构建高效的 AI Agent：
架构模式与实施框架

第 1 章

执行摘要

生成式 AI 回答问题；AI Agent（智能体）解决问题。

对各行各业的企业而言，Agent 能以现有自动化难以企及的方式扩展运营：开放式问题解决、动态决策，以及路径事先无法预定的复杂多步骤流程。

各组织已在生产环境中从自主 Agent 获得显著成果。例如，管理季度交易量达 2260 亿美元 的领先加密货币交易所 Coinbase，基于 Claude 构建了智能体式客户支持系统。其 Claude 驱动的 Agent 每小时处理数千条消息，同时保持 99.99% 的可用性——这对客户需要随时访问资金的场景至关重要。该平台已催生 35–50 个内部 AI 应用，改变了公司服务全球数百万用户的方式。

面向安全与 IT 团队的工作流编排与自动化平台 Tines，用 Claude 构建了智能体式工作流系统。其 Agent 在执行过程中动态处理工作流逻辑，将复杂的多步骤安全运营压缩为单 Agent 操作，对应约 100 倍 的价值实现时间（time-to-value）提升。

为金融服务构建客户运营 Agent 的 Gradient Labs，部署了基于 Claude 的客户支持 Agent：能在上下文中理解客户查询并执行标准操作流程。在达到 80%–90% 解决率的同时，其 Agent 能以有限人工介入处理复杂工作负载，使员工得以聚焦关系建设与其他战略工作。

AI Agent 为各类规模与行业的组织打开了无数可能，但落地需要审慎考虑架构模式、成本管理与运营治理。

为何需要 AI Agent

可以把 AI Agent 理解为能独立工作的智能数字助手：通过连接真实业务系统的工具，解决复杂业务问题。本质上，AI Agent 是大语言模型的进阶形态——能自主指挥自身流程与工具使用，以完成复杂任务。

传统自动化依赖事先写好、每一步都映射清楚的刚性脚本。Agent 则不同：它们评估任务、选择合适工具、尝试路径、评估结果，并按需调整策略——很像熟练员工面对陌生项目时的做法。例如，处理客户支持升级的 Agent 可以阅读问题、核对账户历史、查阅知识库、起草个性化回复并接入专家，全程无需人工介入。

这些系统真正强大之处，在于自主推理与工具选择能力，以及从错误中恢复、朝目标持续推进的能力。与由预定义代码路径编排 AI 交互的传统工作流不同，Agent 对自己的决策过程保持动态控制，并根据环境反馈与中间结果自适应。

因此，它们特别适合扩展那些无法预先确定精确步骤的复杂运营，例如事件响应、数据分析、客户入职流程，或通过自动化测试形成迭代反馈环的开发工作流。

组织正在取得的成果

部署 Agent 的组织正在看到真正重要的数字。

例如，某零售银行用 AI Agent 改造了信用风险备忘录的撰写：过去关系经理需要数周、人工审阅十余个数据源；如今带来 20%–60% 的生产力提升，并将信贷周转时间缩短 30%。

本指南涵盖：

• 来自生产环境运行这些系统的团队的实践洞察
• 从单 Agent 到多智能体编排（multi-agent orchestration）的架构模式，以及如何将具体问题匹配到合适模式的清晰指引
• 技术要求：包括 API 能力、工具集成与内存管理，以构建真正可规模化运行的生产级 Agent
• 安全与合规框架：在保护敏感数据的同时，管理自主系统带来的独特风险
• 实施策略：建设能随模型能力提升而扩展的团队与基础设施（而非与之对抗）
• 面向未来的指标：帮助你构建随底层模型变强而更强——却不必更复杂——的系统

下面开始深入。

第 2 章

AI Agent 常见用例与应用

要理解 Agent 在何处真正创造业务价值，不妨看看组织今天如何部署它们。真实落地揭示出可指导战略决策的模式，并帮助你在组织内识别最高影响力的机会。

编程（Coding）

企业系统上的加速开发： Augment Code 在 Google Cloud 的 Vertex AI 上使用 Claude，帮助开发者在拥有数百万行相互依赖代码的复杂代码库中导航。某企业客户在 2 周 内完成了 CTO 预估需要 4–8 个月 的项目；开发者入职也从数周缩短到 1–2 天。该平台帮助团队更快理解复杂软件系统，从而更高效地编写、文档化与维护代码。

数据分析

对话式可观测性数据探索： Grafana 使用 Claude 驱动智能助手，使从 CTO 到初级工程师的各技能水平团队，都能通过自然语言解锁可观测性数据。用户可以提问如「我的结账服务请求延迟是多少？」，Claude 会自动找到相关指标并构造合适的 PromQL 与 LogQL 查询。

客户支持与运营

规模化、高解决率的自动化支持： Intercom 由 Claude 驱动的 Fin AI Agent，在超过 25,000 名客户中实现高达 86% 的解决率，并以接近人工质量的回复响应。该平台开箱平均解决率达 51%（定制前），将响应时间从 30 分钟 降至数秒，并支持超过 45 种语言。

