openai 向左，anthropic 向右。
一个围绕应用，一个围绕Agent。
Anthropic官方视频：关于他们如何制作智能体的思考。
虽然在推广他们的SDK，但里面还是有不少思考
因为原文是播客 + 英文的形式，所以我做了一些整理和排版，方便阅读。
原址：https://www.youtube.com/watch?v=XuvKFsktX0Q&t=5s
开篇：智能体开发的关键转折
在 AI 智能体开发领域，一个反直觉的现象正在发生：过去帮助模型的"脚手架"，现在反而成了阻碍。》
当 Anthropic 团队发现一些客户升级到新模型后，性能提升并不明显时，他们深入调查发现了问题所在——不是模型不够强，而是开发者自己构建的约束框架，限制了模型智能的发挥。
这个发现引发了整个智能体开发理念的根本转变：从"如何约束模型"转向"如何解放模型"。
一、核心理念：给模型松绑
什么是真正的智能体？
在 Anthropic 的定义中，智能体不是简单的自动化工作流，而是：
模型具有自主性，能够自己选择调用哪些工具、处理结果、决定下一步行动。
这个定义的关键在于"自主性"——不是开发者预定义路径，而是模型根据情况动态决策。
为什么要"松绑"？
过去的问题：脚手架成为负担
早期开发者为了让模型"可控"，会构建大量框架：
这在模型能力有限时是必要的，但随着模型智能提升，这些约束反而：
四种典型束缚及其问题
① 工作流束缚（思维层）
预定义 Claude 应该走的路径。
例如规定"先搜索 → 再分析 → 最后总结"这样的固定流程。
问题：路径过于僵化，模型无法根据实际情况灵活调整策略。当遇到特殊场景时，预设的流程可能完全不适用。
② 重框架束缚（工具层）
使用复杂笨重的 Agent 开发框架（如 LangChain）。
这类框架往往：
- • 概念复杂：Chain、Agent、Memory、Tool 等大量抽象概念
对比案例：
- • LangChain 实现搜索：需要学习 Tool 概念 → 配置 Agent → 设置 Memory → 写一堆胶水代码
- • Claude 直接实现：开启 Web Search 开关 → 一行搞定
③ 脚手架束缚（实现层）
各种控制流程的辅助代码。
例如：手写工具输出解析逻辑、用 if-else 判断下一步执行什么、各种异常处理和重试机制。
问题：开发者以为是在"帮助"模型，实际上是在限制模型的自主决策能力。模型本身已经能处理这些逻辑，额外的脚手架反而添乱。
④ 过度规则束缚
设置了太多不必要的约束和规则。
问题：限制了 AI 的创造力，让它无法找到更优的解决方案。
现在的理念：工具而非框架
Brad Abrams（平台 PM 负责人）的核心观点：
“模型已经有很多能力，事实上即使是当前一代模型，里面的智能远比我们能够解锁的要多。如果你只是给模型它需要的工具，让它自由，让它能够以正确的方式使用这些工具，你就会得到很好的结果。”
实践案例：Web Search
Anthropic 推出服务器端 web search 工具后，一个有趣的现象出现了：
开发者只需要：
模型会自主：
整个过程几乎不需要额外的提示词或编排逻辑。
这揭示了一个深刻的转变：系统智能的应用点，从开发者的编排转向模型的自主决策。
二、开发实践：如何开始构建智能体
推荐起点：Claude Code SDK
对于刚开始构建智能体的开发者，Anthropic 强烈推荐 Claude Code SDK。
常见误解：“这不是编码工具吗？我不是在做编码应用。”
真实情况：Claude Code SDK 本质上是一个通用智能体 harness（循环运行时）。
当团队从中移除编码特定部分时，他们发现剩下的只是：
这些都是通用能力，可以解决各种各样的问题。
SDK 的核心价值：
关键工具和功能
1. 上下文管理：整理模型的"桌面"
问题：长运行的智能体任务可能产生大量工具调用，每个占用成百上千 tokens。
典型场景：一个研究任务可能触发 10-100 次工具调用，每次调用结果占用 100-1000 tokens，很快就会导致上下文窗口爆满，影响模型的专注度和性能。
