Anthropic's CCA Exam as a Field-Guide for Agentic Engineering — Frank Coyle, UC Berkeley

Frank Coyle 是 UC Berkeley 計算機科學教授，已教書超過 30 年。面對 agentic AI 時代的到來，傳統的計算機科學學位已不再是就業的魔法鑰匙。為了幫助學生適應新環境，他參與開發了 Claude Certified Architect 考試。

在計算機科學的發展史上，Beaman Jack 在 1966 年的經典定理至今仍是基礎：Turing 完整性只需要三個要素——順序執行、條件判斷和循環。當年不同程式語言為誰更強大而爭論不休，但最終這三個要素被證明是既充分又必要。如今在 agentic AI 的新時代，專家們已經發現了循環的新力量。Boris Churny 說他不寫代碼，他的工作是寫 loop；Peter Steinberger 也說他已經不寫代碼了，只設計 loop 來指導 agent。

Claude Certified Architect 考試於 3 月推出，包含五個主要領域，其中 agentic 架構占 27%、Claude Code 配置占 20%，其他還包括 prompt 工程、工具設計、聯繫管理與可靠性。考試不是單純的選擇題，而是基於六個實際生產場景，考試時隨機選擇其中四個，所有題目都圍繞這四個場景展開。

最關鍵的概念是理解「stop reason」。LLM 本質上只是一個概率性的下一個單詞預測器，它無法執行任何工具，只能告訴你應該如何設置參數讓你的代碼執行。在 customer support resolution 的場景中，你會進入一個 while 迴圈：首先調用模型，傳入訊息和可用工具；LLM 會返回一個 stop reason。如果是「tool_use」，表示 LLM 已經設置好參數要執行工具，你就執行它並將結果回傳給 LLM；如果是「end_turn」，表示任務完成，此時可以檢查信心度決定是呈現結果給用戶還是升級給人工；如果是「max_tokens」，表示 context 已滿 token 已用完，你需要採取應對措施。

另一個重要的反模式是「代理功能過載」。講者用雇傭木工的比喻說明：如果一個木工帶著所有可能的工具（木工工具、水管工具、電工工具）來，他可能根本不是專家。正確做法是讓每個代理只擁有一到兩個工具，專注做一件事。這還解決了一個隱藏的問題：當多個代理共享大量 context 時，它們會陷入「群體思維」，所有代理傾向於同樣的想法和結論。通過只給每個代理完成任務所需的資訊（比如在評論代理的情況下，只給 claim 和 evidence，而不是整個思考過程），可以保持代理的獨立性。

在開發生產力場景中，最重要的反模式是讓子任務的完整輸出傾倒到主線程中。正確做法是使用「context fork」——子任務在一個隔離的分支中執行，它所產生的所有思考和 token 都不會污染主 context。然後只把最終的摘要結果加回主 context。當 context 增長到 150,000 token 以上時，可以使用 Anthropic 提供的 context 壓縮算法來緊湊化，這不僅降低成本，也減少了 LLM 的混亂。

對於 CI/CD pipeline，絕不應該使用交互模式，因為這會導致 Claude 停下來請求權限。另外，Batch mode 是一個經濟的選項：以 50% 更低的 token 成本執行工作，代價只是至少 24 小時的等待。