本文介绍了Anthropic团队在构建支持编码智能体的框架中的实战经验。文章从初步构建的双层多智能体架构讲起探讨了随着运行时间增加和任务复杂度提升时出现的常见故障模式如上下文窗口填满导致模型失去连贯性和自我评估模块失效问题并给出了相应的解决方法。随后文章介绍了改进后的三层Agent系统包括规划器、生成器和评估器的设计以及如何通过开发契约和文件通信来优化Agent之间的协作。最后文章总结了随着模型能力的提升框架需要进行的调整和删减强调了在大模型应用开发中不断寻找新颖组合的乐趣。编程Agent的工程实践来自Anthropic的实战经验初步构建在构建能够支持编码智能体长时间运行框架的时候Anthropic团队使用的是任务初始化Agent编码智能体的简单的两层多智能体架构设计随着运行时间的增加和任务的复杂度提升出现了两种常见的故障模式1. 随着上下文窗口逐渐填满模型会失去连贯性同时部分模型还会表现出“上下文焦虑”尤其是Sonnet 4.52. 在设计自我评估的模块时当要求Agent评估自己生成的作品时其往往会自信的给予高度赞扬这很容易导致评估模块失效 对于第一个问题Anthropic团队的解决方法是上下文重置完全清除上下文不仅仅是依赖上下文压缩并启动一个新的Agent同时配合结构化的交接机制该机制会传递前一个Agent的状态和后续步骤对于第二个问题将评估任务使用的Agent与执行任务使用的Agent分开也就是说不要在同一个Agent中即赋予任务执行也赋予任务评估虽然这种分离本身不能立即消除“评估宽容”“评估宽容”评估Agent依旧是一个LLM它会倾向于对LLM的生成的输出给予较高的评价这种分离的方式是目前最有效的解决方法啦至少可以有效降低评估与执行集中在同一Agent中所带来的失效风险二次迭代接下来Anthropic团队在原有框架的基础上再次进行了改进构建了一个三种Agent的系统1. 规划器它能够接收 1-4 句话的简单提示并将其扩展为完整的产品规格说明。我要求它在范围方面设定得更远大一些并专注于产品背景和高层技术设计而不是具体的实现细节2. 生成器以循环执行的方式工作每次从需求清单中选取一个子任务执行3. 评估器使用 Playwright MCP 模拟用户操作逐个点击运行中的应用程序测试 UI 功能、API 端点和数据库状态并且基于一套标准进行评分这套设计中有很核心的两点实践经验可以借鉴在每次子任务执行前生成器和评估器会一起协商一份开发契约在编写任何代码之前就这一部分工作的完成标准达成一致之所以有开发契约是因为在规划器书写需求清单的时候是有意写的比较概括的Anthropic团队希望通过这一步来弥合用户需求和可测试之间的差距 Agent之间的通信使用文件来进行一个Agent写入一个文件另外一个Agent读取该文件响应内容也可以写入该文件通过文件的读取写入来进行通信关于上面提到的评估器的标准的构建Anthropic的方式也非常值得学习团队要为前端的实现进行评估大家知道美学是无法完全使用分数来衡量的每个人的品味都不一样一千个读者眼中就有一千个哈姆雷特Anthropic给出的解决方案是:我们可以通过编码设计原则和偏好的评分标准来提升设计水平。“这个设计美观吗”很难给出一致的答案但“它是否符合我们对优秀设计的原则”则为 Claude 提供了一个具体的评分标准也就是说问题从“这个设计漂亮吗”变为了“这个设计符合我们的设计原则吗”举一个例子问“这篇文章写得好吗”这个很难回答因人而异问“这篇文章是否结构清晰、论据充分、语言流畅”这种情况下就有了具体的评估标准 将“模糊的主观判断”变为“可操作的评分标准”Anthropic团队关于前端设计标准分为四项1. 设计质量设计是否感觉像是一个连贯的整体而不是各个部分的简单堆砌优秀的设计意味着色彩、字体、布局、图像和其他细节相互融合共同营造出独特的氛围和风格2. 原创性是否存在自定义决策的痕迹还是仅仅使用了模板布局、库默认设置和人工智能生成的图案一位优秀的设计师应该能够识别出精心设计的创意。未经修改的现成组件——或者像白色卡片上叠加紫色渐变这样的人工智能生成痕迹——都无法体现原创性3. 工艺技术执行排版层级、间距一致性、色彩和谐、对比度。这考察的是能力而非创意。大多数合理的实现方式默认都能达标失败则意味着基本功薄弱4. 功能性可用性独立于美观性之外。用户能否理解界面功能找到主要操作并在不猜测的情况下完成任务对于Claude模型来说其本身在工艺和功能性上面表现就非常出色我们应该注重设计质量和原创性最终方案Anthropic团队对于这个框架不断的进行迭代最终的方案为因为模型的升级最终方案使用的是Opus4.6所以之前的设计方案有一些被移除啦1. 移除任务拆分的功能不需要小任务多次循环执行Opus4.6完全可以处理这种任务整体执行2. 移除了开发契约的功能评估器直接看最终产物不需要进行开发协商 总结对于Harness的设计不会是一成不变的随着模型基础能力的提升整个Harness是需要做删减和增加的。一个Agent的优化不仅是改变模型型号这么简单而是一些相应的工具和模块会成为模型的阻碍点是需要删除的当然对于Harness的组合设计空间并不会缩小它会不断的扩展而大模型应用开发工程师真正的乐趣或许在于不断寻找下一个新颖的组合最后本文节选自「大模型应用开发 - 上下文工程与运行空间实践指南」上下文工程是设计原则Agent Harness 是构建目标。完整内容已发布在 GitHub欢迎查看。 https://github.com/WakeUp-Jin/Practical-Guide-to-Context-Engineering小白/程序员如何系统学习大模型LLM由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】