解决方案：
① 智能删除旧工具调用
模型可以自主移除已经处理过的、不再需要的工具调用结果。
⚠️ 关键原则：只删除几轮之前已经完成决策的工具调用，千万不要删除刚调用的内容，否则模型会重复调用同一个工具。
② 墓碑标记（Tombstone）机制
删除工具调用时不是完全抹除，而是留下一个简短的"墓碑标记"。
例如：删除一次搜索工具调用后，留下注释：“这里曾调用过 Web Search 工具”
作用：
- • 保持上下文的连续性，同时大幅减少 token 占用
③ 保留最近工具调用
始终保留最近几次的工具调用结果，确保模型有足够信息做当前决策。
类比：就像整理桌面和笔记本——把旧资料归档（墓碑），保留最近的工作材料（最近调用），清理后可以更专注当前任务。
2. 智能体记忆：从经验中学习
人类 vs 模型的本质差异：
这就是问题所在：人类会越做越好，模型却在原地踏步。
记忆工具的突破：
让模型能够像人类一样"从经验中学习"。
工作机制：
- 2. 任务前读笔记：下次执行类似任务时，先查看历史笔记
- 3. 基于经验决策：根据过往积累的知识做出更优选择
技术实现：
效果：智能体能够持续学习，任务执行质量随时间提升，真正像人类员工一样从经验中成长。
3. Web Search & Fetch：自主研究能力
模型可以：
三、企业应用：业务价值与规模化
用例选择：超越技术思考
Caitlin Lesse（工程负责人）的建议：
企业在选择智能体用例时，应该认真思考：
能够清晰阐明预期结果，有助于更好地定义智能体的范围。
从原型到生产：SDK 可以规模化吗？
回答：可以
Claude Code SDK 提供的是一个智能体循环运行时，可以部署到任何你需要的位置。
但 Anthropic 的野心不止于此——他们正在构建：
可观测性：长运行任务的关键
挑战：
解决方案： Anthropic 将可观测性作为平台重点方向，让企业能够：
这对于需要部署可信智能体的企业至关重要。
四、平台优势：为什么用官方平台？
不只是"更方便"，而是"更强大"
内部协同优势：
Caitlin 的观点：
“如果目标是帮助用户真正提升智能天花板，那么更高阶的抽象不仅仅是让它更容易，而是我们如何真正帮助你获得最好的结果。因为我们和研究在同一个房间，我们知道如何确保我们的抽象、我们的智能体循环将非常强大，非常擅长与 Claude 一起工作。”
从 API 到完整生态系统
Claude 开发者平台（前身 Anthropic API）的演变：
过去：简单的模型访问接口
现在：完整平台，包含：
- • Context Management（上下文管理）
验证：连 Claude Code 这样的内部产品都构建在公共平台之上。
五、未来展望：自我改进的飞轮
近期路线图
Caitlin 描绘的愿景：
将三个要素结合起来：
这将形成一个自我改进的飞轮：
长期愿景：给 Claude 一台计算机
Brad 最兴奋的方向：
“如果我们在 Anthropic 雇用一个员工，但不给他们一台计算机，他们不会非常成功。现在基本上每个人都在使用没有计算机的 Claude。”
当前进展：
- • 代码执行工具：模型可以在 VM 上编写和执行代码
未来想象：
结语：从编排者到赋能者
Anthropic 的智能体开发理念，核心是一个思维方式的转变：
过去：开发者是编排者
现在：开发者是赋能者
Alex Albert 在访谈开头的一句话，揭示了这个转变的深层原因：
“作为开发者，我的创造力在某个时候就结束了。我只能想到这么多用例，但模型，面对任何人带来的任何东西，都会找到方法去做那件事。”
当我们给模型足够的工具和自由，它能发现我们想不到的解决方案。
这就是"给模型松绑"的真正含义——不是放任不管，而是相信模型的智能，为其提供发挥能力所需的一切，然后让它自主决策。
随着模型能力持续提升，这个理念将变得越来越重要。智能体的未来，不是更重的框架，而是更轻的约束、更强的工具、更大的自由。
粤ICP备14082021号
免费POC，
零成本试错
