Phase 14: Agent Engineering

Anthropic'in İş Akışları: Seder, Karmaşık

Schluntz ve Zhang (Anthropic, Aralık 2024) iş akışlarını (önceden tanımlanmış yollar) ajanlardan (dinamik araç kullanımı) ayırt ediyorlar. Beş iş akışı örneği çoğu vakaları kapsar. Doğrudan API çağrılarıyla başlayın. Adımları tahmin edemeyeceğiniz zaman sadece ajanlar ekleyin.

Type: Learn + Build

Languages: Python (stdlib)

Prerequisites: Phase 14 · 01 (Agent Loop)

Time: ~60 minutes

Öğrenme Hedefleri

Anthropic'in beş iş akışı örneğini isimlendirin: hızlı zincirleme, yönlendirme, paralelleştirme, orkestrasyoncı-işçiler, değerlendirici-optimallaştırıcı.
Ajan ve iş akışı arasındaki farkı ve her birinin mühendislik maliyetini açıkla.
Bir ajan yerine ne zaman iş akışı seçileceğini belirleyin (ve tam tersi).
Stdlib'de tüm beş örneği bir yazılı LLM'ye karşı uygulayın.

Sorun

Bir tek fonksiyon çağrısı isteyen sorunlar için takımlar çoklu ajan çerçevelerine ulaşır. Maliyet gerçek: çerçeveler, istekleri gizleyen katmanlar ekler, kontrol akışını gizler ve erken karmaşıklığı davet eder. Schluntz ve Zhang'ın Aralık 2024'te yayınladığı yayın en çok alıntılanan endüstri geri çekimi: basit başlayın, sadece maliyetini kazandığında karmaşıklığı ekleyin.

Anlaşım

İş akışları vs. ajanlar

Workflow.LLM ve araçlar önceden belirlenmiş kod yolları ile düzenlenir.
Agent.LLM'ler kendi araçlarını dinamik yönlendirir ve kendi adımlarını atarlar.

Her ikisi de kendi yerlerine sahiptir. İş akışları daha ucuz, daha hızlı ve hataları düzeltmek daha kolaydır. Ajanlar açık sorunları açarken başarısızlık modlarını akıl yürütmeyi zorlaştırır.

Gelişmiş LLM

Beş örneğin temelini oluşturan: arama (dahaç), araç (harekeler), bellek (durgunluk) ile kablolanmış üç yetenekle bir LLM.

Beş model

Prompt chaining.1. çağrının çıkışı 2. çağrının girişidir. Bir görevin temiz bir doğrusal parçalanması olduğunda kullanılır. Adımlar arasında seçmeli programatik kapılar.

Routing.Bir sınıflandırıcı LLM, aşağıdaki LLM veya araçları seçer. kategorik olarak farklı girişlerin farklı bir şekilde işleme ihtiyacı olduğunda kullanılır (Tier-1 destek vs. geri ödeme vs. hata vs. satış).

Parallelization.N LLM çağrılarını eş zamanlı olarak çalıştırın, toplam sonuçlar. İki şekil: bölümleşme (farklı parçalar) ve oylama (aynı sürpriz, N çalışmalar, çoğunluk/sentez).

Orchestrator-workers.Bir orkestrasyoncu LLM hangi işçilerin (daha LLM) çalıştırılmasını dinamik olarak karar verir ve çıkışlarını sentezler.

Evaluator-optimizer.Bir LLM bir cevabı önerir, bir başka LLM değerlendirir. değerlendirici geçene kadar tekrarlayın. Bu Self-Refine (Desin 05) genelleştirilmiştir.

İş akışlarının ajanları yendiği yer

Predictable tasks.Eğer adımları sıralayabiliyorsan, yapmalısın.
Cost-bound tasks.İş akışları sınırlı adım sayısına sahiptir; ajanlar spiral olabilir.
Compliance-bound tasks.Denetçiler grafikleri okumak isterler, yoldaklardan çıkarmak değil.

Ajanların iş akışlarını yendiği yer

Open-ended research.Bir sonraki adım ne zaman döner, son adım ne döner.
Variable-length tasks.Adım sayımı bilinmeyen saatler arası çalışma saatleri.
Novel domains.Henüz doğru iş akışını bilmediğinizde önce keşif yapın, sonra kodlayın.

Konekst mühendisliği eşliği

"İS ajanları için etkili bağlam mühendisliği" (Anthropic 2025) bitişik disiplinleri resmileştirir: 200k penceresi bir konteyner değil bir bütçe. Neyi içerir, ne zaman sıkıştırılır, ne zaman bağlamı büyütülmesine izin verir.

Yapın

code/main.py ScriptedLLM- ...

prompt_chain(input, steps) sıralı.
route(input, classifier, handlers) sınıflandırma + gönderme.
parallel_vote(prompt, n, aggregator) N koşuşturma, toplam.
orchestrator_workers(task, workers)Orkestratör işçileri seçer.
evaluator_optimizer(task, proposer, evaluator, max_iter) geçene kadar döngü.

Çek şunu:

python3 code/main.py

Her desen izini basar. Bir desen için toplam kod satırı ~10-15; bir çerçevenin maliyeti binlerce olarak ölçülür.

Kullan

Doğrudan API çoğu görevi çağırır.
Çerçeve sadece desenin gerçekten dayanıklı durum (LangGraph), aktör-model eşzamanlılığı (AutoGen v0.4) veya rol şablonlaması (CrewAI) gerektirdiğinde.
Claude Code harman şeklini yeniden inşa etmeden istediğinizde Claude Agent SDK'ye ulaşın.

Gönder

outputs/skill-workflow-picker.mdverilen görev tanımlaması için doğru örneği, kararın mantıklılığını ve iş akışları eksik olursa bir ajan için refactor yolu da dahil olmak üzere seçer.

Egzersizler

Güvenlik eşiği ile yönlendirmeyi uygulayın. Eşiği altında -> insan olarak yüksel. Bir seviye 1 destek kullanımı için eşiği nereye düşer?
Bir süreliğine ekleyinparallel_voteBir arama yapıldığında ne olur?
Dön .evaluator_optimizerBir bandit'e: İterasyonlar boyunca en iyi 2 çıkışları tutun, böylece geç iyi bir sonuç geç kötü bir sonucuyla üstü yazılmasın.
Bir yönlendirme ile birleştirme: bir yönlendirici üç zincirden birini seçer.
Üretim özelliklerinden birini seç, iş akışını çiz, adımları say.

Anahtar Terimler

Term	What people say	What it actually means
Workflow	"Predefined flow"	Engineer-owned graph of LLM and tool calls
Agent	"Autonomous AI"	Model-owned graph; dynamic tool direction
Augmented LLM	"LLM with tools"	LLM + search + tools + memory; the atomic unit
Prompt chaining	"Sequential calls"	Output of call N is input to call N+1
Routing	"Classifier dispatch"	Pick which chain/model handles the input
Parallelization	"Fan out"	N concurrent calls; aggregate by sectioning or voting
Orchestrator-workers	"Dispatcher agent"	Orchestrator LLM picks specialist LLMs dynamically
Evaluator-optimizer	"Proposer + judge"	Iterate until evaluator passes; Self-Refine generalized

Daha Fazla Okumak

Anthropic, Building Effective Agents (Dec 2024) Beş iş akışı örneği
Anthropic, Effective context engineering for AI agents arkadaş terbiyesi
LangGraph overview devlet grafikleri maliyetlerini kazanırken
OpenAI Agents SDK orkestrasyoncu-işçi örneği, üretilmiş

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.