AI 增强的人工支持协同： Assembled 用 Claude 驱动其 Assist 平台，客户满意度提升 20%，同时降低支持开支；升级减少超过 50%；每小时解决案例提升超过 30%。其重点是解决复杂的 Tier 2+ 问题，而非仅分流简单查询。

法律

规模化企业法律知识： Thomson Reuters 在 Amazon Bedrock 中使用 Claude 驱动 CoCounsel，将 3,000+ 位主题专家与超过 150 年权威内容的专业知识交付给法律与税务专业人士。平台通过专家校验，以严谨准确度处理复杂合同与税务文件；客户反馈其「很容易看到时间减半，甚至更多」，并称 CoCounsel 的效率「惊人」——使专业人士得以「聚焦更高层次、更战略的工作」。

指令遵循出色的灵活法律 AI： Legora 用 Claude 驱动整个法律平台，在其专有大型法律评测集的复杂任务上实现 18% 更高的表现。Claude Sonnet 的优势来自「在大型任务与文档上保持一致性，并准确遵循复杂指令」，使 Legora 能构建适应不同执业领域与客户需求的灵活智能体工作流，帮助律师「精准审阅与研究、更聪明地起草，并无缝协作」。

营销

规模化、多平台自动化广告： Advolve 用 Claude 编排整个数字化获客流程，在多平台同时管理数百万条广告，并具备实时数据校验与动态预算分配。系统实现运营工时减少 90%、广告支出回报率（ROAS）提升 15%；对管理超过 1 亿美元 广告预算的大型企业客户，其平台可在 30 天内 达到「管理数百万美元预算时的人类水平 ROAS」。

垂直聚焦：金融服务

自动化欺诈检测与风险评估： Inscribe 用 Claude 驱动 AI 风险 Agent，将欺诈审阅时间缩短 20 倍——从 30 分钟 到 90 秒——并在客户案例中将产出提升 70 倍。AI 欺诈分析师可在图像与 PDF 中检测欺诈，通过 KYC 与 KYB 核验申请人信息，发现风险交易，并在约 90 秒 内提供可审计的风险报告。这使金融机构能扩大对「薄档案、无银行账户、信用不可见」等信用合格但服务不足人群的覆盖。

第 3 章

常见架构模式

上述用例展示了 Agent 跨行业的巨大潜力，但成功落地完全取决于选择正确的模型、技术与架构路径。处理常规查询的客服 Agent，与分析复杂数据集的多领域研究系统，需要截然不同的设计。

理解这些架构模式，有助于将技术复杂度与业务需求对齐，避免过度工程化——那种抬高成本却无法带来相称价值的做法。

我们先从指导成功 AI Agent 落地的基础设计原则开始。

Agent 设计最佳实践

从简单开始，智能扩展。 正如《Building Effective AI Agents》中所讨论的，我们建议团队从做好一件事的单一用途 Agent 起步，再随着需求演进逐步发展为更复杂的系统。简单系统运行成本更低（更少 token、更少算力），出问题时更易调试，并能给出真正与业务结果挂钩的清晰指标。

为任务选择合适的模型。 市面上模型众多、能力各异，选对模型至关重要。

关键是在三项因素间取得平衡：能力、速度与成本。就像从工具箱选工具：你不会用大锤钉相框，也不会用小钉锤拆墙。例如，若在构建多智能体编程框架或做复杂金融分析，你会想要最强能力的模型；但若处理数千条简单客服工单或从表单抽取数据，更轻、更快的模型同样能胜任，且成本只是零头。

性能光谱从为最复杂推理任务优化的模型，延伸到为高吞吐、直截了当应用设计的模型。这意味着你可以把具体用例匹配到合适能力层级。用高端模型跑简单任务不仅浪费，在规模化时也会更慢、更贵。当你处理成百上千请求时，这些差异会迅速累积。

践行模块化设计。 这一领域变化很快，新能力与功能不断涌现。把系统设计为模块化，以便演进 Agent 能力时无需彻底重做基础设施。你的架构应随进步而弯折，而非在其下断裂。

Agent 模块化例如可采用组合模式：

• Prompt 定义在集中式配置文件或库中
• 工具作为离散、可复用的模块
• 按需定义 Agent，仅使用完成其任务所需的工具与资源

这种组合模式可拥有分别用于网页搜索、数据库查询与邮件撰写的模块，以及面向不同推理风格（分析型、创意型、技术型）或不同角色的 prompt 模板。遵循该模式，可在开发中快速定义所需 Agent，并按需选用预定义资源。

这类模块化 Agent——尤其是基于 LangGraph 或 Mastra 等框架构建的——可以有机扩展。当新 AI 能力出现时，组件化 Agent 架构提供自然集成点，无需系统级重构。你可以轻松把新工具接入模块化 Agent 框架，并更新中央配置，以将增强的 prompting 技术推广到所有 Agent。

用 Agent Skills 扩展能力。 Agent Skills 提供一种结构化方式，为 Agent 配备超出基线能力的专业知识、工作流与工具集成。与其把全部领域专长直接编码进 prompt，Skills 更像 Agent 可按需调用的模块化能力包。

