Lab 08 — 智能体动手实验

环境：Python 3.10+（stdlib only）。三个示例全部无需 API key（脚本化策略代替真实 Claude）。 来源: https://www.anthropic.com/engineering/building-effective-agents、https://www.anthropic.com/engineering/multi-agent-research-system（访问于 2026-08-30）

Lab A：跑一个带全部停止条件的 agent loop ✅（无需 key）

🎯 学习重点：从执行轨迹识别五要素，并验证权限门和停止条件确实由外层代码强制执行。

cd 08-agents/examples
python3 01_agent_loop_simulator.py

对照输出完成：

1. 逐轮找出五要素：Goal（开头打印）→ reasoning → plan → tool（Action）→ observation（Observation）。turn 4「修改后必须用环境反馈验证」对应官方哪个要求？（提示：每步从环境拿 ground truth）
2. 场景 1 为什么在 turn 5 先 ask_human 再 deploy？对照官方「pause for human feedback at checkpoints」。
3. 场景 2/3/4/5 分别触发了哪类停止条件？把五个 LOOP STOPPED 原因与五类条件一一对应。
4. 注意场景 4 的细节：人类已经拒绝，脚本化「模型」仍试图 deploy，是外层确定性 gate 拦住了它——用一句话说明为什么权限门不能依赖模型的自觉。

验收：能口头回答「停止条件、权限门、工具执行为什么必须在应用层」。

Lab B：用决策矩阵给八个场景选架构 ✅（无需 key）

🎯 学习重点：把步数可预测性、子任务动态性和任务价值映射到选型阶梯。

python3 02_workflow_vs_agent_decision.py

1. 先遮住输出右半列，只看场景名，自己给八个场景选架构，再对答案。
2. 打开脚本读 decide()：规则顺序为什么是「single call → multi-agent → agent → routing → chaining → evaluator-optimizer → orchestrator-workers → parallelization」？这与官方决策阶梯（先最简、well-defined 用 workflow、开放式才上 agent）如何对应？
3. 关键判别属性是哪两个？——steps_predictable（步数可否预判，workflow/agent 分界）与 subtask_set_varies（子任务集合是否随输入变化，orchestrator-workers vs parallelization 分界）。
4. 改造实验：把「跨 50 信源研究报告」的 high_value_task 改为 False 再跑，观察推荐如何变化并解释（提示：15× token 需要价值兜底）。

验收：能对任一新场景说出特征向量 → 推荐架构的推导链。

Lab C：orchestrator-workers 骨架 + evaluator-optimizer 精修环 ✅（无需 key）

🎯 学习重点：区分动态分解、并行 worker、结果综合与有界精修循环四个责任边界。

python3 03_orchestrator_workers_skeleton.py

1. 找到三个编排阶段：orchestrator 分解（子任务由输入决定，不是预定义分支）→ workers 并行（ThreadPoolExecutor）→ 编排器综合。
2. WorkerReport.transcript 为什么不回传编排器？对照 Agent SDK subagents 的 context isolation 收益与多智能体一文的「搜索的压缩」。
3. 看 Subtask 数据结构的四个字段，对照官方委派指令要求：objective / output format / 工具与信源指引 / 任务边界。
4. 精修环（evaluate → optimize）里 FAILED 反馈如何驱动重写？给 refine_rounds 换个上限体会「循环也要停止条件」。
5. 进阶（可选，需 key）：把四个 # <-- LLM call 标注点换成真实 Claude 调用（key 用 os.getenv("ANTHROPIC_API_KEY") 读取，勿硬编码），编排结构不变。

验收：能画出该骨架的流程图并标注哪里是 workflow 的确定性、哪里是 LLM 的动态性。

Lab D：把模块 04 与 08 连起来（纸面实验，无需 key）

🎯 学习重点：用「agent = 工具回路 + 控制权转移 + 停止条件」贯通工具调用与智能体架构。

1. 重跑模块 04 的 tool_loop.py，对比本模块 01_agent_loop_simulator.py：两者的消息结构（tool_use/tool_result）一致，差别只在「圈数与方向」由谁决定。写出公式：agent = 工具回路 + 控制权转移（+ 停止条件）。
2. 三连自测（任一场景）：步数可否预判？成功标准可否验证？错误成本多大？——这三个问题的答案如何决定你在决策阶梯上的落点。