openai 向左，anthropic 向右。一个围绕应用，一个围绕Agent。
Anthropic官方视频：关于他们如何制作智能体的思考。
虽然在推广他们的SDK，但里面还是有不少思考
本文对播客及英文原文进行了整理和排版，以便读者更好地理解。
原址：https://www.youtube.com/watch?v=XuvKFsktX0Q&t=5s
开篇：智能体开发的关键转折
在 AI 智能体开发领域，一个反直觉的现象正在发生：过去帮助模型的”脚手架”，现在反而成了阻碍。
当 Anthropic 团队发现一些客户升级到新模型后，性能提升并不明显时，他们深入调查发现了问题所在——不是模型不够强，而是开发者自己构建的约束框架，限制了模型智能的发挥。
这个发现引发了整个智能体开发理念的根本转变：从”如何约束模型”转向”如何解放模型”。
一、核心理念：给模型松绑
什么是真正的智能体？
在 Anthropic 的定义中，智能体不是简单的自动化工作流，而是：
模型具有自主性，能够自己选择调用哪些工具、处理结果、决定下一步行动。
这个定义的关键在于”自主性”——不是开发者预定义路径，而是模型根据情况动态决策。
为什么要”松绑”？
过去的问题：脚手架成为负担
早期开发者为了让模型”可控”，会构建大量框架：
- • 预定义执行路径
- • 设置各种护栏和边界
- • 用复杂编排逻辑引导模型
这在模型能力有限时是必要的，但随着模型智能提升，这些约束反而：
- • 阻碍模型发挥真实能力
- • 限制模型发现新的解决方案
- • 让新模型的提升无法体现
四种典型束缚及其问题
① 工作流束缚（思维层）
预定义 Claude 应该走的路径。
例如规定”先搜索 → 再分析 → 最后总结”这样的固定流程。
问题：路径过于僵化，模型无法根据实际情况灵活调整策略。当遇到特殊场景时，预设的流程可能完全不适用。
② 重框架束缚（工具层）
使用复杂笨重的 Agent 开发框架（如 LangChain）。
这类框架往往：
- • 概念复杂：Chain、Agent、Memory、Tool 等大量抽象概念
- • 代码量大：为了适配框架需要写大量配置代码
- • 升级受限：模型变强了，但框架反而成为性能瓶颈
对比案例：
- •LangChain 实现搜索：需要学习 Tool 概念 → 配置 Agent → 设置 Memory → 写一堆胶水代码
- •Claude 直接实现：开启 Web Search 开关 → 一行搞定
③ 脚手架束缚（实现层）
各种控制流程的辅助代码。
例如：手写工具输出解析逻辑、用 if-else 判断下一步执行什么、各种异常处理和重试机制。
问题：开发者以为是在”帮助”模型，实际上是在限制模型的自主决策能力。模型本身已经能处理这些逻辑，额外的脚手架反而添乱。
④ 过度规则束缚
设置了太多不必要的约束和规则。
问题：限制了 AI 的创造力，让它无法找到更优的解决方案。
现在的理念：工具而非框架
Brad Abrams（平台 PM 负责人）的核心观点：
“模型已经有很多能力，事实上即使是当前一代模型，里面的智能远比我们能够解锁的要多。如果你只是给模型它需要的工具，让它自由，让它能够以正确的方式使用这些工具，你就会得到很好的结果。”
实践案例：Web Search
Anthropic 推出服务器端 web search 工具后，一个有趣的现象出现了：
开发者只需要：
- • 打开 web search 开关
- • 给模型一个研究任务
模型会自主：
- • 决定搜索什么关键词
- • 评估哪个搜索结果更相关
- • 对有价值的链接进行 web fetch
- • 基于获取的信息决定下一步搜索策略
- • 完成深度研究任务
整个过程几乎不需要额外的提示词或编排逻辑。
这揭示了一个深刻的转变：系统智能的应用点，从开发者的编排转向模型的自主决策。
二、开发实践：如何开始构建智能体
推荐起点：Claude Code SDK
对于刚开始构建智能体的开发者，Anthropic 强烈推荐 Claude Code SDK。
常见误解：“这不是编码工具吗？我不是在做编码应用。”
真实情况：Claude Code SDK 本质上是一个通用智能体 harness（循环运行时）。
当团队从中移除编码特定部分时，他们发现剩下的只是：
- • 一个智能体循环
- • 访问文件系统的能力
- • 一组 Linux 命令行工具
- • 编写和执行代码的能力
这些都是通用能力，可以解决各种各样的问题。
SDK 的核心价值：
- • 自动管理 prompt caching
- • 处理工具调用循环
- • 让开发者从更高的抽象层开始
- • 避免每个人重复实现相同的基础设施
关键工具和功能
1. 上下文管理：整理模型的”桌面”
问题：长运行的智能体任务可能产生大量工具调用，每个占用成百上千 tokens。
典型场景：一个研究任务可能触发 10-100 次工具调用，每次调用结果占用 100-1000 tokens，很快就会导致上下文窗口爆满，影响模型的专注度和性能。
解决方案：
① 智能删除旧工具调用
模型可以自主移除已经处理过的、不再需要的工具调用结果。
⚠️关键原则：只删除几轮之前已经完成决策的工具调用，千万不要删除刚调用的内容，否则模型会重复调用同一个工具。
② 墓碑标记（Tombstone）机制
删除工具调用时不是完全抹除，而是留下一个简短的”墓碑标记”。
例如：删除一次搜索工具调用后，留下注释：“这里曾调用过 Web Search 工具”
作用：
- • 告诉模型”这里曾经有什么”，避免完全失忆
- • 防止模型重复调用已经用过的工具
- • 保持上下文的连续性，同时大幅减少 token 占用
③ 保留最近工具调用