可组合架构： Skills 可在复杂任务上协同，并按需调用其他 Skills。例如，合规 Skill 可能调用文档分析 Skill，后者再使用专用抽取 Skill。这种可组合性让你在不制造单体实现的前提下，构建能力层级。

何时使用 Skills：

• 领域专长（金融分析、法律审阅、科学研究）
• 组织已打磨成熟的标准化工作流
• 专用工具集成（数据库、API、内部系统）
• 行业最佳实践与合规要求

实施路径： Skills 可与单 Agent 与多智能体架构无缝集成。在单 Agent 系统中，Skills 扩展 Agent 基线能力；在多智能体系统中，不同 Agent 可按专长配置不同 Skills——金融分析 Agent 可能使用风险评估 Skills，客服 Agent 使用 CRM 集成 Skills。

这种模块化方式意味着你可以独立更新 Skills 而无需重写 Agent 逻辑，在多个 Agent 间共享 Skills，并随组织需求演进扩展能力。

构建能自我解释的可观测系统。 AI 应用常像黑盒，而 Agent 又增加了复杂性。除结构化日志、集中监控与分布式追踪等标准实践外，AI 应用还引入了传统 APM 工具未针对设计的独特可观测性挑战。

核心问题在于：AI 系统是非确定性的，推理过程不透明。当 AI Agent 失败或行为异常时，你不能只看堆栈跟踪——你需要看到 prompt 链、模型决策路径、检索上下文、token 消耗以及整个推理工作流。当核心逻辑发生在神经网络内部时，传统调试往往力不从心。

关键洞见是：调试 AI 应用不仅要知道发生了什么，还要理解模型为何做出特定决策，以及上下文如何在多步推理链中流动。

在这些基础原则之上，我们来看它们如何应用于具体架构模式。我们从适用于大多数企业用例的最简方法开始，再推进到能通过可衡量性能收益证明其复杂度的更复杂模式。

单 Agent 系统（Single-agent systems）

在单 Agent 系统中，AI 驱动的 Agent 在连续循环中运行：感知环境、决定下一步、采取行动以完成目标。

与 Agent 交互通常遵循如下模式：

1. 用户向 Agent 下达任务。
2. Agent 制定计划，基于可用工具执行动作，观察结果，并根据反馈调整方法。
3. Agent 重复该循环，直到任务完成，或触及停止条件（例如「在此暂停以供人工审阅」）。

架构概览： 单 Agent 系统的核心组件包括：作为推理引擎的 AI 模型、定义 Agent 角色与能力的 prompt，以及使其能与外部系统交互并执行特定功能的集成工具包。Skills 还提供额外能力层，为 Agent 配备超出基线训练的专业领域知识、工作流与最佳实践，使单个 Agent 能处理原本可能需要多个专职 Agent 的复杂任务。

何时使用： 单 Agent 擅长处理一开始路径并不清晰的开放式问题。你无法预先确定解决方案，因为不知道需要多少步骤，或沿途会出现何种障碍。

何时避免： 当你需要第一次就得到完美答案、且必须 100% 如此时。单 Agent 很强大，但要处理复杂问题或追求最高准确度，你会想利用多智能体架构。不过，在扩展到多智能体之前，先考虑是否通过为单 Agent 增加专用 Skills，就能更高效地达到准确度要求。

多智能体系统（Multi-agent systems）

多智能体架构协调多个专职 Agent，以应对超出单个通才系统能力的复杂问题。不是由一个 AI 模型包办一切，而是将任务分解、分发并跨多个 Agent 执行——往往各自擅长特定类型查询——再将多 Agent 结果综合为连贯答复。

Anthropic 内部研究表明，对于需要同时沿多个独立方向推进的复杂任务，多智能体系统比单 Agent 系统高出 90.2%。关键洞见是：智能达到某个阈值后，「多智能体系统成为扩展性能的关键方式」，因为「Agent 群体能完成远超个体」的工作——很像人类组织。

架构概览： 多个具备专长的 Agent 朝共同目标协作。这可能涉及编排器向专家委派，或由高级 Agent 管理子 Agent 的层级结构。通信可在 Agent 间直接发生，或通过共享内存与消息队列协调。Agent Skills 也可战略性地分布到各 Agent，以形成深度专长。

何时使用： 当单 Agent 触及根本极限时，多智能体系统表现出色。在以下情况选择多智能体架构：（1）任务涉及难以预先预测所需步骤的开放式问题，并需要在调查展开时灵活转向或探索旁支关联；（2）你需要会压垮通才 Agent 的专业能力——研究表明，当存在两个或更多干扰领域时，单 Agent 表现急剧下降；或（3）问题需要同时沿多个独立方向推进的广域查询，并行处理能带来显著性能收益。它们尤其适合复杂研究、跨多学科的综合分析，或需在多元知识领域中持续自主运行的场景。

