学习使用 Anthropic 构建 Agent

最近每个人都在谈论 AI Agent，但说到底，大多数例子最终不过是简单的聊天机器人，只能总结文本。如果你已经厌倦了看那些"Hello World"级别的演示项目，我找到了更有趣的东西。cwc-workshops 仓库包含了 Anthropic 内部 Code with Claude 团队的研讨会资料。

这里没有枯燥的文档或营销承诺。这是一系列实用场景，展示了 Anthropic 工程师如何实际使用 Claude 来处理代码和构建复杂系统。

这个仓库里有什么

该项目包含九个研讨会，每个都是解决特定工程问题的独立小项目。一个重要的细节：仓库标记为"not maintained"，这意味着作者不打算更新代码或接受 pull request。从本质上讲，这是某个时间点的知识快照，但对于学习目的来说，这实际上更好——你看到的是一个"原样"的工作配置。

里面涵盖了广泛任务的场景：从按成本性能比选择最佳模型，到构建具有长期记忆的系统。大多数示例都围绕 Claude Managed Agents 和 MCP（Model Context Protocol）构建，这是 Claude 开发者目前正在积极推广的技术。

你能在这里学到什么

我重点介绍了几个最有趣的方向，能帮助你停止"猜测提示词"，开始设计系统。

从 Golfish 到 Colleague 的演进

在文件夹 agents-that-remember 中有一个处理 Agent"失忆"的出色示例。作者没有简单地传递聊天历史，而是提议使用记忆原语。首先启动一个在会话之间什么都不记得的 Agent，然后逐步添加存储和一个所谓的 Dreaming Service 来整合过去的对话。这是理解如何将一次性助手转变为了解你过去决策背景的系统的好方法。

停止凭感觉开发

研讨会 eval-driven-agent-development 可能是 90% 的 LLM 项目所缺少的东西。他们提议构建一个评估管道，而不是修改提示词然后希望它变好（我称之为"基于感觉的开发"）。你让 Agent 经历六次迭代（从简单实现到带有 QA 循环的复杂系统），并使用 XML 指标和基于另一个 LLM 的"裁判"以编程方式测量结果。

分工协作

在 agent-decomposition 中，他们展示了如何将一个巨大的 400 行提示词（通常迟早会出问题）拆分为具有明确角色和技能的多 Agent 系统。这是一种针对神经网络改编的经典分解方法。

技术栈

示例中的主要语言是 TypeScript。对于界面，他们经常使用 Streamlit（用于快速组装仪表板）或 Next.js。

支撑这些魔法的主要技术：

• Claude Managed Agents API：管理 Agent 生命周期。
• MCP (Model Context Protocol)：将 AI 连接到本地工具和数据库的标准。
• Vite + React：用于 Agent 需要与 DOM 交互的前端部分。

谁会在工作中发现这很有用

如果你正在从事内部流程自动化或构建需要 AI 做更多事情而不仅仅是回答问题的产品——它需要执行操作（编写代码、挖掘日志、在 Linear 中更新工单）——这些研讨会将为你节省数周的实验时间。

我特别推荐查看 ship-your-first-managed-agent。它涵盖了一个 SRE Agent 场景，需要在沙箱中分析 70,000 行日志，找到一个错误的 commit，并修复一个仪表板。这与我们在日常工作中面临的真实运维任务非常接近。

简短总结

cwc-workshops 项目并不是在向你推销 Claude。它展示的是架构模式：如何分解任务、如何测试变更、如何让 Agent 访问工具以确保它们不会破坏任何东西。

如果你计划将 Agent 部署到生产环境，腾出一个晚上，至少研究几个场景。这比阅读另一篇"50 个提高效率的提示词"文章有用得多。代码示例会让你理解模型如何通过 MCP 和技能与外部世界交互。