Anthropic的代理构建方法论：什么时候该用Agent，什么时候不该

Anthropic 的 Barry Zhang 用一次极其克制的演讲，拆解了“有效 Agent”真正难的地方：不是能力不够，而是人们用错了地方、把系统设计得过于复杂。本文还原他关于 Agent 演进路径、使用边界与设计心法的核心洞见。

从“像魔法一样的功能”到真正的 Agent，我们是怎么走到今天的

理解 Agent 之前，先要理解它并不是突然出现的。Barry 在一开始就回顾了团队自己的演进路径：最早，大家做的是总结、分类、抽取这类“一个模型调用就能解决”的功能。“两三年前这些东西看起来像魔法，现在已经是 table stakes（入场券）了。”

随着产品复杂度提升，单次模型调用开始不够用，工程师们开始编排多个模型调用，用预定义的控制流完成任务。这类系统的核心目标很务实：用更多的 token 和延迟，换取更稳定、更可控的效果。Barry 给了它们一个明确的名字——workflows（工作流），并强调这是“agentic systems 的起点”。

真正的 Agent 则迈出了关键一步：它们可以根据环境反馈，自主决定下一步怎么走，而不是严格沿着人类预设的路径执行。也正因为这种自主性，Agent 开始在生产环境中承担更复杂、也更有价值的任务。但代价同样明显：成本、延迟，以及出错后的后果，都会同步放大。这种张力，贯穿了整场演讲。

第一原则：不要什么都用 Agent，这是一个反直觉但重要的结论

“Don't build agents for everything.” 这是 Barry 抛出的第一个、也是最重要的观点。听起来像是给 Agent 热潮泼冷水，但背后其实是非常工程化的判断。

在 Anthropic 看来，Agent 是用来“规模化复杂且高价值任务”的工具，而不是每个功能的自动升级版。如果一个任务的决策树可以被完整、清晰地画出来，那最优解往往不是 Agent，而是把这棵树显式写出来，然后逐个节点优化。这种方式不仅更便宜，也给你更多控制权。

什么时候才值得上 Agent？Barry 给出了一份朴素但实用的 checklist。第一是任务复杂度：Agent 在高度模糊、无法穷举路径的问题空间里表现最好。第二是任务价值：探索本身会消耗大量 token，如果任务带来的收益不够高，这笔账根本算不过来。这个判断标准，直接戳中了很多团队“为了用 Agent 而用 Agent”的误区。

为什么“写代码”是一个好 Agent 用例

为了让判断标准不停留在抽象层面，Barry 用“编码”作为正面例子，展示 checklist 如何落地。

从设计文档到一个可合并的 PR，这个过程天然就充满不确定性：需求理解、架构选择、具体实现、调试修复，每一步都有大量分叉路径，几乎不可能用静态决策树覆盖。这正是 Agent 擅长的环境。

更重要的是，成功的编码 Agent 并不是简单地产出一段代码，而是在多轮尝试中不断修正方向。这种探索虽然昂贵，但单次成功所带来的价值也足够高，能够覆盖成本。Barry 特别强调，他们看到的优秀编码 Agent，都不是一开始就“很聪明”，而是被允许在安全边界内不断试错。

第二与第三原则：保持简单，并且学会“像 Agent 一样思考”

在确认了合适用例之后，第二个原则才登场：“keep it simple”。Barry 花了大量时间强调，Agent 系统失败，往往不是模型不行，而是系统设计一开始就过度复杂。

他的建议非常克制：先把最核心的几个组成部分跑通，观察真实行为，再谈优化。不要一开始就叠加记忆、反思、多 Agent 协作等高级机制，否则你根本不知道问题出在哪一层。

最后一个原则则更像经验之谈：“think like your agent”。当你在迭代系统时，要不断问自己：在当前信息和反馈条件下，一个 Agent 为什么会做出这个选择？这个视角的切换，往往能暴露提示设计、工具接口或反馈信号中的隐性问题。Barry 承认，这是一种需要时间培养的直觉，但也是区分“能跑”和“好用”的关键。

总结

整场演讲没有炫技，也没有预测遥远的未来，而是反复提醒一个简单事实：Agent 的威力，来自克制而非堆叠。知道什么时候不用 Agent，比知道怎么用更重要；能站在 Agent 的视角审视系统，往往比引入新组件更有效。对正在构建 AI 产品的团队来说，这套方法论本身，就是一次重要的降噪。

关键词： AI Agent， 工作流， 系统设计， 代码生成， Anthropic

事实核查备注： 1. 演讲者：Barry Zhang（视频中自我介绍）
2. 核心观点原话：“Don't build agents for everything.”、“keep it simple.”、“think like your agent.”
3. 概念区分：summarization/classification/extraction → workflows → agents
4. Agent 定义特征：可根据环境反馈自主决定轨迹
5. 正面用例：编码（从设计文档到 PR）