始终保留最近几次的工具调用结果，确保模型有足够信息做当前决策。
类比：就像整理桌面和笔记本——把旧资料归档（墓碑），保留最近的工作材料（最近调用），清理后可以更专注当前任务。
2. 智能体记忆：从经验中学习
人类 vs 模型的本质差异：
| 对比维度 | 人类 | 传统模型 |
|---|---|---|
| 第1次执行 | 基础表现 | A级表现 |
| 第5次执行 | 显著提升✓ | A级表现（几乎相同） |
| 学习能力 | 从经验中成长 | 每次都是”新手” |
这就是问题所在：人类会越做越好，模型却在原地踏步。
记忆工具的突破：
让模型能够像人类一样”从经验中学习”。
工作机制：
- 1.执行中做笔记：模型在任务过程中主动记录经验
- • “Wikipedia 的信息比较可靠”
- • “应该优先使用数据库 A”
- • “这个 API 调用方式更稳定”
- 2.任务前读笔记：下次执行类似任务时，先查看历史笔记
- 3.基于经验决策：根据过往积累的知识做出更优选择
技术实现：
- • Anthropic 提供记忆工具 API
- • 开发者决定存储位置（云存储、本地数据库等）
- • 在控制权和便利性之间灵活平衡
效果：智能体能够持续学习，任务执行质量随时间提升，真正像人类员工一样从经验中成长。
3. Web Search & Fetch：自主研究能力
模型可以：
- • 自主决定搜索策略
- • 评估搜索结果质量
- • 深度抓取相关内容
- • 迭代优化研究路径
三、企业应用：业务价值与规模化
用例选择：超越技术思考
Caitlin Lesse（工程负责人）的建议：
企业在选择智能体用例时，应该认真思考：
- •业务价值是什么？
- • 真的会节省这么多工程时间吗？
- • 能消除多少手工工作？
- • 期望的结果是什么？
能够清晰阐明预期结果，有助于更好地定义智能体的范围。
从原型到生产：SDK 可以规模化吗？
回答：可以
Claude Code SDK 提供的是一个智能体循环运行时，可以部署到任何你需要的位置。
但 Anthropic 的野心不止于此——他们正在构建：
- • 更高阶的抽象，让企业开箱即用
- • 规模化的可观测性工具
- • 帮助企业真正”提升智能天花板”的平台能力
可观测性：长运行任务的关键
挑战：
- • 智能体可能执行数十甚至上百次工具调用
- • 如何确保它在做正确的事？
- • 如何审计和调试？
- • 如何优化提示词和工具配置？
解决方案： Anthropic 将可观测性作为平台重点方向，让企业能够：
- • 追踪智能体的决策过程
- • 审计自主行为
- • 调整和优化性能
这对于需要部署可信智能体的企业至关重要。
四、平台优势：为什么用官方平台？
不只是”更方便”，而是”更强大”
内部协同优势：
- • 平台团队与研究团队在同一屋檐下
- • 确保抽象层最适配模型能力
- • 每次模型发布，平台能力自动提升
Caitlin 的观点：
“如果目标是帮助用户真正提升智能天花板，那么更高阶的抽象不仅仅是让它更容易，而是我们如何真正帮助你获得最好的结果。因为我们和研究在同一个房间，我们知道如何确保我们的抽象、我们的智能体循环将非常强大，非常擅长与 Claude 一起工作。”
从 API 到完整生态系统
Claude 开发者平台（前身 Anthropic API）的演变：
过去：简单的模型访问接口
现在：完整平台，包含：
- • Messages API
- • Prompt Caching（提示词缓存）
- • Batch API（批处理）
- • Web Search & Fetch
- • Code Execution（代码执行）
- • Context Management（上下文管理）
- • Agent Memory（智能体记忆）
验证：连 Claude Code 这样的内部产品都构建在公共平台之上。
五、未来展望：自我改进的飞轮
近期路线图
Caitlin 描绘的愿景：
将三个要素结合起来：
- 1.更高阶的抽象– 更简单地获得最佳结果
- 2.可观测性– 从长运行任务获得洞察
- 3.记忆能力– 从经验中学习
这将形成一个自我改进的飞轮：
- • 智能体不只是完成任务
- • 而是随着时间越做越好
- • 持续优化自己的表现
长期愿景：给 Claude 一台计算机
Brad 最兴奋的方向：
“如果我们在 Anthropic 雇用一个员工，但不给他们一台计算机，他们不会非常成功。现在基本上每个人都在使用没有计算机的 Claude。”
当前进展：
- • 代码执行工具：模型可以在 VM 上编写和执行代码
- • 处理图像、分析 Excel、创建数据可视化
未来想象：
- • 持久的计算环境
- • 模型可以按需组织文件
- • 按自己想要的方式设置工具
- • 真正像一个有完整工作环境的员工
结语：从编排者到赋能者
Anthropic 的智能体开发理念，核心是一个思维方式的转变：
过去：开发者是编排者
- • 设计执行路径
- • 设置约束边界
- • 用脚手架引导模型
现在：开发者是赋能者
- • 提供工具而非框架
- • 解放而非约束
- • 让模型发挥真实智能
Alex Albert 在访谈开头的一句话，揭示了这个转变的深层原因：
“作为开发者，我的创造力在某个时候就结束了。我只能想到这么多用例，但模型，面对任何人带来的任何东西，都会找到方法去做那件事。”
当我们给模型足够的工具和自由，它能发现我们想不到的解决方案。
这就是”给模型松绑”的真正含义——不是放任不管，而是相信模型的智能，为其提供发挥能力所需的一切，然后让它自主决策。
随着模型能力持续提升，这个理念将变得越来越重要。智能体的未来，不是更重的框架，而是更轻的约束、更强的工具、更大的自由。
