企业官网建设流程全解析

整理自 Anthropic 工程博客《Building Effective AI Agents》，原文地址：https://www.anthropic.com/engineering/building-effective-agents

一句话结论

Anthropic 建议先找最简单的方案，确有必要再引入 agentic 系统：结构清晰的流程用"工作流"（LLM 和工具按预定义代码路径编排），开放式任务才用"Agent"（LLM 自己决定流程和工具使用）。两者都是"agentic system"，但架构边界完全不同。

三个前置判断

1要不要 agentic？agentic 系统用延迟和成本换任务表现。很多场景优化单次 LLM 调用（加上检索和示例）就够了。

2工作流还是 Agent？任务定义清晰、要求可预测一致 → 工作流；需要模型驱动决策和灵活性 → Agent。

3要不要框架？框架（Claude Agent SDK、Strands、Rivet、Vellum 等）降低上手成本，但会隐藏底层 prompt 和响应、增加调试难度，还会诱导无谓的复杂度。建议先用 LLM API 直接写，很多模式几行代码就能实现；用框架就必须懂它内部在做什么。

五个被生产验证的工作流模式

流程图 1

Prompt chaining（链式调用）：把任务拆成固定序列，中间加程序化检查点（gate），逐步输出。适合能干净分解成固定子任务、且子任务之间有大小/模态差异的场景。

Routing（路由）：先分类再分发给不同的 prompt/模型/工具。典型用法：客服分流（退款/技术/一般咨询）、简单问题给 Haiku 类小模型、困难问题给 Sonnet 类强模型以控制成本。

Parallelization（并行化）：两种变体——Sectioning（拆成独立子任务并行）和 Voting（同一任务多次采样取多样输出）。多视角投票常用于安全护栏和代码漏洞审查。

Orchestrator-workers（编排-工作者）：由编排 LLM 动态分解任务、派给工作者、再汇总。与链式的区别在于子任务不是预定义的，由中心模型按输入决定。

Evaluator-optimizer（评估-优化）：生成器产出，评估器按标准打分并给反馈，循环迭代。

（以上模式细节以原文为准；核心思想是：能用确定编排就别让模型自由发挥。）

Agent：什么时候才真正需要

当任务开放、步骤不可预知、需要模型在环境中动态决策时才用 Agent。Anthropic 的实操建议：

给 Agent 提供清晰、文档完善的工具（工具即接口，描述质量直接决定 Agent 表现）。

设置护栏：最大步数、token 预算、危险操作确认。

把 Agent 的行为变成可观测的：每一步的工具调用、理由、状态都要能回放。

对我们做内容/运营 Agent 的直接启发

1"每日巡检补差"这种流程明确的任务，本质是工作流 + 路由，不需要完整 Agent 自主性——这也解释了为什么用固定目标（5/1/1）+ 轻量进度接口比开放式 Agent 更可靠。

2框架选型前先问：底层 prompt 我能看到吗？调试时我能改吗？

3Agent 的失败大多不是模型不够强，而是工具描述含糊和缺少护栏。

参考

Anthropic：Building Effective AI Agents（2024-12，后续工具生态演进见其 Managed Agents 文章）