Anthropic 分享智慧體設計指南：精簡外圍腳手架，讓 Claude 自己管上下文

很多團隊做 AI Agent 時，總習慣在外圍寫一堆複雜的排程邏輯、硬編碼過濾規則和向量檢索。但 Anthropic 聯合創始人 Chris Olah 說過一句話：像 Claude 這樣的生成式 AI 系統，與其說是被「造」出來的，不如說是自己「長」出來的。外面的腳手架如果搭得太死，模型一旦變聰明，寫死的設計反而成了絆腳石。

Anthropic 釋出了一份 Agent 腳手架（Agent Harness）設計指南，給出了平衡智慧、延遲和成本的三大模式。核心思想很直接：不要替模型做太多主，多用它早就擅長的通用工具，把排程、上下文清理甚至長期記憶的決定權逐步交還給模型。

別替 AI 過濾資料，給它一個命令列

很多人以為給 Agent 塞越精細的自研工具越好，但 Anthropic 指出，最管用的其實是模型最熟悉的基礎工具：bash 和文本編輯器。早在 2024 年底，Claude 3.5 Sonnet 只靠這兩個工具，就在 SWE-bench Verified 榜單上拿到了 49% 的好成績，而現在的 Claude Code 也是基於這套骨架。

更關鍵的轉變是「模型自排程」。以前傳統的做法是：AI 調一次工具，腳手架就把返回的結果原封不動轉成 token 塞進上下文，再讓模型決定下一步。假設你要讀一張巨大表格里的一列，成百上千行無關資料都會白白燒掉你的 token 和注意力。

Anthropic 建議給 Claude 一個程式碼執行環境（比如 bash 或特定語言的 REPL），讓它自己寫程式碼來呼叫工具和串聯邏輯。資料可以在執行環境裡被過濾、管道傳輸，只有最終結果才返回上下文。在網頁瀏覽基準 BrowseComp 上，允許 Opus 4.6 自己過濾工具輸出後，準確率直接從 45.3% 飆到了 61.6%。

像人類玩寶可夢一樣自己記筆記

在上下文管理上，過去的做法是往 System Prompt 裡塞一堆詳盡指令。但 Anthropic 認為這會浪費寶貴的注意力預算。他們建議採用 Agent Skills 的漸進式載入：平時上下文裡只放簡短的 YAML 說明，Claude 覺得需要時再去讀取完整檔案。

面對超長任務的記憶，Anthropic 也傾向於讓模型自主決定記什麼，而不是靠外掛複雜的檢索架構。他們讓模型把記憶寫進本地資料夾。在 BrowseComp-Plus 測試中，給 Sonnet 4.5 一個記憶資料夾，準確率就從 60.4% 提升到 67.2%。

Anthropic 舉了個好玩的寶可夢遊戲測試：Sonnet 3.5 玩遊戲像記流水賬，跑了 14,000 步存了 31 個檔案，連綠毛蟲和獨角蟲的區別都各記了一遍，人還在第二個村子打轉；而到了 Opus 4.6，同樣的步數下只留了 10 個井井有條的檔案，不僅拿了 3 枚道館徽章，還總結出了具體戰術，比如記下了「喇叭芽會用催眠粉加纏繞，必須搶先用咬住把它秒掉」。

此外在系統邊界上，Anthropic 提醒開發者要注意 Prompt 快取機制以削減 90% 的輸入成本：把靜態內容放最前、不要中途切模型、用系統提醒代替改寫主提示詞。至於專用的宣告式工具，只該留給高危操作攔截、使用者確認彈窗和結構化日誌審計。

為什麼重要

我們認為，這份設計指南是當下 Agent 開發者最該讀的「減法說明書」。過去一兩年裡，行業裡堆積了太多過度設計的 Agent 框架，外圍寫了成千上萬行路由和兜底邏輯。結果模型版本一迭代，這些複雜的硬編碼不僅沒用，反而卡死了新模型的發揮。

對開發者來說，這套思路非常實操。如果你正在做企業級 Agent，現在就可以回去檢查程式碼：那些死板的資料提取流水線，是不是完全可以讓 Claude 自己寫一段 Python 指令碼在沙箱裡跑完？把排程權下放給程式碼執行，立竿見影的效果就是省 token 和降延遲。

不過，這種「把控制權交給模型」的做法也有隱患。給模型開放 bash 和執行環境，對沙箱隔離和安全防護提出了極高要求。一旦防禦做不到位，大模型寫出的執行程式碼就可能帶來系統級風險。Anthropic 強調只對高危行為保留強型別工具，這本身就是對開發者架構設計能力的一次考驗：什麼時候該放權，什麼時候該收網，分寸並不好拿捏。