大腦與骨架的協奏曲：解構 AI Agent 的系統設計哲學
LLM 是一個強大但充滿不確定性的引擎。一個好的架構師，懂得在 Anthropic 提倡的 Workflows 與 Agents 之間靈活切換——在需要穩定的地方建立流水線，在需要創意的地方釋放代理人。
在人工智慧的熱潮中，「AI Agent（代理人）」被描繪成無所不能的數位管家。但在我們這些實際部署系統的工程師眼中，Agent 並不是魔法，而是一種精密的系統架構。
原始詳細調查跟學習筆記在此：https://schwannden.github.io/ai-agent-study/zh-tw/
核心解構：Workflow vs. Agent
在深入設計模式之前，我們必須先釐清 Anthropic 提出的一個關鍵區別：你是需要一個 Workflow（工作流），還是一個 Agent（代理人）？
1. Workflows（工作流）：確定性的路徑
這是將 LLM 與工具透過預定義的程式碼路徑（Predefined Code Paths） 串接起來的系統。
- 特點：路徑是固定的，LLM 僅負責執行節點內的任務（如摘要、分類）。
- 優點：高度可預測（Predictability）、一致性高。Anthropic 強烈建議從這裡開始。
- 適用場景：資料清洗、翻譯流水線、內容分類。
2. Agents（代理人）：動態的決策
這是讓 LLM 動態控制（Dynamically Direct） 流程與工具使用的系統。
- 特點：LLM 自行決定下一步該做什麼，甚至決定何時停止。
- 優點：靈活性極高，能處理開放式問題。
- 代價：延遲高、成本高、且容易出現錯誤累積（Compounding Errors）。
工程黃金法則：LLM 負責 「決策與推論（Reasoning）」，而 Agent 架構負責 「邊界控制與執行（Control & Execution）」。
三種架構模式：從敏捷到嚴謹
根據 Schwannden 的 AI 研究筆記 以及 Anthropic 的設計模式，我們可以將常見的架構歸納為以下三種。這不僅是風格的選擇，更是成本、延遲與準確度的權衡。
1. The Dynamic Looper（動態迴圈）：ReAct 模式
對應 Anthropic 概念：Autonomous Agent
這是最直觀、最敏捷的模式，也是典型的「Agent」。
- 運作機制：思考（Reason）→ 行動（Act）→ 觀察（Observe）。LLM 根據當下情況動態決定下一步，形成一個即時的反饋迴圈。
- 工程視角：這是一個單執行緒的狀態機。
- 優點：極高的靈活性，能處理未知的動態問題。適合 MVP（最小可行性產品）。
- 缺點：錯誤累積（Error Propagation）風險高。Anthropic 警告，這種自主性在缺乏護欄的情況下，容易讓模型在錯誤的路徑上越走越遠。
📚 技術深讀：ReAct 模式概覽實作參考：Claude ReAct Implementation
2. The Systematic Pipeline（系統化流水線）：Plan-Execute-Verify 模式
對應 Anthropic 概念：Orchestrator-Workers & Evaluator-Optimizer
當任務容錯率低（如法律審查、金融操作）時，我們不能依賴 LLM 的即興發揮。我們需要將流程結構化為 Workflow。
- 運作機制：這是關注點分離的極致體現，Anthropic 將其細分為兩種強大的子模式：
- Orchestrator-Workers（指揮家-工人）：一個中央 LLM（Planner）將任務拆解，分發給多個 Worker LLM（Executor）平行處理。適合複雜的編碼或資料蒐集任務。
- Evaluator-Optimizer（評估者-優化者）：一個 LLM 生成內容，另一個 LLM（Verifier）負責評估並提供反饋，形成優化迴圈。
- 工程視角：這類似於 Map-Reduce 模型。它犧牲了延遲與 Token 成本，換取了輸出的可預測性與可靠性。
📚 技術深讀：PEV 架構概覽實作參考：Claude Planning Implementation
3. The Collaborative Guardrail（協作護欄）：Human-in-the-Loop 模式
對應 Anthropic 概念：Human-in-the-Loop Workflow
在某些高風險場景，AI 不應是全自動的黑盒子。
- 運作機制：系統在關鍵決策點（Critical Junctions）會「掛起（Suspend）」執行狀態，請求人類介入。Anthropic 特別強調在 Coding Agents 或客戶支援場景中，這種模式是確保安全與合規的關鍵。
- 關鍵技術：這考驗後端架構的 「持久化狀態管理（Persistent State）」。
- 哲學：這是**安全與合規（Safety & Compliance）**的最終防線。
📚 技術深讀：人機協作概覽實作參考：Human-in-the-Loop Implementation
架構決策指南：Anthropic 的建議
身為技術決策者，該如何選擇架構？Anthropic 給出了非常務實的建議：從簡單開始（Start Simple）。
- 優先考慮 Workflow (Prompt Chaining / Routing)
- 如果任務可以被拆解為固定的步驟（例如：先寫大綱，再寫文章），請使用 Workflow。不要為了用 Agent 而用 Agent。
- 這樣可以獲得更低的延遲和更高的可靠性。
- 何時升級為 Agent？
- 當問題是開放式的（Open-ended），且你無法預測需要多少步驟才能解決時（例如：「幫我修復這個程式碼庫中的 Bug」）。
- 這時你需要 ReAct 模式的靈活性，但請務必加上 Sandbox 環境進行測試。
- 追求品質的終極手段：Evaluator-Optimizer
- 如果你發現單次生成的品質不夠好，加入一個「評估者」步驟往往比不斷調整 Prompt 更有效。這就是 PEV 模式的核心價值。
結語：在混沌中建立秩序
構建 AI Agent 的藝術，在於用確定性的程式碼去駕馭機率性的模型。
LLM 是一個強大但充滿不確定性的引擎。一個好的架構師，懂得在 Anthropic 提倡的 Workflows 與 Agents 之間靈活切換——在需要穩定的地方建立流水線，在需要創意的地方釋放代理人。
下一次當你設計系統時，請記得：Complexity is a cost（複雜度是一種成本）。 只有在簡單的 Workflow 無法滿足需求時，才引入自主的 Agent。
參考資源：
