ACI (Agent-Computer Interface)
核心类比：ACI = Agent-Computer Interface，正如 HCI = Human-Computer Interface
定义
ACI (Agent-Computer Interface) 是 Anthropic 在"Building Effective AI Agents"中提出的概念：
思考人机交互 (HCI) 投入了多少努力，就应该在 Agent-计算机接口 (ACI) 上投入同等努力。
设计原则
1. 给 Agent 足够 Token 思考
不要让 Agent 在写代码时把自己逼入死角。
2. 保持格式自然
格式应接近模型在网上自然见过的文本。
3. 避免格式开销
不要让 Agent 计算数千行代码的行数，或转义引号。
工具格式选择建议
| 格式 | 适用性 | Agent 难度 |
|---|---|---|
| Markdown 代码块 | 高 | 低（自然格式） |
| JSON 内嵌代码 | 低 | 高（需转义） |
| Diff 格式 | 低 | 高（需计算行号） |
| 重写整个文件 | 高 | 低（无格式开销） |
ACI 设计检查清单
-
模型视角测试
- 根据描述和参数，使用方式是否明显？
- 需要深思熟虑吗？（如果需要，对 Agent 也难）
-
命名清晰性
- 参数名/描述是否让事情更明显？
- 想象为初级开发者写文档字符串
-
测试迭代
- 在 workbench 运行多组示例输入
- 观察模型犯什么错误并迭代
-
Poka-yoke（防错设计）
- 改变参数让错误更难发生
- 例如：始终使用绝对路径而非相对路径
案例研究：SWE-bench Agent
实践经验
Anthropic 团队在构建 SWE-bench Agent 时，工具优化时间超过整体 prompt 优化。
发现问题：Agent 移出根目录后，相对路径工具出错。 解决方案：工具改为始终要求绝对路径 → Agent 完美使用。
与 HCI 的对比
| 维度 | HCI | ACI |
|---|---|---|
| 用户 | 人类 | AI Agent |
| 设计目标 | 直观、易学 | 明确、无歧义 |
| 反馈机制 | 视觉/触觉 | 文本/工具结果 |
| 错误处理 | 容错、引导 | 防错、清晰报错 |
关键数据点
- Anthropic 在构建 SWE-bench Agent 时，工具优化时间超过整体 prompt 优化时间
- 问题案例：Agent 移出根目录后，相对路径工具出错；改为绝对路径后 Agent 完美使用
- Markdown 代码块格式适用性高、Agent 难度低（自然格式）；JSON 内嵌代码和 Diff 格式适用性低、难度高
前提与局限性
- ACI 设计原则假定 Agent 是 LLM 驱动，对非 LLM Agent 可能不适用
- "给 Agent 足够 Token 思考" 的前提是上下文窗口足够大，成本可接受
- 工具格式选择需权衡：自然格式（如 Markdown）对 Agent 友好但可能增加 token 消耗
- SWE-bench 的优化经验不一定直接迁移到非代码场景
关联概念
- Coding-Agents - ACI 的主要使用者
- Agent-Workflow-Patterns - 使用 ACI 的模式
- Agentic-Engineering - ACI 设计的上下文
来源：Anthropic, "Building Effective AI Agents", 2024-12-19