Agent Engineering是2025-2026年最热门的技术方向。本文从Agent vs Chatbot vs Pipeline的区别出发，详解感知-推理-行动(Perception-Reasoning-Action)循环的核心理念，梳理Agent自主性等级(L0手动-L5全自主)，解读Anthropic"Building Effective Agents"的核心观点：何时用Agent、何时用Workflow、何时只需优化单次LLM调用。帮助读者建立Agent Engineering的全局认知地图。
Agent 工程基础
从Chatbot到自主智能体的范式转变，掌握Anthropic定义的6大工作流模式
文章列表
- 1
- 2Agent的能力上限由底层LLM决定。本文对比GPT-4o、Claude 4 Sonnet、Gemini 2.5 Pro、GLM-5等主流模型在Agent场景下的表现差异，重点评估Function Calling准确率、长上下文理解、多轮对话一致性、推理深度等关键维度。构建模型选型决策树，帮助开发者在能力、成本、延迟之间做出最优权衡。
- 3不依赖任何框架，用纯Python+API调用构建一个能真正工作的Agent。详解Agent Loop的本质：while循环检测tool_use → 执行工具 → 将结果喂回LLM → 继续循环。通过完整的代码示例（使用OpenAI或Anthropic API），让读者理解Agent运行机制的底层原理，为后续学习框架打下坚实基础。
- 4Function Calling是Agent连接外部世界的桥梁。本文深入解析JSON Schema工具定义的最佳实践、并行工具调用(parallel tool calls)的实现、tool_choice(auto/required/none)的精确控制，以及工具调用失败时的错误处理策略。对比OpenAI和Anthropic在工具调用API上的差异，帮助开发者构建可靠的工具调用层。
- 5Anthropic在"Building Effective Agents"附录2中提出：设计Agent-Computer Interface(ACI)应该和设计Human-Computer Interface(HCI)投入同样多的精力。本文详解ACI设计原则：Poka-yoke防错设计（如强制绝对路径避免相对路径错误）、工具描述优化技巧、工具评估方法论。以SWE-bench实际案例说明：Anthropic团队花在优化工具上的时间远超优化prompt。
- 6ReAct（Reasoning and Acting）是Agent最核心的架构模式之一。本文解读Yao等人发表在ICLR 2023的经典论文，详解Thought-Action-Observation循环的工作机制，对比纯推理(Chain-of-Thought)、纯行动(Action-only)和ReAct三种模式的效果差异。通过HotPotQA和ALFWorld基准测试结果，分析ReAct在什么场景下优于其他模式。
- 7不是所有任务都需要自主Agent。Anthropic定义的前两种工作流模式——Prompt Chaining和Routing——为可预测的任务提供了更可靠的方案。本文详解Prompt Chaining的串联+门控检查(gate check)机制，以及Routing如何将不同类型请求分派给专门处理流程（如简单查询用Haiku、复杂推理用Sonnet）。结合客服系统路由案例说明实战应用。
- 8当任务可以分解时，并行化能显著提升效率。本文详解Anthropic定义的两种并行模式：Sectioning（分段并行处理不同子任务）和Voting（多次执行投票取最优）。进一步解析Orchestrator-Workers模式——中央LLM动态分解任务、分派给Worker LLM、综合结果。对比两者的适用场景：固定子任务用Parallelization，不可预测子任务用Orchestrator-Workers。
- 9让Agent学会自我纠错是提升输出质量的关键。本文详解Anthropic的Evaluator-Optimizer工作流模式——一个LLM生成、另一个LLM评估反馈的迭代循环。结合Reflexion论文(Shinn et al., NeurIPS 2023)的verbal reinforcement learning方法，分析Agent如何通过文本反思从失败中学习。讨论何时适合使用此模式：当LLM的响应在有明确反馈时可显著改善时。
- 10将前9期学到的6种工作流模式融会贯通，构建一个智能研究助手。该助手能根据任务复杂度自动选择最优策略：简单查询走Prompt Chaining，中等任务走ReAct循环，复杂研究任务走Orchestrator-Workers分解。通过完整的Python实现（不用框架），巩固Agent Loop、工具调用、工作流选择等核心概念，为后续框架学习做好准备。