Agentic Work Atlas

ACI (Agent-Computer Interface)

5分钟阅读

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

  1. 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）

  2. 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

  3. 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

  4. 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HCIACI
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

与 ALIGN 的对比

维度ACI（手工）ALIGN（自动）
设计方式人类 handcraftLLM 自主生成
适用环境单一环境跨环境通用
优化机制一次性迭代（从失败轨迹学习）
成本高（需人工调优）中（多轮 LLM 调用）
维护改环境需重新设计自动更新
跨 agent 迁移不一定Plug-and-play（5 种 agent 一致受益）

ALIGN（清华 NLP, 2025）可视为**"ACI 原则的算法化实现"**——不再需要人工精心设计接口，而是让 LLM 从失败轨迹中自动合成对齐接口。Anthropic "Building Effective Agents" 的三大原则之一 "Well-crafted ACI" 在 ALIGN 这里获得了一个可规模化落地的版本。

来源：Anthropic, "Building Effective AI Agents", 2024-12-19 对比来源：Liu et al., "Agent-Environment Alignment via Automated Interface Generation", arXiv:2505.21055, 2025-05

关系图谱

反向链接