实施考量： 多智能体系统对复杂任务威力十足，但复杂度与运营成本也成正比。多智能体架构会快速消耗 token，需要业务价值足以支撑更高性能成本的任务。设计系统时，应按需扩展投入——简单查询不应触发昂贵的多智能体工作流。

可观测性变得更加关键。如前所述，传统调试方法会失效，因为 Agent 做动态决策，且各次运行间是非确定性的。在 Agent 决策成倍增加的多智能体架构中，必须实施追踪——不仅捕获单个 Agent 行为，还要捕获决策模式与交互结构，以便在协调失败时诊断根因。若缺少对 Agent 如何通信、委派任务与综合结果的全面可观测性，当复杂交互产生涌现行为时，调试几乎不可能。

考虑多智能体落地时，先清晰定义目标，并构建满足需求的最简方案。从一开始就为模块化与可扩展性设计；当你需要增加新能力或扩展现有能力时，会感谢这一基础。

架构模式细分

多智能体系统围绕两个基本协调概念组织：中心化与去中心化架构，各自应对不同的协调挑战与用例。

中心化系统采用层级模式：中央监督者智能地将任务委派给专职 Agent，形成清晰的责任链，镜像高效的人类组织结构。这类层级系统有多种名称，如监督式（supervisory）、编排器（orchestrator）或路由（router）模式，各自代表中心化控制的略有不同变体——有的侧重任务委派，有的侧重路由决策，有的侧重对 Agent 交互的全面编排。

去中心化系统采用协作模式：自主 Agent 以点对点方式直接通信，动态协商角色，并通过分布式智能解决复杂问题。协作系统有时被称为群体（swarm）或联邦（federated）架构，强调涌现式协调而非强加控制。

支撑这些架构模式的是智能体工作流（agentic workflows）：为多步骤流程提供结构化编排，定义 Agent 在分布式环境中执行任务的顺序与条件。

核心区别在于协调哲学：中心化控制 vs. 分布式自主 vs. 结构化编排。组织常组合这些模式，以创建匹配其业务需求的稳健、可扩展方案。

层级 / 监督式系统（Hierarchical / supervisory）

层级系统通过中央控制器，以智能任务委派协调多个角色专职 Agent。监督 Agent 分析入站请求、路由到合适专家并综合答复，形成随组织复杂度有效扩展的清晰责任链。

在层级系统中，各个子 Agent 被当作工具：监督 Agent 使用工具调用模型决定调用哪些 Agent 工具。该模式镜像高效人类团队：专家聚焦领域，协调者负责任务分配与整合。子 Agent 也可拥有自己的子 Agent；这些组别对监督 Agent 抽象，监督者只与子 Agent 团队负责人交互，而不感知更深层委派。

尽管 token 用量更高，经济性仍偏向这一路径。多智能体系统比单次交互消耗显著更多 token，但对需要专业知识或超出单 Agent 上下文限制的高价值复杂任务，性能收益能证明成本合理。

实施变体在协调开销与响应质量之间的平衡上有所不同：

• 全面编排系统：对用户交互与任务执行保持完整监督控制
• 侧重路由的实现：专长于委派决策，可能将用户沟通交给专家 Agent
• 混合协调方法：根据任务复杂度有选择地引入监督者

关键挑战：上下文管理

编排 Agent 可能面临根本问题：上下文变得过于复杂，单个 Agent 难以有效管理，从而在扩展交互中造成性能瓶颈。这种上下文复杂度表现为上下文窗口溢出、推理性能下降，以及 Agent 间协调失败。

成功落地需要扎实的上下文管理策略：上下文编辑（context editing） 在接近 token 上限时自动清理陈旧工具调用与结果，同时保持对话流畅；内存工具 让 Agent 通过跨会话持久的基于文件的系统，在上下文窗口外存储与检索信息。还应考虑让工具支持分页、范围选择、过滤与截断，并设合理默认值，将响应限制在可管理大小（例如约 25,000 token），以防上下文耗尽。

示例：多智能体层级工作流——营销活动开发

营销机构部署层级多智能体系统，由监督 Agent 协调专家 Agent，在确保战略对齐的同时，在活动各组成部分中利用深度领域专长。

1. 活动简报提交： 客户提交包含目标、受众、预算约束、时间线与品牌指南的营销活动简报。
2. 营销总监 Agent（监督者）： 分析活动需求，识别关键交付物，确定资源分配，并创建将具体任务映射到合适专家 Agent 的战略执行计划。
3. 市场研究 Agent： 接受监督者指令，开展目标受众分析、竞争格局研究与市场机会评估，并将发现汇报给营销总监 Agent。
4. 创意设计 Agent： 由监督者指派，基于市场研究洞察与品牌指南开发视觉概念、品牌资产与设计框架；监督者审阅并批准创意方向。
5. 文案 Agent： 接受监督者任务，创建全渠道信息策略、广告文案与内容，确保与先前 Agent 确立的创意方向与市场定位一致。
6. 媒介策划 Agent： 由监督者指导，基于受众洞察与创意要求，制定媒介组合建议、渠道选择、跨平台预算分配与时机策略。
7. 活动整合与批准： 营销总监 Agent 综合所有专家输出，确保战略连贯，解决专家建议间的冲突，并准备整合后的活动提案。
8. 提交全面活动策略： 将含创意资产、媒介计划、预算分配、时间线与成功指标的最终整合营销活动交付给客户。

