Anthropic揭示AI智能体构建真相 两类架构与30行代码实践

Anthropic工程团队Erik Schluntz与Barry Zhang发布技术长文，系统总结数十家客户协作经验，指出稳定落地的AI Agent系统往往由几十行原生代码构成的可组合基础模式驱动，而非复杂框架。团队将Agent架构划分为两类：工作流（Workflows）为开发者预定义路径、逻辑固定，适用于合同提取、数据清洗等确定性任务；自主Agent则交由LLM动态决策工具调用与执行流程，适用于模糊错误修复、迭代式编码等开放场景。二者并非对立，实际系统常混合使用，例如主干为工作流、关键环节切换为自主模式。是否引入Agent需严格评估：单次LLM调用+RAG已满足需求时，不应叠加Agent；仅当任务需实时推理与不确定性处理时才考虑自主Agent。引入Agent将带来显著延迟与成本增长，每轮工具调用增加数百毫秒至数秒延迟，且多轮推理推高费用。团队警示现有Agent框架（如Claude SDK、Rivet等）易导致黑盒陷阱，建议初期直接调用原生API实现核心循环（工具调用、状态追踪、失败重试），验证可行后再评估框架集成。实战中高回报场景包括：需求澄清与任务分解工作流（结构化拆解模糊目标）、迭代式代码生成自主Agent（搜索-编写-测试闭环）。行业趋势正从追求“智能酷炫”转向关注可维护性与成本效率，Meta、GitHub Copilot等已调整策略，强化工作流+人工审核机制。Anthropic强调：构建Agent不是目的，解决实际问题才是核心，系统若频繁超时或失控，应回归本质追问——该任务真需要Agent吗？