《把子代理折叠回主循环：Anthropic 谈智能体架构的新取舍》

Wed, 28 Oct 2026 13:05:13 GMT

《把子代理折叠回主循环：Anthropic 谈智能体架构的新取舍》

标签：
#人工智能 #智能体架构 #子代理 #渐进式披露 #单一智能体循环 #评估驱动迁移

总结：
这是 Anthropic 应用 AI 团队于 2026 年 10 月 22 日发布的企业智能体架构指南。核心观点是：随着模型能力增强（从 Opus 4.5 开始），许多企业多智能体系统里的路由、规划器和领域子代理其实在替模型做它已经不再需要的"结构性工作"，把这些部分折叠回一个主循环（配合 skills + tools 的渐进式披露），往往在质量、成本和延迟上同时更优——但文章并不否定子代理，而是强调用评估驱动、一次只改一处的迁移方式来决定每个子代理的去留。

文章要点：
1. 多个企业部署的对比显示，"单智能体 + skills"的设计在质量上经常同时胜过"一个大提示词包揽一切"和"子代理架构"两种方案，且单位任务的成本和延迟更低；有客户测得多智能体框架换成单循环后运行速度约快 2 倍。
2. 按团队或问题类型划分子代理，会让架构变成组织架构图的复制品（康威定律），并带来五类典型问题：上下文交接丢细节、子代理泛滥无人负责、各团队往系统提示里加规则造成的"缝合怪提示词"（Frankenprompt）、评估各自为政、以及额外延迟。
3. 单循环能成立靠两点：共享上下文让模型把各步骤结果串联起来，避免"传话游戏"式的层层摘要损耗；渐进式披露（先看到 skills 和 tools 的短描述，用到时才加载全文）消除了过去拆分子代理的主要理由——Anthropic 借此把 Claude Code 高阶模型的系统提示词缩减了 80% 以上。
4. 推荐的单循环形态是：一个模型、一个上下文窗口跑开放式工具循环，harness 里设好回合与成本预算、写入闸门；模型第一回合就在上下文里写计划并随结果修订——写计划的人和执行计划的人是同一个模型，这是与"编排器 + 专家代理"最大的区别。
5. 三类子代理应保留：单一循环因上下文膨胀出现可测量的性能退化时；多个任务需要并行处理、用完即弃的独立上下文时；单个智能体难以选对工具或系统提示中存在相互冲突的指令时。若保留，优先让主循环把它当工具调用，只有需要直接与用户对话时才做完整交接。
6. 迁移路径分三步走：先建一个中央团队维护的端到端评估集（10 条黄金样本即可起步）；从使用最多、上下文耦合最强的子代理开始合并；其余逐个折叠成 skills + tools，每次只改一处、用 hillclimb 对比"折叠前后"的表现再决定去留。
7. 配套工具已就绪：Claude API 提供 build-eval、prompt-audit、hillclimb、cost-optimize 等技能，并随附迁移套件（含可在模拟系统上试跑的演示），GitHub 上还有 Apache-2.0 的参考实现 single-agent-loop-kit。
8. 文章的落脚点是一个原则而非某种架构：持续测量、一次只改一件事、只保留经得起评估检验的部分——模型越强、循环越长，越多的子代理可以被 skills 和 tools 吸收。

URL：https://claude.com/resources/articles/building-agents-when-to-fold-subagents-into-your-main-agent-loop

Claude

Building agents: When to fold subagents into your main agent loop

When to consider using fewer subagents and how to migrate the into your main loop.

《如何更有野心：给有模型可用的人的教程》

Mon, 26 Oct 2026 23:26:47 GMT

《如何更有野心：给有模型可用的人的教程》

标签：
#人工智能 #个人效率提升 #人机协作 #模型能力边界 #自我效能感 #Altitude_Depth_Range

总结：
作者 Felix Rieseberg（Claude 团队成员）指出，AI 模型能力在各方向增长并不均衡，许多用户还停留在"问首都、改邮件"的浅层用法。他把"更有野心"拆解为 Speed（速度）、Altitude（高度）、Depth（深度）、Range（广度）四种类型，并给出了每种类型的具体操作方法——从"让模型对结果负责"而非"执行单个任务"，到"用行业顶尖专家的工具和方法"，再到"用跨领域团队思维重写任务"，最后还从心理学角度（自我效能感）解释了为什么这种"野心"需要刻意练习。

文章要点：
1. 野心分四种：速度（省时间，已基本普及，无需多讲）、高度（关注目标之上的目标）、深度（像顶尖专家那样做任务）、广度（引入多个领域的视角与方法）。
2. 高度（Altitude）的关键问题是"下一步你想要什么结果"：别只让模型填季度报告模板，而是让它分析全部数据找出变化与原因、推演最紧迫的三个决策、甚至设计一套比季度汇报更好的业务监控机制。
3. 深度（Depth）的核心是坚持让模型使用行业顶级专家的工具，而非表面模仿专业术语：用数据库和统计模型替代 Markdown 表格，设定看似不合理的高目标，让模型用原始数据对抗性检验既有假设，甚至构建仿真模型产出"新知识"。
4. 不要自我评判，要用外部裁判：作者在 2026 年 10 月仍坚持模型不能可靠地自我评估，最好用可运行的工具或测试来验证结果。
5. 广度（Range）的技巧之一是把名词换成动词：季度报告不是"一份 PPT"，而是"让忙碌的人在 30 分钟内相信因果故事并做出不确定决策"，然后再像组建抢劫团队一样，为任务引入分析师、记者、编辑、做空者、法务会计等不同角色真正在"做的事"。
6. 这一切的前提是模型要有电脑可用——能装软件、能访问数据（如 MCP 连接器），而不是只在一个聊天框里空转。
7. 从心理学看，这本质是"自我效能感"问题：人类只敢在自己熟悉的窄领域相信自己能成功；好在这可被"破解"——设定具体的高难度目标（Locke 和 Latham 35 年研究）、看到别人做到后跟上（四分钟一英里、破二马拉松），以及允许自己失败（Linux 当年也只是"爱好"）。

URL：https://felixrieseberg.com/how-to-be-more-ambitious-a-tutorial-for-humans-with-models/

Felix Rieseberg

How to be more ambitious: A tutorial for humans with models

“We’re not ambitious enough” is easy to post and hard to follow. Here’s a practical tutorial, with prompts.

人工智能 | 锤子前端

《把子代理折叠回主循环：Anthropic 谈智能体架构的新取舍》

《如何更有野心：给有模型可用的人的教程》