复杂，不仅输出耗时更长，成本也更高。所以，先用最简单的方式解决核心需求，后续再迭代优化。

比如协调器的编排方式，可以让用户直观地看到自动分解的任务结果和推理过程，这样一来，最终输出的内容就更容易被信任了。