深入解析：AI Agent开发秘籍：Prompt工程与测评最佳实践（建议收藏反复研读）

本文详细介绍了AI Agent的构建与优化途径，强调Agent是自主推进任务的系统而非简单聊天机器人。文章指出Agent适用于艰难高价值任务，并系统阐述了Prompt工程的关键要素：明确目标与成功标准、设备选择原则、思考-行动-反思节奏等。同时提供了实用的测评方法，建议从简单小批量开始，结合LLM评审和人评，关注结果与过程双重指标。作者强调清晰提示与精简工具的重要性，以及逐步迭代、持续优化的制作理念。

---

最近搜了一些Agent相关的论文、文章、视频，企图从工艺底层抱抱佛脚…

正巧看到了Anthropic 8月1日在YouTube上发布了一个视频《Prompting for Agents | Code w/ Claude》，详细讲了如何写好Agent 的 Prompt、如何测评。

我现在很必须的内容，因此今天的文章主要分享下该视频的观点。就是正好

这支视频讲了啥（速览版）

• Agent 的正确定义：不是“更聪明的聊天机器人”，而是“在工具回路中自主推进任务的架构”：给定目标→选择/调用设备→观察→决定下一步→直到达成停止条件。
• 什么时候该用 Agent：适合困难、不确定路径、且高价值的任务；能被固定流程吃掉的，优先 Workflow。这个判断框架与 Anthropic 的工程文《Building effective agents》完全一致。
• 如何写好提示词：要写清目标与成功标准、设备选择原则、思考—行动—反思节奏、启发式（预算/不可逆动作/停机条件）、输出契约等；否则只是在给模型加戏。
• 测评从轻松、小批量开始：先把最小可用工具集跑通，再逐步加复杂度。

什么是Agent？

Agent = 在一个循环回路中使用工具的模型。给定目标后，它会自主地：选择/调用合适器具 → 观察反馈 → 更新决策 → 继续推进，直到满足停止条件。它所依赖的“环境”包括：运行环境、可用工具清单、提示词（任务与边界）。

Agent的组成

• 目标与停止条件。
• 工具回路（Action–Observation）：每一步都基于工具返回更新计划。
• 环境三件套：运行环境 / 软件 / 系统提示（明确“Agent要完成什么”）。
• “越简单越好”：提示与工具说明要清晰克制，别给花里胡哨的语言描述。

什么是“提示词工程（prompt engineering）”？

Anthropic AI团队成员Hannah认为“提示词工程是一种系统性改进用于大模型应用的提示词的方法——通过测试、评估、分析与对提示词及软件的优化，用自然语言进行编程！

一个好的提示词工程是所需能力包含：

• 清晰、无歧义、精确的写作；
• 以科学思维制作评测，不断测试；
• 什么；就是产品化思维：对你的产品来说，理想的模型行为
• 理解大模型的倾向与局限；
• 汇总并分析失败模式，并思考修复方法；
• 思考边界场景，让提示在广泛输入下都稳健。

写提示词 = 写操作流程

Anthropic 的核心观点：Prompt 不是文案，是规则和流程。它要解决的不是“说得漂亮”，而是如何让 Agent 在真实环境里把事办完。这份规程至少包含五部分：

• 角色与高层目标（1–2 句话说清你是谁、为啥而来）
• 动态上下文（检索到的资料、用户偏好、会话历史）
• 详细任务指令（做什么、不做什么、成败标准）
• 示例 n-shot（可选，用于边界提醒，不是“写死流程”）
• 重复关键指令（长提示里尤其主要，防遗忘）

一个示例：

你是一名 AI 旅行顾问（AI travel agent）根据用户输入创建一份就是，任务个性化旅行行程：产出一份就是。你的目标有吸引力、结构清晰、切实可行的行程，既符合用户偏好，也匹配指定的目的地与出行天数。