协作式系统（Collaborative systems）

协作式系统使多个专职 Agent 通过复杂协调机制实时协作，共享信息并协调行动，以实现超出单个 Agent 能力的结果。与有中央控制的层级系统不同，协作模式强调点对点交互：Agent 直接通信、动态协商角色，并通过分布式智能集体解决复杂问题。

在协作系统中，Agent 作为自主实体运行，通过多种机制通信、协调与协作，以实现集体目标。这种方式镜像人类团队：专家贡献专长，同时保持对更广目标的觉察。关键区别在于：协调从 Agent 交互中涌现，而非由中央权威强加。

实施变体在 Agent 如何协调与共享上下文上有所不同：

• 群聊编排（group chat orchestration）： 多个 Agent 通过参与共享对话线程协作讨论，以解决问题、做决策或校验工作
• 事件驱动协调： 以事件为共享语言，作为结构化更新，使 Agent 能解释指令、共享上下文并协调任务
• 黑板架构（blackboard）： 提供共享知识库，所有 Agent 可读可写，作为集体记忆

关键挑战：通信复杂度与涌现行为的不可预测性

协作系统在管理 Agent 间通信与预测系统行为方面面临根本挑战。Agent 间频繁通信导致计算成本与复杂度上升；多智能体系统还会出现未经特定编程的涌现行为，微小变化可能不可预测地影响 Agent 表现。成功需要定义劳动分工、解题方法与投入预算的协作框架，而非僵硬指令。其他挑战包括防止 Agent 无限来回推诿任务，以及实施稳健的冲突解决机制。

示例：多智能体协作工作流——竞争情报收集

战略咨询公司部署协作式多智能体情报系统：专职分析 Agent 实时协作，交叉核对发现，并通过集体智能构建超出单个 Agent 能力的全面竞争格局。

1. 情报请求启动： 客户请求全面竞争分析，触发所有专职分析 Agent 的协同情报收集。
2. 协同数据收集： 客户请求进入队列。定价、产品、营销、财务、社交媒体与战略情报 Agent 建立通信渠道并划分监测职责，以避免重复。
3. 跨 Agent 协作： Agent 实时持续共享发现——定价 Agent 向产品 Agent 提示功能—价格关联，营销 Agent 与财务 Agent 共享活动数据，社交媒体 Agent 向战略 Agent 提供情绪洞察。
4. 情报校验： 所有 Agent 交叉核对发现，识别矛盾，跨多数据源验证，并建立经多方佐证的竞争对手画像。
5. 集体综合： Agent 协作整合多维洞察，评估市场机会，并形成关于竞争对手战略动向的预测性情报。
6. 战略情报报告： 报告 Agent 基于集体智能，撰写含经验证发现、预测洞察与战略建议的全面竞争格局分析。
7. 提交情报报告： 将含指标的最终整合情报报告交付给客户。

智能体工作流（Agentic workflows）

智能体工作流定义 Agent 如何运行的结构，包括如何通信、交接任务，以及如何朝共享目标协作。与单个 Agent 的动态行为不同，工作流是预定义且相对静态的。两种常见 Agent 工作流模式是顺序式与层级式。

顺序工作流（Sequential workflows）

顺序工作流使用预定义控制流与明确执行路径，确保可预测的 Agent 转换，适合可重复流程，如文档审批链或合规检查。这些工作流提供清晰审计轨迹与确定性行为，非常适合过程一致性与可追溯性至关重要的监管环境。

顺序工作流可利用软件定义的决策点（例如基于任务结果或系统状态变化的条件逻辑），或由模型根据中间结果与上下文因素决定应用控制流的 AI 驱动路由。这种混合方法既保有预定义路径的可靠性，又能基于内容分析或动态条件灵活适应。

主要优势是运营可预测性：你可以画出完整流程、估算执行成本，并通过检查特定工作流阶段来调试问题。但这种可预测性的代价是：处理边缘案例或不适合预定义结构的新颖场景时灵活性不足。

何时使用： 当任务可干净地分解为固定子任务时使用顺序工作流。主要目标是以延迟换更高准确度——让每次 AI 调用成为更简单、更聚焦的任务。

在这些场景考虑顺序编排：具有清晰线性依赖与可预测进展的多阶段流程；每阶段为下一阶段增加特定价值的数据转换管道；无法并行化的工作流阶段；以及草稿—审阅—润色等渐进精炼需求。

