ACI 设计原则

概述

ACI 设计原则是类似人机界面（HCI）的工具接口设计方法论，源自 SWE-agent 论文的四条核心原则，并在 Anthropic 工程实践中得到进一步验证和扩展，强调接口设计对 Agent 行为的决定性影响。

关键内容

原则一：动作要简单、容易理解

"Actions should be simple and easy to understand for agents."

很多 bash 命令太灵活、太开放、语义负担太重，对 LM 不友好
少量、清晰、功能边界明确的动作更好
背后的逻辑：语言模型对"语义上明确的工具"更容易形成稳定使用模式，而对几乎无限制的 shell 容易出现动作选择混乱

实验支撑：Shell-only baseline 对比证明，为 LM 专门设计的动作集优于原始 Linux shell。

原则二：反馈要简洁、信息密度高

"Feedback should be specific and concise."

人类可以忽略无关信息，但对 LM 来说所有内容都有固定 token 成本和干扰成本
ACI 的反馈设计本质上是"压缩状态表示"——加工成足够行动、又不至于淹没上下文窗口的观察
这个点对今天所有 agent 仍然成立

原则三：帮助模型感知状态变化

好的 ACI 应该帮助 agent 理解当前状态、此前改动的后果、以及最近动作的结果
编辑后给出更新后的文件片段，就是"状态可见性"的例子
本质：把软件工程从"token continuation"变成"stateful control"

原则四：要有 Guardrails（护栏）

Guardrails 可以减少错误传播、加速恢复
例如在编辑动作中加入 syntax checker
不是锦上添花，而是 agent 系统稳定性的核心——LM 很容易在早期引入小错误，然后整条轨迹被污染
Guardrail 的作用是在"错误刚出现时"把它截断

Anthropic 工程实践扩展

Anthropic 在多篇文章中进一步验证和扩展了 ACI 设计理念：

ACI 概念起源：在 Building Effective Agents 中首次提出，将工具接口设计类比为传统的人机界面（HCI），强调接口设计对 Agent 行为的决定性影响。
AI 辅助工具描述改进：2025 年 9 月提出的 Writing Tools for Agents 方法，利用 AI 自我改进工具描述，实现任务完成时间降低 40%。这是 ACI 设计的自动化演进路径。
工具设计对 Agent 行为的影响：上下文工程研究表明，工具接口设计直接影响 Agent 的上下文使用效率和任务完成率。绝对路径案例证明微小设计差异导致显著性能差异。
与 MCP 的关系：MCP（Model Context Protocol）是 ACI 设计的具体实现标准，通过 Desktop Extensions 实现一键安装 MCP 服务器，降低生态系统摩擦。
并行工具调用与 tool_choice 控制：2025 年 11 月提出的高级工具使用模式，支持并行执行和精确控制，是 ACI 设计的高级形态。

实验验证

论文通过消融实验验证了这些原则： - 总结式搜索优于迭代式搜索（原则二：反馈简洁） - 100-line viewer 优于太小或全文件（原则二：信息密度） - Edit + linting 优于无 linting（原则四：Guardrails） - 最近 5 条 observation 优于 full history（原则二：简洁反馈）

来源

raw/ChatGPT-Chat/ChatGPT-SWE-agent 论文核心观点/03-SWE-agent 论文的所有核心概念展开详细分析一个一个.md — SWE-agent 核心概念分析
raw/ChatGPT-Chat/ChatGPT-SWE-agent 论文核心观点/04-SWE agent 如何保证搜索是否高效、编辑是否稳定、反馈是否足够、上下文是否可控、恢复机制是否.md — SWE-agent 五大保障机制分析
raw/articles/ai-engineering/anthropic-engineering/claude-engineering/00_INDEX.md — 跨文章核心主题：工具接口设计（ACI）