第 7 问｜Anthropic 做 Agent 的 5 个反直觉结论

学 Agent 开发，很多人的路径是这样的。

找一套教程，跟着敲，Demo 跑起来了，然后遇到真实项目，就不知道该怎么办了。

出了问题，不知道该查哪里。是模型不行？是代码写错了？还是哪里没配好？

我今天想分享的，是 Anthropic 工程团队自己踩过的坑。

他们做 Claude、做企业 Agent 项目，把遇到的问题、得出的结论，写成文章公开出来了。

我挑了 5 篇，里面有几个结论，第一次看到的时候我觉得挺反直觉的。

01 他们发现，很多客户根本不需要做 Agent

文章标题： Building Effective Agents

原文链接：

https://www.anthropic.com/engineering/building-effective-agents

Anthropic 跟几十个不同行业的团队合作后发现一件有点反直觉的事：做得好的系统，往往用的是简单、可组合的模式，而不是复杂框架。

他们甚至直接建议，能用固定流程解决，就别急着把决定权全交给 Agent。

这句话从一家做 AI 的公司嘴里说出来，值得停一下想想。

02 同一个模型，提示词不同，结果能差十万八千里

文章标题： Claude Prompt Engineering Overview

原文链接：

https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/overview

拿客服分类来说，只告诉 AI“把问题分类”，和把分类标准、边界情况、什么时候转人工都说清楚，跑出来的效果可能完全不一样。

模型没有变，差的是任务有没有说清楚。

这套文档讲的不是某句万能咒语，而是怎么定义成功、测试结果，再一点点把 Prompt 改好。

03 Agent 越跑越笨，原因可能不是模型

文章标题： Effective Context Engineering for AI Agents

原文链接：

https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents

长任务做着做着，Agent 可能开始忘事、重复调用工具，连已经确认过的结论都找不到。

Anthropic 把一个重要原因叫作“context rot”：信息越来越多，模型反而更难抓住真正重要的东西。

这篇最值得看的，就是他们怎么决定哪些信息该留下，哪些应该压缩或者临时再找。

04 一个搜索问题，最后靠改工具描述解决了

文章标题： Writing Effective Tools for Agents — with Agents

原文链接：

https://www.anthropic.com/engineering/writing-tools-for-agents

Anthropic 上线 Claude 的网页搜索工具时，发现它总会在搜索词后面擅自加上“2025”，把结果越搜越偏。

最后他们没有换模型，而是改进了工具描述，把 Claude 引回了正确方向。

Agent 用不好工具，不一定是它不会，也可能是工具根本没让它看懂。

05 他们做了一个协议，后来把它捐了出去

文章标题： Introducing the Model Context Protocol (MCP)

原文链接：

https://www.anthropic.com/news/model-context-protocol

2024 年底，Anthropic 开源了 MCP，想解决 AI 每接一个文档库、数据库和业务系统，都要重新适配的问题。

后来 OpenAI、Google 等公司也开始支持 MCP。2025 年底，Anthropic 又把它捐给 Linux 基金会旗下的 Agentic AI Foundation，交给行业共同建设。

它已经不只是 Claude 自己的连接方案了。

06 最后

这 5 篇有个共同点：结论都没有在鼓吹 Agent 多厉害，反而一直在给它加限制、划边界。

很多任务不需要 Agent，信息不是越多越好，效果差也不一定要换模型。

如果只是想涨涨见识，挑一篇最感兴趣的开始就行。如果正在做 Agent 项目，里面大概率有你正在头疼的问题。

觉得有意思，可以转给也在关注 AI 的朋友。