Advisor Pattern (顾问模式)
"Advisor" 模式正在成为 AI Agent 架构的一等设计模式，核心理念是围绕"廉价执行器 + 昂贵顾问"的融合。
核心机制
架构组成
┌─────────────────────────────────────────┐
│ 廉价执行器 (Cheap Executor) │
│ - 快速模型 (Haiku, GPT-4o-mini, etc.) │
│ - 处理大部分步骤 │
│ - 低成本、高速度 │
└─────────────────┬───────────────────────┘
│ 困难决策点升级
▼
┌─────────────────────────────────────────┐
│ 昂贵顾问 (Expensive Advisor) │
│ - 强力模型 (Opus, GPT-4, etc.) │
│ - 仅在困难决策点介入 │
│ - 高质量、高成本 │
└─────────────────────────────────────────┘
性能提升
根据 Anthropic 和伯克利的研究：
- Haiku + Opus 组合的 BrowseComp 得分比单独使用 Haiku 提高一倍以上
- 仅在困难决策点升级，大幅降低整体运行成本
实现方式
LangChain DeepAgents
该模式已通过 LangChain DeepAgents 的顾问中间件在开源中实现，Harrison Chase 强调了开源采用的快速速度。
API 级顾问工具
Anthropic 在 API 层面提供顾问工具支持，使模型混合在工具层面显式化，而不仅仅是在外部框架代码中实现。
为什么重要
成本优化
这种架构模式可以显著降低 agent 运行成本，同时保持高质量输出。对于需要大量步骤的复杂任务，成本节约尤为明显。
性能平衡
- 快速模型：处理常规步骤，保证响应速度
- 强力模型：在关键决策点介入，保证输出质量
- 智能路由：自动识别何时需要升级
相关模式
Anthropic Advisor Strategy API（2026-04-14 正式推出）
来源：raw/newsletters/Ben's Bites/2026-04-14 Big lab leaks 原文：The Advisor Strategy
Anthropic 将 Advisor Pattern 产品化为官方 API 功能：
使用方式（一行代码）
# 在 Messages API 请求中添加 beta header
headers = {"anthropic-beta": "advisor-tool-2026-03-01"}
# 在 tools 数组中声明 advisor
tools = [{
"type": "advisor_20260301",
"model": "claude-opus-4-6",
"max_uses": 3
}]
# 执行者使用 Sonnet
model = "claude-sonnet-4-6"
实测性能数据
| 组合 | 基准 | 结果 | vs 单独 Sonnet |
|---|---|---|---|
| Sonnet + Opus 顾问 | SWE-bench Multilingual | +2.7 个百分点 | 成本 -11.9% |
| Haiku + Opus 顾问 | BrowseComp | 41.2% | vs Haiku 单独 19.7%（+109%） |
| Haiku + Opus 顾问 | vs Sonnet 单独 | 得分低 29% | 成本低 85% |
定价逻辑
- 顾问 token 按 Opus 费率计费
- 执行者 token 按 Sonnet/Haiku 费率计费
- 顾问通常只生成短计划（400-700 token），整体成本远低于全程使用 Opus
意义
这是 Anthropic 将"模型路由"能力产品化的重要一步，让开发者无需自己实现复杂的 orchestration 逻辑。
来源
- [[raw/newsletters/AINews/2026-04-11 [AINews] AI Engineer Europe 2026.md|2026-04-11 [AINews] AI Engineer Europe 2026]] (via newsletter skill)
- 2026-04-14 Big lab leaks — Advisor Strategy API 正式推出
- Akshay Pachaar 的 Advisor 模式总结
- Harrison Chase (LangChain) 的相关推文