Anthropic Engineer Explains: What to Build Instead of AI Agents
三句話摘要
Anthropic工程師放棄逐個構建代理,改為打造通用代理搭配精細化技能的系統架構,提高工作效率與輸出一致性。 通用代理搭配清晰技能、程式碼重用、持續修正與自動驗證的組合,能將一般性系統轉化為專為你的工作風格量身定製的智能助理。 系統架構類比:模型如處理器、代理運行時如作業系統、技能如應用程式,這個分層架構避免重複構建,讓同一基底為多種工作服務。
重點整理
系統架構類比:模型如處理器、代理運行時如作業系統、技能如應用程式,這個分層架構避免重複構建,讓同一基底為多種工作服務。
乾代碼原則(DRY):不要讓Claude每次都從零開始寫相同程式碼,將已驗證且運行良好的腳本保存到技能資料夾中供未來調用,節省tokens並確保一致性。
漸進式資訊加載:技能初始只暴露名稱與描述(YAML前置訊息),當prompt匹配時才載入完整說明文檔。明確的描述防止技能選擇衝突,讓Claude載入正確工具而非猜測。
驗證閉環:技能應內建檢查機制——截圖驗證排版、查證來源、多角色審閱——在初稿到達使用者前自動修正問題,而非讓人類反覆補正代理遺漏。
實用技巧與重點
- 系統層級對應:處理器=模型 | 作業系統=代理運行時 | 應用=技能
- 技能描述模板:「此技能從主題/逐字稿/大綱建立LinkedIn輪播圖。使用者要求輪播圖、幻燈片或LinkedIn文章貼文時觸發」
- 檢驗技能描述的三個測試:(1)明確匹配的請求 (2)措辭不同但仍應觸發的請求 (3)無關的請求應不觸發
- 修正流程:回溯根本原因 → 更新skill.md指令 → 加入參考檔案或規則 → 重新運行相同任務驗證
- 驗證方法:投影片=渲染為圖片檢查版面 | 研究報告=開啟主要來源核實聲稱 | 創意內容=多角色代理審閱(初學者視角、懷疑者角色、目標受眾)
結論
通用代理搭配清晰技能、程式碼重用、持續修正與自動驗證的組合,能將一般性系統轉化為專為你的工作風格量身定製的智能助理。
完整解析
Anthropic的Barry Jien與Mahesh Marog發現,他們為每項任務重新構建分立代理的做法浪費資源,因為基礎代理已變得遠比預期更通用。現代AI棧正在演變成類似手機生態的結構:硬體層的通用處理器由少數大公司製造,使用者選擇應用程式決定手機功能。同理,模型是通用的「處理器」,代理運行時是「作業系統」,技能是「應用程式」。Claude Code已能讀寫檔案、呼叫工具並推進任務,無須為每種工作重新構建——只需為特定任務附加包含流程、脈絡、腳本和案例的技能即可。
實踐上,第一步是停止讓Claude重複解決相同技術問題。團隊發現Claude每次對投影片套用樣式都重寫相同Python腳本,耗費大量tokens且結果不一致。解決方案是將已驗證的腳本存入技能作為「給未來自己的工具」,下次需要時直接執行。這遵循軟體開發的DRY原則(不重複自己)。開發者應告訴Claude:「將你剛寫的腳本存到技能資料夾,更新skill.md讓未來運行直接執行該檔案,然後重新運行技能驗證結果」。
第二步是精化技能選擇機制。Anthropic的「漸進式揭露」設計讓Claude初始只讀取各技能的名稱與描述(YAML前置訊息),當prompt匹配時才載入完整文檔。這避免了內容過載與脈絡紊亂。成功的關鍵是清晰的描述——「建立LinkedIn輪播圖」比「幫助內容創作」更具體,明確告訴Claude何時觸發。使用真實使用者會說的詞彙,確保技能之間無重疊。Claude Code可審計技能描述的衝突,建議以三種測試驗證:明確匹配的請求、措辭不同的重複、應排除的無關請求。
第三步將修正轉化為持久學習。每次Claude犯錯時,不只要求「修正」,而要追溯根本原因。若找不到存在的檔案,要求它展示搜尋過程、解釋遺漏原因、更新技能路由。技能應作為「如何執行此工作」的活的記錄:流程有誤則修改skill.md、缺乏品牌聲音則加入參考檔案、反覆錯誤則加入明確規則。重新運行相同任務驗證修正。技能是開放格式,核心技能資料夾可跨相容代理框架執行,但需用不同模型測試以捕捉隱藏假設。
第四步是內建驗證。最常見的缺陷是代理完成70-80%工作後交給人類完成最後20-30%。若你已知道如何檢查,就把檢查烤進技能。投影片應自動渲染為圖片檢查排版、研究報告應開啟來源驗證聲稱、創意內容應由多角色代理(初學者、懷疑者、目標受眾)審閱。驗證需要初稿外的證據——截圖、測試結果、來源、反饋——而非代理自我確認。技能應定義接受標準、建立初稿、檢查、修正、重新檢查,只在達成標準後呈現。你仍是最終判斷者,尤其涉及品味與策略時,但目標是讓代理自己捕捉明顯問題,你的首次檢視應是代理的第四、五、六次檢視。


