高效构建智能体技巧 | 含Agent设计原则与Workflow构建方法

近期阅读了Anthropic发布的最新文章《Building effective Agents》, 文章分享了他们对于如何高效构建Agents的相关思考, 看完后获得了一些收获, 与你分享。

01 Anthropic 对 Agent 的定义

Agent是一个架构或者是系统

它即被定义为一个能够较长时间自主独立运行，通过调用各种工具来完成复杂任务的自主系统，也被定义为通过遵循预定义工作流的预设系统。

所以Anthropic对Agent系统进行了两类划分：

1. Agents： 根据任务复杂程度，由LLM动态决定处理流程来自动完成任务，适用于“开放性与创造性场景”，如智能客服助理：能够根据客户提出的多样化问题，动态选择合适的知识库和工具，提供个性化的解决方案。

2. Workflow： 基于预设的编排路径，在每个节点中准确地调用LLM节点和相关工具节点，从而完成复杂任务，适用于“标准化与流程化场景”，如客户评论批量处理：通过预设的工作流程收集客户评论，判断评论的情绪，再自动生成评论的回复文案。

02 Workflow的构建方法

1. Prompt chainning (提示链编排)

定义：提示链的方法是将任务分解为多个子任务，每一个节点输入的信息都是前一个节点的输出内容。

典型场景：复杂文本生成，首先生成主题的大纲内容，然后检查大纲是否符合标准，接着根据大纲内容逐段撰写，每一段都基于前面的内容，以确保主题连贯的一致性。

2. Routing (路由编排)

定义：路由的编排方式，类似于Coze的意图识别节点，能够将输入的信息进行分类，并将其定向专到特定的处理路径节点。

典型场景：智能客服系统，当用户提出问题时，系统先判断问题的意图，再将其分流至响应的回复模块，比如： 订单查询，技术支持，功能说明，投诉建议等处理路径。

3. Parallelization (并行编排)

定义：并行编排的方式是将LLM同时处理同一项任务，并在聚合器中整合输出结果，从而提高任务处理的准确性和全面性。

如图所示，开始节点为用户输入的信息，将用户输入的信息同时输入至三个大语言模型节点进行并行处理，并将每个节点的输出结果进行聚合汇总，最终进行整体输出。

典型场景：内容合规审查，多个大语言模型分别检测内容中是否存在违规，敏感或不良信息，再由聚合器进行综合判断，以提高审核的可靠性。

并行编排的优势：

• 将复杂任务拆分为子任务后，不仅提高输出质量，同时通过并行处理的方式，能够提升输出的响应速度
• 支持同一个任务多次获得不同的输出结果，在聚合器中选择重复输出最高的结果为最终输出的内容，能够有效提升输出信息的可信度

4. Orchestrator-workers (协调器编排)

定义：协调器编排的方式是由前置的大语言进行动态的任务分解，并将分解后的子任务派给其他的大语言模型进行处理，最终通过整合子任务输出结果的方式，进行最终答案的输出。

这个编排结构是不是很像路由编排与并行编排的结合体，他们之间还是有很多本质差异的，比如和路由编排的差异在于：

Routing(路由编排)主要是一种分类机制，对输入的任务请求进行分类，然后再将其导向专门的任务处理流程，核心是做子流程的分离，使不同类型的任务能够被高效地分配到最适合处理的路径上，提高系统的整体效率 (适用于明确不同任务类型的场景)。

Orchestrator-workers(协调器编排)核心是由模型对复杂任务进行动态拆解与分配，适用于任务复杂，且任务的执行顺序不可预测的使用场景。

典型场景：合同审查，前置的大语言模型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，并将这些子任务分配给擅长处理响应任务的垂直模型，最后再通过大语言模型将输出内容进行整合，生成全面的审查报告

03 Agent设计原则

最后和大家分享一下Anthropic总结的Agent编排原则，我认为有价值的原则有两点/

原则一，优先用最简单的方式搭建，减少Agent架构的复杂性

这一点与做产品类似，先基于需求做最简单的MVP，不需要一上来就构建非常复杂的工作流，系统越复杂，不仅输出的时长更久，而且成本也更高，所以优先用简单的方式来搭建，去解决核心需求/

原则二，将Agent规划执行的步骤展示给用户，从而增加系统的可理解性和可信度

比如协调器的编排方式，可以让用户直观地查看自动分解的任务结果和任务推理过程，从而增强输出内容的可信度。

参考资料

Building effective Agents，from： Anthropic

Url：https：//www.anthropic.com/research/building-effective-agents