Agent Prompting的艺术：Anthropic AI团队的经验教训

Source: Dev.to

大多数“提示工程”建议都是为单轮聊天机器人编写的——而不是为在循环中使用工具、记忆和副作用的 agents 编写的。

Anthropic 的 Applied AI 团队最近分享了他们在构建 Claude Code 和研究型 agents 过程中的经验。下面是一份构建真实系统的实用指南。

关键要点

• 僵硬的 few‑shot / Chain‑of‑Thought 模板可能会 削弱 现代 agents 的表现。
• 提示设计必须考虑模型在 工具循环 中运行，而不是一次性回复。
• 为 agents 提供 启发式（搜索预算、不可逆性、“足够好” 的答案）。
• 对 工具选择 提供具体指导，避免 MCP‑style 工具冲突。
• 引导 agent 思考的策略（规划、交叉反思、何时停止）。

运行示例

Cameron AI，一个个人理财助理，展示了如何在实践中应用这些原则。

如果你正在使用 LangGraph、定制后端，或只是想防止 agents 过度搜索或无限循环，本指南可能会为你省去痛苦的迭代过程。

阅读完整文章：The Art of Agent Prompting