当你了解管道中每个 Agent 的可用性与性能特征，且某一 Agent 的失败或延迟对整体任务完成可接受时，使用顺序模式。

有效示例包括：先生成营销文案再翻译成不同语言；先写文档大纲、校验大纲是否符合特定标准，再基于批准大纲撰写全文。

何时避免： 仅含少数阶段且单 Agent 即可有效完成的流程；Agent 需要协作而非交接的工作；或需要回溯与迭代的工作流。

示例：多智能体顺序工作流——自动化数据科学洞察

公司部署多智能体工作流方案，自动化数据分析请求，在不阻塞数据科学团队的情况下快速生成洞察。

1. 分析请求： 利益相关方通过系统提交数据分析请求（例如「按区域分析 Q4 销售表现」或「识别客户流失风险因素」）。
2. 范围界定 Agent： 分析入站请求，确定分析类型（描述性、诊断性、预测性或规范性），识别所需数据源与方法，评估复杂度，并路由到合适分析路径。
3. 数据工程 Agent： 根据范围输出从相关来源（数据仓库、API、数据库）抽取数据，清洗与校验，处理缺失值与异常值，工程化相关特征，并准备可分析数据集。
4. 分析 Agent： 接手准备好的数据，执行合适分析工作流——运行统计检验、构建模型、生成可视化、识别关键模式与洞察——或将需人工数据科学家介入的复杂请求连同详细交接包一并标记。
5. 审阅 / 升级： 分析结果或自动校验并批准分发，或排队供高级数据科学家做质量保证与解读精炼。
6. 交付洞察： 最终分析产出（报告、仪表盘、模型预测或建议）经利益相关方偏好渠道打包交付。

并行工作流（Parallel workflows）

并行工作流将独立任务同时分发给多个 Agent，结果再合并或并发处理。当任务需要多元视角或专长时，该模式表现出色，能通过并发处理显著提速。

并发编排模式让多个 Agent 同时在同一任务上运行，使每个 Agent 从其独特视角或专长提供独立分析。这类似 fan-out/fan-in 云设计模式——结果常被聚合，但并非必须。

该模式针对需要对同一问题获得多元洞察或方法的场景。所有 Agent 并行工作，而非顺序处理，从而缩短总体运行时间并覆盖更全面的问题空间。每个 Agent 可在工作负载内独立产出结果，例如调用工具或更新不同数据存储。

Agent 彼此独立运行、不相互交接结果，尽管某一 Agent 可用自己的编排方式再调用其他 Agent。该模式既支持对所有已注册 Agent 的确定性调用，也支持基于任务需求的动态选择。

何时使用： 当划分子任务可同时处理以提速，或需要多视角以获得更高置信结果时使用并行化。对有多重考量的复杂任务，AI 模型通常在每次调用专注一个方面时表现更好。

有用示例包括分节方法：实现护栏——一个模型处理用户查询，另一个筛查不当内容；或自动化评测——每次调用评估模型表现的不同方面。投票模式适合用若干不同 prompt 审查代码漏洞，或用不同投票阈值评估内容适宜性，以平衡假阳性与假阴性。

何时避免： 当 Agent 需要相互建立结果或要求按特定顺序累积上下文时；当任务要求特定操作顺序或确定性结果时；或当模型配额等资源约束使并行处理低效时。也不要在 Agent 无法可靠协调对共享状态或外部系统的并发变更、没有清晰冲突解决策略处理矛盾结果，或结果聚合逻辑过于复杂乃至降低结果质量时使用并行模式。

示例：多智能体并行工作流——金融风险评估

金融机构部署多智能体并行工作流，评估贷款申请与投资机会，在跨关键维度保持全面风险分析的同时加快决策。

1. 风险评估请求： 贷款申请或投资提案提交给系统，进行全面风险评价。
2. 数据聚合 Agent： 从内外部数据源收集信用报告、财务报表、市场数据、监管备案与历史绩效指标等相关信息。
3. 并行 Agent（各自使用工具）：

• 3a. 信用风险 Agent： 同时分析借款人信用资质、债务收入比、支付历史与抵押品质量，生成信用风险评分与违约概率计算。
• 3b. 市场风险 Agent： 并发评估市场波动、利率敏感性、行业敞口与经济指标，评估市场波动与经济下行可能导致的损失。
• 3c. 运营风险 Agent： 并行检查内部流程风险、欺诈指标、合规缺口与处理交易的运营能力，识别潜在运营失败或不规则情况。
• 3d. 监管合规 Agent： 同时审阅监管要求、反洗钱检查、了解你的客户（KYC）合规与司法管辖限制，确保全面合规。

1. 风险聚合与决策引擎： 所有并行风险评估按机构政策加权汇总，并综合为含可操作建议的全面风险画像。
2. 提交风险评估结果： 将含批准 / 拒绝建议、风险评分与详细分析报告的最终多智能体风险评价交付给决策者。

评估者—优化者（Evaluator-optimizer）

评估者—优化者工作流使用两个 AI 系统进行迭代循环：一个生成内容，另一个评估并提供反馈，直至达到质量标准。正确实施时该模式可带来显著改进，但伴随更高 token 成本。