你将获得以下信息：目的地、天数、用户偏好。

在制定行程时，请遵循以下指南：

• 调研目的地及其热门景点，并结合用户偏好。
• 为每一天规划活动，确保观光—放松—本地体验之间的良好平衡。
• 给出用餐建议，考虑当地美食；如用户提到饮食偏好，请一并考虑。
• 推荐住宿选项，需与用户偏好与预算相匹配。
• 提供实用信息，如交通方式与预估花费。
• 注意可用天数，制定现实可行的时间安排。

请按以下格式呈现你的行程：

• 以目的地的简要介绍开头。
• 提供按天拆分的活动、用餐与住宿安排。
• 以额外提示/出行建议结尾。

现在，请基于给出的目的地、天数和用户偏好，创建一份个性化旅行行程。你的建议应当既有创意又充分详尽，确保行程既体现用户兴趣，也凸显目的地的独特之处。

什么时候该用 Agent？

通过不是所有场景都需要 Agent（很多时候反而不该用 Agent），它最适合麻烦且高价值的任务。人能够按“固定步骤”一步步做完的工作，用工作流（workflow）可能更合适、更省资源。

否可用？若给不了足够工具/信息就让它办成事，那就先缩小范围； 4）容错与纠错成本：难以发现/纠正的错误，不适合让 Agent 全自动去跑。就是判断方法： 1）任务是否艰难到只知道终点，不清楚具体怎么走、需要哪些信息与工具； 2）完成后是否“高价值”？低价值流程别浪费 Agent 的资源； 3）工具与材料

2个适合Agent的例子：

写代码：你知道目标是“把设计文档落实成 PR”，但并不确定具体路径、要如何迭代修改——高价值、强杠杆，适合 Agent。

数据分析：你清楚希望得到哪些洞见/可视化，但数据形态、清洗过程并不确定——这类探索式任务非常适配 Agent。

如何写好Agent的Prompt？

原则一：像 Agent 那样思考

模拟“Agent 身处的环境”——它能看到什么工具、设备会返回什么；甚至可以在脑内模拟一遍：如果你站在 Agent 的角度，拿到这份工具说明，你会不会困惑？人类都看不懂的工作流，模型更不可能做对。

原则二：赋予“合理的启发式（Heuristics）”

提示工程不是“写字”，而是决定模型该拥有哪些概念与行为准则。例如：大家给 Agent 一个重要概念——“不可逆性（irreversibility）”：避免做不可逆、可能伤害用户或环境的动作。再比如，给“检索”Agent 设停止条件与预算：找到答案就停；简单疑问<5次工具调用，麻烦问题可到10或50；不要为“完美来源”无限搜索。这类“合理启发式”都要在提示里清晰明确地写出来。

原则三：明确“何时用哪种工具”

前沿模型一次能挂非常多的工具，但模型并不知道在你的组织里哪个工具对哪个任务更关键。必须在提示中写出选择原则：比如公司信息优先搜 Slack、代码障碍查 GitHub/Sentry、业务报表走 DataDog……别只给一串简短描述就指望它自己悟透。

原则四：引导“思考—行动”的过程

不要只“打开思考”，而要具体引导：

• 让它先规划：这个查询复杂度如何？预期用几次工具？优先查哪些来源？如何判定成功？
• 在器具调用之间穿插反思：网页结果不必然正确，需要质量评估/二次求证/必要的免责声明。
• 提前写上副作用与停止条件：比如“若找不到完美来源，最多 N 次搜索后停止”。

原则五：管理上下文窗口

Agent 容易撞到上下文上限。做法包括：

• 压缩：临近窗口上限时自动把上下文浓缩为高密度摘要，交给新的会话继续跑。
• 外部记忆：把关键过程/状态写入外部文件，得时再读取。
• 子Agent：把搜索等“吃上下文”的工作分给子代理，压缩后再交给主代理整合、撰写报告。

原则六：让 Claude 发挥所长 + 工具要“少而精”

先用一套最小可用的提示和工具跑起来，再逐步加复杂度。避免给一堆名字相似/职责重叠的应用（例如 6 个“搜索”工具查不同库），会让模型混淆——能合并就合并，并把用途说清清楚楚。

