如何构建 Agent 及其上下文工程

年前在团队做了一次分享，今天整理了下。主题是：如何构建 Agent 及其上下文工程，也是自己在过去半年间做 Agent 的一些被动输入和主动思考。

使用 Claude Agent SDK 快速进行概念验证

利用 SDK 快速验证 Agent 想法的可行性，加速从概念到原型的转化过程。Claude Agent SDK 提供了简洁的 API，让开发者能够快速搭建 Agent 原型，无需从零开始构建复杂的基础设施。

SKILL 是什么，跟 MCP / Sub-Agent 的区别

深入理解 Skill 的概念和定位，对比分析 Skill、MCP 和 Sub-Agent 的差异和适用场景：

• Skill: 封装特定功能的可复用模块，可以被 Agent 动态调用
• MCP (Model Context Protocol): 标准化的上下文交互协议
• Sub-Agent: 独立的子代理，具有完整的 Agent 能力

多智能体架构

探讨多 Agent 协作的架构设计，如何合理拆分和组合多个智能体：

1. 任务分解: 将复杂任务拆分为子任务，分配给不同的 Agent
2. 协作机制: 定义 Agent 之间的通信和协调方式
3. 结果整合: 合并多个 Agent 的输出，形成最终答案

公式化理解 Agent 的上下文工程

系统化理解上下文管理，公式化方法优化 Agent 的上下文处理：

有效上下文 = 系统提示 + 历史对话 + 外部知识 + 实时状态 - 噪声信息

通过量化上下文各组成部分的贡献，可以更有针对性地优化 Agent 的表现。

构建生产智能体的三基本要素

1. 沙箱 (Sandbox)

保障安全隔离，防止 Agent 执行恶意或破坏性操作。沙箱提供了受控的执行环境，限制 Agent 的资源访问权限。

2. 可执行环境 (Executable Environment)

提供运行能力，支持 Agent 执行代码、调用工具、与外部系统交互。这是 Agent 实现自动化任务的基础。

3. 文件系统 (File System)

支持状态持久化，让 Agent 能够保存中间结果、读取配置文件、管理资源文件。文件系统为 Agent 提供了"记忆"能力。

Agent 的设计原则

总结 Agent 开发的核心原则和最佳实践：

1. 单一职责: 每个 Agent 专注于一个明确的任务领域
2. 可观测性: 记录 Agent 的思考过程和执行轨迹
3. 容错处理: 设计优雅的错误处理和恢复机制
4. 人机协作: 在关键环节保留人工审核和干预的能力
5. 持续学习: 从执行反馈中不断优化 Agent 的行为

---

原文链接: https://www.nazha.co/posts/how-to-build-agents