该模式通过结构化反馈环运行：生成器创建初始响应并纳入反馈以逐步改进；评估者按预定义标准评估内容并给出可操作指导。这类似作者—编辑协作，修订稿中纳入具体建议。

何时使用： 当存在清晰评估标准，且通过 AI 反馈环的迭代精炼能证明价值时使用。该模式擅长需要细腻把握的内容创作，如文学翻译、有安全要求的代码生成、语气重要的专业沟通，以及需要多步推理与校验的研究任务。

何时避免： 当首次尝试质量已满足要求、评估标准主观或不清，或时间与成本约束超过质量改进时。不要用于需要即时响应的实时应用、基础分类等简单例行任务，或有严格 token 预算的资源受限环境。当存在确定性方案、评估者工作流缺乏做出有意义反馈的领域专长，或性能下降超过收益时也宜避免。

示例：多智能体评估者工作流——API 文档生成器

软件开发组织部署评估者—优化者工作流，从代码库自动生成全面 API 文档，通过迭代精炼循环确保技术准确与开发者可用性，消除手动文档瓶颈。

1. 代码输入： 开发团队将 API 代码库提交给文档生成系统。
2. 生成器 Agent： 分析代码库并创建初始文档，包括端点描述、参数、示例与认证要求。
3. 技术评估者 Agent： 对照实际代码实现校验文档准确性，检查参数类型、端点覆盖与示例正确性。
4. 精炼循环： 生成器纳入两位评估者的反馈，迭代改进文档直至满足所有标准。
5. 发布文档： 最终润色后的 API 文档自动发布到开发者门户，含交互示例与全面参考材料。

该过程通常运行 2–4 个循环，在保持技术准确的同时显著提升文档质量。

新兴模式

随着组织不断拓展 AI Agent 的可能边界，若干实验性模式正从研究实验室走向早期落地。以下重点介绍部分新兴模式。

Agent 模式：动态 Agent 生成（Dynamic agent generation）

动态 Agent 生成是一种蓬勃发展的实验方法，将模块化推到逻辑终点：在运行时从 prompt、工具与配置库组装组件创建 Agent，任务完成后解散。目前尚无生产系统实现真正的动态创建，但技术基础已存在于多个研究项目与 AutoGen、Semantic Kernel 等实验框架中。

该模式在资源优化与任务特定性能方面颇具吸引力；系统可分析入站请求并自动实例化具备精确所需能力的 Agent，任务完成后释放资源，而非维护预配置 Agent。然而，围绕上下文管理复杂度、涌现行为风险与动态创建开销等重大挑战仍在。当前对多智能体协调与事件驱动架构的研究提供了基础，但组织应将其视为实验领地。

架构模式：网络 / 点对点系统

网络架构代表多智能体协调的重大演进：通过「任意 Agent 可与任意其他 Agent 直接通信」的多对多通信，消除层级瓶颈。早期基准显示，「群体架构整体略优于监督架构」，因为 Agent 可直接协作，无需监督翻译层。

决策框架：何种用例选何种模式

理解架构模式只是第一步。工程领导者的关键挑战是为你的具体约束选择正确方法：预算、时间线、复杂度与风险容忍度。成功落地不是按技术精巧程度选择，而是通过系统评估三个关键维度，将架构复杂度与业务价值匹配。

三个关键问题

在深入具体模式前，每个企业团队需要回答这些根本问题：

1. 你需要何种控制水平？

• 高控制要求（监管合规、金融交易、安全关键运营）→ 从单 Agent 或顺序工作流起步

若你需要向审计师、监管者或高管精确解释系统为何做出某决策，你需要可预测、可追溯的行为。带清晰决策标准的单 Agent 处理贷款审批，远比三个不同 AI 模型协作给出建议的多智能体系统更易审计。

• 中等控制要求（客户支持、内容创作、数据分析）→ 考虑层级多智能体系统

当你需要灵活性但仍要监督时，层级系统两全其美：监督 Agent 可执行业务规则，专家 Agent 处理复杂性。

• 低控制要求（研究、头脑风暴、复杂分析）→ 协作式多智能体系统变得可行

当目标是探索可能性或处理真正复杂的问题时，协作 Agent 的不可预测性成为特性而非缺陷。

2. 你的问题域有多复杂？

• 单领域问题（回答产品问题、处理退货、生成报告）→ 单 Agent 高效处理

不要过度工程化。若工作涉及直截了当、可重复的任务，一个设计良好的单 Agent 往往足够。

• 多领域但可预测的问题（员工入职、合规工作流、标准分析任务）→ 顺序或并行工作流

当你能画出流程步骤但每阶段需要不同专长时，工作流提供结构而不会过度复杂。

• 复杂、开放式问题（战略分析、研究项目、系统排障）→ 多智能体架构

这些问题需要拆解为更小部分并采用不同方法。若工作受益于多视角或专用 Skills，多智能体系统可能合理。

3. 你的资源约束是什么？

• 有限预算 / token → 单 Agent 或精心设计的并行工作流

多智能体系统大约使用单 Agent 的 10–15 倍 token。在承诺复杂架构前，先按预期量做数学计算。

• 上市时间压力 → 从单 Agent 起步，规划演进路径

你可以在数周内部署单 Agent；多智能体系统要数月才能做对。先构建能用的东西，再增强。

• 长期战略举措 → 为模块化演进设计

若这是多年举措，用支持后续加入更多 Agent 的接口构建第一个单 Agent。从一开始为演进设计：在需求增长时，保持一致的用户体验，同时为后端架构变更建设能力。

