Keep on to blur preview images; turn off to show them clearly
原文翻译：https://t.co/YXBXYDv0e4
这篇总结也很好： https://t.co/rQqEhdiORG Anthropic 又发布了一篇神级指南。 这次的主题是：如何构建更高效的 AI 智能体 (AI Agent)，让它们能更聪明地使用工具，并且极大地节省 Token 。 如果你是 AI 开发者，这篇文章绝对不容错过！ 它主要解决了 AI 智能体在调用工具时遇到的三大难题：Token 成本、延迟 (latency) 和工具组合的效率。 怎么做到的？简单来说，它把“代码执行”和“模型编写的代码” (MCP, Model-Written Code) 结合了起来。它不再让 AI 智能体直接去“调用工具”，而是把这些工具“伪装”成代码 API，让 AI 智能体像程序员一样通过写代码来使用它们。 以下是这篇指南的核心干货： 1. Token 效率的“黑洞”：想象一下，如果 AI 智能体一上来就把所有可能用到的工具定义全塞进大脑（上下文窗口 (context window)），并且在执行任务时，每一步的中间结果都塞回去。这样会导致 Token 开销大到爆炸，一个复杂的多工具任务跑下来，有时会超过 15 万个 Token。 2. “代码即 API” 策略：新方法是，不直接调用工具，而是把这些“模型编写的代码” (MCP) 工具包打包成代码 API（比如 TypeScript 模块）。AI 智能体可以像程序员一样“导入” (import) 并通过编程来调用它们。效果立竿见影：一个 15 万 Token 的任务，瞬间被压缩到了 2000 个 Token，节省了 98.7%！ 3. 工具的“渐进式发现”：不再一股脑加载所有工具。AI 智能体学会了“按需取用”，通过搜索文件系统或调用 search_tools（搜索工具）函数，只在需要时才加载当前任务相关的工具定义。这完美解决了“上下文臃肿” (context rot) 和 Token 过载的问题。 4. “数据本地处理”：在把结果喂给大语言模型 (LLM) 之前，先在代码执行环境里把数据处理好（比如筛选、转换、汇总）。举个例子：AI 智能体不需要查看 1 万行的表格，代码环境会先帮它筛选出那 5 行最重要的，再交给它。 5. 更优的控制流 (Control Flow)：与其让 AI 智能体一步步地“指挥”工具（比如“做完A，再做B”），不如直接用代码原生的循环 (loops)、条件判断 (conditionals) 和错误处理来管理流程。这样做，既减少了延迟，也省了 Token。 6. 隐私保护：敏感数据可以在整个工作流中传递，而完全不进入大模型的“视野”（上下文）。只有那些被明确指定“返回”或“记录”的值才会被模型看到，还可以选择自动对个人身份信息 (PII) 进行脱敏。 7. 状态持久化 (State Persistence)：AI 智能体可以把中间结果存成文件，“断点续传”。这样一来，它们就能处理那些需要跑很久的“大任务”，并且能跟踪进度。 8. 可复用的“技能包”：AI 智能体可以把写好的有效代码保存成“可复用函数”（并配上 SKILL .MD 文档），久而久之，它就能积累出一个强大的高级“技能库”。 这种方法虽然更复杂，也还不完美，但它绝对能全面提升你构建的 AI 智能体的效率和准确性。
RT @MANISH1027512: 有一种发型，真的会记一辈子… 对我来说，就是它！😬 估计是高中时喜欢的一个女生就是这个发型，导致我的审美被锁死了，这么多年过去了依然杀我（doge）。 我也尝试给兄弟们用🍌去复刻这种当年的心动瞬间，但效果都不尽人意 🍌做糖水人像、时尚…
Prompt Engineer, dedicated to learning and disseminating knowledge about AI, software engineering, and engineering management.
Yeah I'm not very optimistic about this whole «building the future of manufacturing» grift. Insane how they're patting themselves on the back for such a two-bit scheme, and even add a moralistic spin. Aaron is an archetype of the 21st century American Builder
We're in a race. It's not USA vs China but humans and AGIs vs ape power centralization. @deepseek_ai stan #1, 2023–Deep Time «C’est la guerre.» ®1
OpenAI Atlas: no screenshot mode? 🥺 How will you help solve REAL problems... Like boring CSS questions...
AI Software Engineer @magicpatterns Side-hustle: 🔊 https://t.co/pRVZEDeUxO $4K ✦ 🎥 Figma Plugin $10k/MRR (sold) ✦ 🕵🏻 Agency $30k/MRR (sunset)
github：https://t.co/Zjts3689WW 文档：https://t.co/EQZPwT7XhP
致力于让每个想拥抱AI的人都能找到适合自己的AI产品，助力企业定制AIGC应用
微软开源的一款AI智能体训练加速器：agent-lightning，主打一个“零代码改动”就能让Agent自动学习、持续优化 其核心思想是观察智能体的行为，并不直接修改智能体内部决策逻辑 作用在于无需重写智能体核心业务逻辑或换框架，就可提升其性能，降低智能体优化的复杂性以及成本 不挑框架，任意框架甚至裸写Python都能接 多智能体场景也支持，可以针对性提升特定智能体性能 agent lightning通过两种方式获取智能体运行时的表现 1、自动追踪器，“监听”智能体与外部环境的交互 2、轻量级辅助函数，对于追踪器可能无法自动捕获的智能体内部的一些特定状态、自定义奖励信号或更细粒度的事件，开发者可在智能体代码中的关键点插入少量简单的 agl.emit_xxx() 函数调用 数据会被结构化为Span，统一发送到LightningStore 优化算法从LightningStore中读取Span，分析这些数据，学习如何改进智能体的表现 当算法学习到改进的策略后，会将这些更新后的资源发布回LightningStore，Trainer组件会负责将这些最新的优化结果应用到智能体的推理引擎中 #AIAgent #agentlightning
github：https://t.co/Zjts3689WW 文档：https://t.co/EQZPwT7XhP