测评怎么做：从“小而真”开始

效果量越大，样本越可小：起步不需要上百条，只要几条真实用例，每次改 Prompt/工具文档都能看到显著变化。

用真实任务评测：尽量让评测题就像用户会问的那种，且能用现有工具找到标准答案。

LLM 评审 + 量表（rubric） 很有用：只要规则清楚，模型能胜任“打分官”。

人评无法被完全替代：每周都要有人“猛怼 + 手感校验 + 真实用户试用”，人类最能摸到“硌手的边角”。

评测都评什么：结果 & 过程

1）结果向（Outcome）

• 答案正确性：用 LLM-judge 判定回答是否正确、是否覆盖关键点。
• 最终状态达成：看 Agent 是否到达正确的最终状态（例如：外部平台里确实发生了期望变更）。

2）过程向（Process）

• 工具使用正确性：评估是否选对工具与参数，以及遇错能否恢复（图示中“从参数错误恢复”的示例）。
• 其他常见过程量化：步骤数/时延、无效调用、异常与回退等——这些直接从对话与调用日志即可统计。

LLM-as-judge 的最小做法：给评审模型一份量表和结构化输出格式，它就能稳定工作。

示例量表要点

• 是否满足硬性约束（0/1/2）
• 证据质量与可追溯性（0/1/2）
• 取舍与理由是否清晰（0/1/2）
• 是否给出风险/不确定性（0/1/2）
• 输出契约是否遵守（0/1/2）
• 合计 0–10 分，并给一句话短评

测评起步流程

• 选 10–20 条真实任务样例（最好能用现有软件找到明确答案/标准）。
• 为每条样例写明期望结果/最终状态（方便做 τ-bench）。
• 准备一份rubric，用 LLM-as-judge打分；必要处穿插人评抽检。
• 观察结果 + 过程两套指标的变化；对失败样例做回放，定位是选择错工具、参数错误、步骤冗长还是停止条件/启发式不当。
• 小改就复测：每次只调整一个维度（如 Prompt 的启发式或某个工具文档），再跑同一小集合对比效果。

读者福利大放送：如果你对大模型感兴趣，想更加深入的学习大模型**，那么这份精心整理的大模型学习资料，绝对能帮你少走弯路、快速入门**

如果你是零基础小白，别担心——大模型入门真的没那么难，你完全可以学得会！

不用你懂任何算法和数学知识，公式推导、复杂原理这些都不用操心；
也不挑电脑配置，普通家用电脑完全能 hold 住，不用额外花钱升级设备；
更不用你提前学 Python 之类的编程语言，零基础照样能上手。

你要做的特定简单：跟着我的讲解走，照着教程里的步骤一步步操作就行。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

现在这份资料免费分享给大家，有需要的小伙伴，直接VX扫描下方二维码就能领取啦↓↓↓

为什么要学习大模型？

数据显示，2023 年我国大模型相关人才缺口已突破百万，这一数字直接暴露了人才培养体系的严重滞后与供给不足。而随着人工智能技术的飞速迭代，产业对专业人才的需求将呈爆发式增长，据预测，到 2025 年这一缺口将急剧扩大至 400 万！!

大模型学习路线汇总

整体的学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战，跟着学习路线一步步打卡，小白也能轻松学会！

大模型实战项目&配套源码

光学理论可不够，这套学习资料还包含了丰富的实战案例，让你在实战中检验成果巩固所学知识

大模型学习必看书籍PDF

我精选了一系列大模型技术的书籍和学习文档(电子版)，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

大模型超全面试题汇总

在面试过程中可能遇到的问题，我都给大家汇总好了，能让你们在面试中游刃有余

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技能基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

获取方式：

通过有需要的小伙伴，能够保存图片到VX扫描下方二维码免费领取【保证100%免费】

相信我，这套大模型系统教程将会是全网最齐全 最适合零基础的！！