4. 你需要深度领域专长吗？

• 具有既定工作流的单领域 → 配备专用 Skills 的单 Agent

在跳向多智能体之前，先考虑配备领域 Skills 的单 Agent 能否解决问题。Skills 在无多智能体协调复杂度的情况下提供深度专长。

• 需要协调的多个不同领域 → 配备专用 Skills 的多智能体系统

当领域必须协作时（例如法律审阅与金融分析协调），每个 Agent 具备合适 Skills 的多智能体系统可同时提供专长与协调。

示例：合同审阅系统可能从使用法律 Skills 的单 Agent 起步。随复杂度增长，可演进为多智能体系统——分别处理合同分析、风险评估与合规检查的 Agent，各有专用 Skills。

模式选择指南

这些约束转化为清晰的架构建议：

单 Agent 最适合：

• 定义良好产品类别的客服流程
• 有清晰业务规则的文档处理
• 代码审阅与基础开发任务
• 例行分析与报告

顺序工作流最适合：

• 多步审批流程
• 内容创作管道（草稿 → 审阅 → 发布）
• 数据转换与校验
• 多标准合规检查

并行工作流最适合：

• 多视角提升质量
• 独立分析可同时运行
• 速度比协调开销更重要
• 风险评估需要多元观点

多智能体系统最适合：

• 需要多元专长的复杂解题
• 研究与分析项目
• 跨越多个系统的动态客户交互
• 战略规划与决策支持

混合架构策略

决策框架提供清晰起点，但生产系统常演进为战略组合多种模式的混合架构。理解这些组合可避免架构死胡同，并实现系统化扩展。

常见混合模式：

带并行处理的层级系统

• 监督 Agent 向专家 Agent 委派；专家 Agent 协调并行工作流。例如，金融风险评估监督者可向信用、市场与运营风险 Agent 委派，各自在领域内运行并行分析。

带动态路由的顺序工作流

• 根据中间结果调用不同类型 Agent 的线性流程。客服工作流可能从分类开始，再按问题复杂度路由到简单解决 Agent 或复杂多智能体研究团队。

带多智能体升级的单 Agent

• 简单 Agent 处理例行任务，但在遇到边缘案例时自动触发复杂多智能体系统。这在优化成本的同时，保持处理复杂场景的能力。

第 4 章

展望：构建 AI Agent 的未来

在本指南中，我们审视了 AI Agent 落地的完整光谱——从处理聚焦任务的单 Agent 系统，到应对复杂、多领域挑战的精密多智能体架构。我们看到了跨行业的真实用例，探讨了架构模式及其权衡，并最终建立了做出明智实施决策的框架。有了这一基础，你可以自信地构建解决真实问题、交付真实结果的 AI Agent。

成功实施 AI Agent，需要把技术复杂度与业务价值对齐，而非追逐你能构建的最复杂架构。若从单 Agent 起步以证明 ROI，从第一天起构建可观测系统，并根据数据告诉你的内容演进架构，你会看到最佳结果。采取这种审慎路径的组织，一贯优于一开始就过度工程化的组织。我们覆盖的框架与模式给你坚实基础，但具体落地取决于你的风险容忍度、资源约束，以及组织对自主系统的准备程度。

能随业务需求演进、在简单与复杂方法之间快速迭代的组织，才是能赢的组织。无论你部署单个客服 Agent，还是编排多智能体研究系统，北极星必须是：模块化设计、全面可观测性，以及直接连接业务结果的清晰成功指标。

工具已就绪，手册已写就。现在是时候解决真实世界的问题了。

第 5 章

下一步

准备好开始构建了吗？通过 Claude Developer Platform 入手，获取 AI Agent 落地所需的模型、工具与技术文档。无论你在原型化第一个单 Agent 系统，还是扩展到多智能体架构，这些资源都将加速你的开发：

• 在 Claude Developer Platform 上开始构建 Agent — 获取全面的 API 文档、实施指南与 prompt 工程技巧。
• 探索 Agent Skills — 学习如何为 Agent 配备专业知识、工作流与工具集成。
• 观看《Building the future of agents with Claude》 — 与构建 Claude Developer Platform 的领导者一起，深入先进架构与新兴模式。
• 探索 Anthropic Engineering Blog — 关于 Agent 开发、上下文工程与生产部署策略的技术文章。

联系我们的销售团队了解更多，或立即注册 Claude Developer Platform。

平台入口：https://www.claude.com/platform/api

内容译自 Anthropic 白皮书《Building Effective AI Agents: Architecture Patterns and Implementation Frameworks》，供学习与参考使用。原文副标题：Accelerate your enterprise AI transformation with proven strategies from Anthropic's customers and internal teams.