Anthropic 分享智能体设计指南：精简外围脚手架，让 Claude 自己管上下文

很多团队做 AI Agent 时，总习惯在外围写一堆复杂的调度逻辑、硬编码过滤规则和向量检索。但 Anthropic 联合创始人 Chris Olah 说过一句话：像 Claude 这样的生成式 AI 系统，与其说是被「造」出来的，不如说是自己「长」出来的。外面的脚手架如果搭得太死，模型一旦变聪明，写死的设计反而成了绊脚石。

Anthropic 发布了一份 Agent 脚手架（Agent Harness）设计指南，给出了平衡智能、延迟和成本的三大模式。核心思想很直接：不要替模型做太多主，多用它早就擅长的通用工具，把调度、上下文清理甚至长期记忆的决定权逐步交还给模型。

别替 AI 过滤数据，给它一个命令行

很多人以为给 Agent 塞越精细的自研工具越好，但 Anthropic 指出，最管用的其实是模型最熟悉的基础工具：bash 和文本编辑器。早在 2024 年底，Claude 3.5 Sonnet 只靠这两个工具，就在 SWE-bench Verified 榜单上拿到了 49% 的好成绩，而现在的 Claude Code 也是基于这套骨架。

更关键的转变是「模型自调度」。以前传统的做法是：AI 调一次工具，脚手架就把返回的结果原封不动转成 token 塞进上下文，再让模型决定下一步。假设你要读一张巨大表格里的一列，成百上千行无关数据都会白白烧掉你的 token 和注意力。

Anthropic 建议给 Claude 一个代码执行环境（比如 bash 或特定语言的 REPL），让它自己写代码来调用工具和串联逻辑。数据可以在执行环境里被过滤、管道传输，只有最终结果才返回上下文。在网页浏览基准 BrowseComp 上，允许 Opus 4.6 自己过滤工具输出后，准确率直接从 45.3% 飙到了 61.6%。

像人类玩宝可梦一样自己记笔记

在上下文管理上，过去的做法是往 System Prompt 里塞一堆详尽指令。但 Anthropic 认为这会浪费宝贵的注意力预算。他们建议采用 Agent Skills 的渐进式加载：平时上下文里只放简短的 YAML 说明，Claude 觉得需要时再去读取完整文件。

面对超长任务的记忆，Anthropic 也倾向于让模型自主决定记什么，而不是靠外挂复杂的检索架构。他们让模型把记忆写进本地文件夹。在 BrowseComp-Plus 测试中，给 Sonnet 4.5 一个记忆文件夹，准确率就从 60.4% 提升到 67.2%。

Anthropic 举了个好玩的宝可梦游戏测试：Sonnet 3.5 玩游戏像记流水账，跑了 14,000 步存了 31 个文件，连绿毛虫和独角虫的区别都各记了一遍，人还在第二个村子打转；而到了 Opus 4.6，同样的步数下只留了 10 个井井有条的文件，不仅拿了 3 枚道馆徽章，还总结出了具体战术，比如记下了「喇叭芽会用催眠粉加缠绕，必须抢先用咬住把它秒掉」。

此外在系统边界上，Anthropic 提醒开发者要注意 Prompt 缓存机制以削减 90% 的输入成本：把静态内容放最前、不要中途切模型、用系统提醒代替改写主提示词。至于专用的声明式工具，只该留给高危操作拦截、用户确认弹窗和结构化日志审计。

为什么重要

我们认为，这份设计指南是当下 Agent 开发者最该读的「减法说明书」。过去一两年里，行业里堆积了太多过度设计的 Agent 框架，外围写了成千上万行路由和兜底逻辑。结果模型版本一迭代，这些复杂的硬编码不仅没用，反而卡死了新模型的发挥。

对开发者来说，这套思路非常实操。如果你正在做企业级 Agent，现在就可以回去检查代码：那些死板的数据提取流水线，是不是完全可以让 Claude 自己写一段 Python 脚本在沙箱里跑完？把调度权下放给代码执行，立竿见影的效果就是省 token 和降延迟。

不过，这种「把控制权交给模型」的做法也有隐患。给模型开放 bash 和执行环境，对沙箱隔离和安全防护提出了极高要求。一旦防御做不到位，大模型写出的执行代码就可能带来系统级风险。Anthropic 强调只对高危行为保留强类型工具，这本身就是对开发者架构设计能力的一次考验：什么时候该放权，什么时候该收网，分寸并不好拿捏。