# How We Build Effective Agents: Barry Zhang, Anthropic

- Channel: [AI Engineer](https://www.youtube.com/channel/UCLKPca3kwwd-B59HNr-_lvA)
- Published: 2025-04-04
- Source video: [Watch on YouTube](https://youtube.com/watch?v=D7_ipDqhtwk)
- Read on ReadTube: https://www.read.tube/p/videos/D7_ipDqhtwk
- Language: Simplified Chinese

## Summary

**构建高效智能体**

Barry Zhang 总结了构建智能体的三条原则：不要为所有任务都上智能体、尽量保持设计简单、并且要站在智能体的视角思考。演讲强调，只有在任务复杂、价值足够高、错误可控且易验证时，智能体才真正值得部署。

Barry Zhang 回顾了从单次模型调用，到预定义工作流，再到可自主决策的智能体系统的演进，并指出智能体虽然更强大，但同时也带来更高的成本、延迟和错误风险。因此，团队不应把智能体当成通用升级方案，而应把它视为用于处理复杂、高价值任务的工具。真正适合智能体的场景，通常具备较高的不确定性、足够的任务价值、可拆解的关键能力，以及较低或可控的错误代价。

他给出了一套判断标准：如果任务的决策树很清晰，就应该直接用工作流；如果预算很紧，就应优先覆盖最常见路径；如果核心能力存在明显瓶颈，就要先缩小任务范围再做。代码生成之所以适合智能体，是因为它既复杂又高价值，而且结果可以通过单元测试和持续集成较容易验证。

在实现上，他主张尽量保持结构简单，把智能体理解为“模型在循环中使用工具”的系统，核心只包括三部分：环境、工具和系统提示词。不同产品表面看起来差异很大，但底层往往可以复用同一套骨架；真正需要优先打磨的是工具设计和提示词，而不是一开始就堆叠复杂架构。后续的优化可以围绕降成本、降延迟和提升用户信任展开。

- 先判断任务是否真的适合智能体，再决定是否采用。
- 优先用最少的环境、工具和提示词搭建可工作的原型。
- 迭代时要把自己放进智能体的上下文里，检查它实际能看到什么、理解什么、执行什么。
- 对于计算机使用类智能体，要特别关注屏幕信息、动作反馈和操作限制，因为它们的世界感知极其受限。
- 他还提出三个未来方向：更强的预算控制、自我演化的工具设计、以及更常见的多智能体协作。

最后，他强调团队应持续以“像智能体一样思考”的方式调试系统，理解模型在有限上下文中的决策过程，从而缩小人类设计者与智能体真实行为之间的差距。整场演讲的核心结论是：先选对场景，再保持简单，最后站在智能体的立场上不断打磨。