转x：elvis： 最有效的 AI 智能体都是基于以下核心理念构建的。

这正是 Claude Code 的动力所在。

这一理念被称为 Claude Agent SDK Loop —— 一个用于构建各种类型 AI 智能体的框架。
（建议收藏）

这个循环包含三个步骤：

1. 收集上下文（Gathering Context）：
使用子智能体（尽可能并行化以提升任务效率），对上下文进行压缩与维护，并利用智能体化（agentic）/语义搜索来检索与当前任务相关的上下文。
混合搜索（Hybrid search）方法在如智能体代码（agentic coding）等领域表现尤为出色。

2. 执行行动（Taking Action）：
利用工具、预构建的 MCP 服务器、bash/脚本（得益于 Skills 功能，现在更容易实现），以及生成代码来执行动作、获取关键反馈和上下文。
事实证明，你还可以通过代码执行与路由来增强 MCP 与 token 的使用效率，就像大型语言模型（LLM）路由能提升 AI 智能体的效率一样。

3. 验证输出（Verifying Output）：
你可以定义规则来验证输出，启用可视化反馈（在多模态问题中愈发重要），并考虑使用 “LLM 作为评审者”（LLM-as-a-Judge）来依据模糊规则判断输出质量。
有些问题需要视觉线索或其他形式的输入才能获得良好表现。
不要让工作流过于复杂（例如，当一个巧妙的脚本 Skill 足够用时，就没必要用复杂的计算机操作型智能体）。

这是一个简洁、灵活且稳健的框架，适用于在各种领域中构建与使用 AI 智能体。