Phase 14: Agent Engineering

Padrões de fluxo de trabalho da Anthropic: simples e mais complexos

Type: Learn + Build

Languages: Python (stdlib)

Prerequisites: Phase 14 · 01 (Agent Loop)

Time: ~60 minutes

Objetivos de aprendizagem

• Nomear os cinco padrões de fluxo de trabalho da Anthropic: cadeia de prompt, roteamento, paralelação, orquestor-trabalhadores, avaliador-optimizador.
• Explique a distinção entre o fluxo de trabalho e o custo de engenharia de cada um.
• Identificar quando escolher um fluxo de trabalho em vez de um agente (e vice-versa).
• Implementar os cinco padrões em STDlib contra um Mestrado em Direito.

O problema

As equipes buscam quadros multi-agente para problemas que querem uma única chamada de função. O custo é real: os quadros adicionam camadas que obscurecem pedidos, escondem o fluxo de controle e convidam complexidade prematura. O post de Schluntz e Zhang de dezembro de 2024 é o retorno mais citado da indústria: comece simples, adicione complexidade apenas quando ganha seu custo.

O conceito

Fluxos de trabalho versus agentes

• Workflow.LLM e ferramentas orquestradas através de caminhos de código predefinidos.
• Agent.Os LLM dirigem dinâmicamente as suas próprias ferramentas e tomam os seus próprios passos.

Os fluxos de trabalho são mais baratos, mais rápidos e mais fáceis de depurar. Agentes desbloqueam problemas sem fim, mas tornam os modos de falha mais difíceis de raciocinar.

O Mestrado em Direito e Direito

Fundamento para todos os cinco padrões: um LLM com três capacidades conectadas em busca (retorno), ferramentas (ações), memória (persistência).

Os cinco padrões

1. Prompt chaining.A saída da chamada 1 é a entrada para a chamada 2. Utilize quando uma tarefa tem uma decomposição linear limpa. Portas programáticas opcionais entre etapas.

1. Routing.Um LLM classificador escolhe qual LLM ou ferramenta para invocar.

1. Parallelization.Execução de chamadas de N LLM simultâneas, resultados agregados. Duas formas: seccionamento (parcelações diferentes) e votação (o mesmo prompt, N runs, maioria/síntese).

1. Orchestrator-workers.Um LLM orquestador decide dinâmicamente quais trabalhadores (também LLM) executar e sintetiza sua produção.

1. Evaluator-optimizer.Um LLM propõe uma resposta, outro LLM avalia. Iterar até que o avaliador passe. Isto é auto-refinado (Lessão 05) generalizado.

Onde os fluxos de trabalho vencem os agentes

• Predictable tasks.Se consegues enumerar os passos, devias.
• Cost-bound tasks.Os fluxos de trabalho têm números de passos limitados; os agentes podem circular.
• Compliance-bound tasks.Os auditores querem ler o gráfico, não inferir-lo a partir de trajetórias.

Onde os agentes vencem os fluxos de trabalho

• Open-ended research.Quando o próximo passo depende do que o último passo retorna.
• Variable-length tasks.Minutos a horas de trabalho em que não se sabe o número de etapas.
• Novel domains.Quando ainda não conheces o fluxo de trabalho certo, primeiro explora, codifica depois.

O companheiro de engenharia de contexto

"Effective context engineering for AI agents" (Anthropic 2025) formaliza a disciplina adjacente: a janela 200k é um orçamento, não um recipiente. O que incluir, quando compactar, quando deixar o contexto crescer. Coberto em detalhe na lição Fase 14 sobre compressão de contexto (Fase 14 lição 06 anterior neste currículo antes da renumeração).

Construí-lo

code/main.pyImplementa os cinco padrões de fluxo de trabalho contra um ScriptedLLM- Não .

• prompt_chain(input, steps)- sequenciais.
• route(input, classifier, handlers) Classificação + expedição.
• parallel_vote(prompt, n, aggregator) N corridas, agregado.
• orchestrator_workers(task, workers)O orquestrador escolhe os trabalhadores.
• evaluator_optimizer(task, proposer, evaluator, max_iter) Loop até passar.

• É o que é ?

Copypython3 code/main.py

Cada padrão imprime seu rastro. O total de linhas de código por padrão é de ~10-15; o custo de uma estrutura é medido em milhares.

Usá-lo

• A API direta requer a maioria das tarefas.
• Framework apenas quando o padrão realmente precisa de estado durável (LangGraph), concurência entre modelo de ator (AutoGen v0.4), ou modelo de papel (CrewAI).
• Procure o SDK do Agente Claude quando quiser a forma do arsenal do código Claude sem reconstruí-lo.

Envia-o

outputs/skill-workflow-picker.mdseleciona o padrão adequado para uma determinada descrição de tarefa, incluindo a lógica da decisão e o caminho de refactor para um agente caso os fluxos de trabalho não sejam suficientes.

Exercícios

1. Implementar roteamento com um limiar de confiança. Abaixo do limiar -> escala para humanos. Onde o limiar de aterrissagem para um caso de uso de suporte de nível 1?
2. Adicionar um timeout para parallel_voteO que acontece quando uma chamada é pendurada?
3. Vire .evaluator_optimizerpara um bandido: manter as saídas dos dois primeiros em iterações para que um bom resultado tardío não seja sobreescrevido por um mau tardío.
4. Combine a cadeia de prompt com roteamento: um roteador escolhe uma das três cadeias.
5. Escolha uma das suas características de produção, desenhe o gráfico do fluxo de trabalho, conte os passos.

Termos-chave

Mais leitura

• Anthropic, Building Effective Agents (Dec 2024) os cinco padrões de fluxo de trabalho
• Anthropic, Effective context engineering for AI agents a disciplina do companheiro
• LangGraph overview quando os gráficos estatais ganham o seu custo
• OpenAI Agents SDKO modelo de orquestração-trabalhador, produzido

This free lesson is part of the AI Engineering from Scratch curriculum. Read the full explanation, run the lesson code, and verify the result in the interactive reader or from the repository source.

Browse the complete course catalog or open this lesson on GitHub.