网友拆解Anthropic公开Agent工程资料，整理成三级知识体系
感谢 uu 分享的这份 Anthropic 公开 Agent 资料 昨天分享了场失败的 Agent 面试，很多实战问题没发挥好。uu 推荐的这份公开资料，非常全面，我顺手让 grok 做了体系化拆解，大家藏好 —-Anthropic Agent Engineering 知识体系，TLDR; —- Anthropic Engineering 知识体系提炼（3级目录） 以下按技术书知识体系，对 中工程文章进行结构化整理。一级为知识领域，二级为子主题，三级为具体实践点 + 1-2句实战案例说明。
1. Agent 设计与架构模式 1.1 基础构建块与工作流模式 •增强型 LLM 与简单组合模式 从单次 LLM 调用 + 检索/工具开始，仅在验证有明确收益后再引入多步流程。实战案例：客户支持 Agent 通过工具查询客户数据与知识库、执行退款操作，以“成功解决工单”作为可量化指标，避免一上来就上复杂框架。 •Prompt Chaining / Routing / Parallelization 将任务拆成顺序步骤、按输入路由到不同提示、或并行执行子任务。实战案例：文学翻译使用 evaluator-optimizer 循环，一个模型翻译、另一个模型提供反馈迭代优化，显著提升风格与准确性。
1.2 自主 Agent 与长期运行 •自主循环与停止条件 LLM 动态规划、调用工具、根据环境反馈调整。实战案例：SWE-bench 风格编码 Agent 根据 PR 描述迭代修改多文件并运行测试，直到通过或达到明确停止条件。 •长运行 Agent 的 Harness 设计 为跨上下文窗口的任务设计初始化 Agent + 执行 Agent 的双阶段结构，并维护进度追踪。实战案例：通过结构化笔记（如 NOTES.md 或 to-do 列表）在上下文重置后恢复状态，使 Agent 能持续完成多小时任务。
1.3 托管 Agent 与脑手解耦 •Scaling Managed Agents 将“大脑”（规划与推理）与“手”（执行环境/沙盒）解耦，通过 session/harness/sandbox 分层接口提升可扩展性。实战案例：TTFT p50 降低约 60%，并支持更安全的自托管沙盒与 MCP 隧道。
2. 工具使用与 Agent Skills 2.1 工具设计原则 •Writing Effective Tools for Agents 工具应自包含、无重叠、参数明确、token 高效。实战案例：通过“原型 → 评估 → 优化”三阶段流程，用 Agent 自身迭代工具描述，减少模糊调用导致的错误。 •Advanced Tool Use 与 Programmatic Calling 支持 Tool Search、代码调用 MCP、工具使用示例等能力。实战案例：Agent 编写代码调用 MCP 工具而非直接自然语言调用，token 消耗可降低约 98.7%。
2.2 Agent Skills 与 Think Tool •Equipping Agents with Skills Skills 是可发现的文件夹（含 SKILL.md），预加载 name + description，按需动态加载完整内容。实战案例：为 PDF 处理等场景封装 Skill，将通用 Agent 快速特化为专业能力，类似给新员工提供入职手册。 •The “Think” Tool 在复杂工具调用场景中强制 Agent 暂停并输出思考步骤。实战案例：在 tau-bench 等基准上提升约 54%，与 Extended Thinking 形成互补。
3. 上下文工程与检索 3.1 上下文工程核心原则 •Context Engineering vs Prompt Engineering 上下文是有限资源，存在“context rot”和注意力预算限制，需持续 curated 高信号 token。实战案例：Claude Code 采用 just-in-time 检索（glob/grep/Bash），结合 CLAUDE.md 提供初始上下文，避免一次性加载全部代码库。 •Compaction 与结构化记忆 接近窗口上限时摘要历史、清除工具输出，并持久化关键笔记。实战案例：Pokémon 游戏 Agent 用结构化笔记记录等级、策略与进度，跨数千步与上下文重置仍保持连贯。
3.2 检索增强 •Contextual Retrieval 结合上下文嵌入 + BM25 + 重排序，显著降低检索失败。实战案例：相对传统 RAG，检索失败率降低约 67%，提升长文档问答准确性。
4. 评估与基准 4.1 Agent 评估方法论 •Demystifying Evals for AI Agents 强调可验证输出、环境噪声控制与多维度指标。实战案例：量化基础设施配置（资源分配与执行方式）对 agentic coding 评估结果的噪声影响，可达数个百分点，甚至超过模型间差距。 •AI-Resistant Technical Evaluations 设计随模型进步仍能区分人类与 AI 能力的评估。实战案例：性能工程 take-home 测试经过多轮迭代，Claude 在有限时间内超越多数人类候选人，但人类专家在长时程任务上仍保持优势。
4.2 具体基准与质量报告 •SWE-bench Verified 提升 通过模型与工程改进提升真实 GitHub issue 解决率。实战案例：Claude 3.5 Sonnet 将 SWE-bench Verified 得分提升至 49%，超越此前 SOTA。
5. Claude Code 与 Agentic Coding 实践 5.1 最佳实践与工作流 •Claude Code Best Practices 推荐探索 → 规划 → 编码 → 提交的四阶段流程，并管理上下文窗口。实战案例：使用 CLAUDE.md 维护项目规范，结合权限沙盒减少手动确认。
5.2 安全与自主性 •Beyond Permission Prompts & Auto Mode 通过两层防御与分类器减少权限提示，同时保持安全。实战案例：Claude Code auto mode 将假阳率从 8.5% 降至 0.4%，实现“拒绝即继续”的更安全自主执行。 •How we contain Claude across products 跨产品隔离与爆炸半径控制。实战案例：优先环境层隔离，自建组件视为最弱环节，通过产品级 containment 降低风险。
6. 基础设施、Harness 与工程实践 6.1 长运行与并行开发 Harness •Harness Design for Long-Running Application Development 采用 Planner/Generator/Evaluator 三 Agent 结构，类似 GAN 式生成-评估分离。实战案例：模型能力越强，Harness 可相应简化；通过并行 Claude 团队完成复杂系统构建。
6.2 源控制与工程基础设施 •Redesigning Source Control at Anthropic 日合并量从约 2500 增长至 30000+ 后，自研版本控制系统（Scion）并完成 monorepo 迁移。实战案例：五个月内完成从 Git 到自研系统的迁移，同时上线代码审查（Antique）、代码搜索与 IAM 能力，支撑 AI 驱动的超高速开发。
7. 多 Agent 系统与并行开发 7.1 研究型多 Agent •Multi-Agent Research System 主 Agent（更强模型）协调多个子 Agent 进行深度探索，子 Agent 返回压缩摘要。实战案例：在复杂研究任务上相对单 Agent 实现显著性能提升（约 90%+），通过 8 条提示工程原则控制协调成本。
7.2 并行 Agent 团队 •Building a C Compiler with Parallel Claudes 16 个 Claude 实例在共享 Git 仓库上自主协作，通过锁文件与 Docker 隔离协调任务。实战案例：近 2000 次会话、约 2 万美元 API 成本，产出约 10 万行 Rust C 编译器，可编译 Linux 6.9（x86/ARM/RISC-V）、QEMU、FFmpeg 等，并通过 Doom 编译测试。
使用建议：一级目录可直接作为技术书的“部分/篇”，二级作为章节，三级作为小节并配实战案例。重点阅读顺序建议从“1.1 基础模式”和“3.1 上下文工程”开始，再深入多 Agent 与 Claude Code 实践。所有内容均源自 Anthropic Engineering 公开文章，适合作为 AI Agent 工程实践的核心参考体系。