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
2026-09-07:Astra 作为只读顾问,fork_turns 是上下文边界
来源:AI Briefing 2026-09-07 Morning
Voxyz_ai 提出让 Sol 负责实现、测试和任务推进,只在架构权衡、困难决策或独立审查时调用 Astra。顾问应显式指定模型,接收必要材料和约束,并保持只读。该结构把顾问模式从“换一个更强模型”收窄为“在高不确定节点增加独立判断”。
同一组推文强调,切换 sub-agent 模型时应把 fork_turns 设为 none 或有限数量。若继承完整父对话,父模型和 effort 可能继续渗透,新的模型选择无法按预期生效。多模型编排因此同时需要成本边界和上下文边界。
Counterpoints & Gaps
- 该方案来自单条经验分享,是否节省配额要按固定任务实测。
- 顾问输出即使只读也可能影响最终改动,仍需保留人工验收和权限边界。
Pending Jean review
- harness-engineering/advisor-pattern —
ai_draft; suggested action: run one complex task with an explicit read-only advisor and compare accepted result, rework, and cost against a single-model run.
2026-09-23 afternoon:顾问验收闭环——执行者自寻顾问、循环到通过
来源:AI Briefing 2026-09-23 Afternoon
宝玉(dotey)给出可操作的闭环变体:复杂任务先让 Fable 出技术方案(/advisor fable 设定顾问);方案确认后让 Opus 执行,并只加一句提示词——「完成后让你的 advisor 验收,不通过就按反馈修复、修复后再验收,直到通过」。配合 /goal 使用,agent 自己形成「执行→验收→修复」循环,人不再需要在 Fable 与 Opus 会话之间手动搬运上下文。类比:高级工程师出方案、普通工程师施工、施工完自己去找顾问验收,顾问既验收又指出问题,工程师自行修改。
Counterpoints & Gaps
- 单条经验分享;advisor 请教本身消耗 Fable token,净收益需按固定任务实测。
- 验收闭环适合有明确「通过标准」的任务;开放探索类任务缺乏可判定的验收点,闭环可能空转。
Pending Jean review
- harness-engineering/advisor-pattern —
ai_draft; 实测一轮 advisor 验收闭环,记录返工次数、验收通过率和 Fable token 开销,与单模型跑法对比。
2026-09-23:顾问模型与执行模型的闭环验收
来源:AI Briefing 2026-09-23 Evening
dotey 描述了一种成本敏感的 advisor pattern:由 Fable 产出复杂任务方案并负责验收,由 Opus 执行,执行者根据 advisor 反馈循环修复直到通过。该模式把页面已有的顾问概念具体化为可重复的状态机,也提示需要把 advisor 调用成本与质量增益一起记录。
Counterpoints & Gaps
- 这是单个工作流的经验,未提供与单模型执行的受控对照。
- 自动验收可能把错误标准固化,关键结果仍需人工抽检。
Pending Jean review
- harness-engineering/advisor-pattern — ai_draft; 选择一个低风险任务比较单模型与 advisor-loop 的成本、返工量和通过率。
2026-09-25:把顾问放到三个高价值节点
来源:AI Briefing 2026-09-25 Afternoon
Voxyz_ai 给出一个更具体的 Claude Code advisor loop:让 Opus 5.5 负责主要执行,让 Fable 在三个节点介入——提交大计划前、同一错误重复出现时、准备宣布完成前。顾问读取完整 session 并提出建议,执行模型保留写代码和修复的职责。
这把 Advisor Pattern 从“便宜执行器 + 昂贵顾问”的成本结构进一步收窄为不确定性触发的独立检查。它不要求强模型参与每一步,而是把预算集中在架构选择、重复失败和最终验收上;同时,帖子建议先检查 settings、agents 和环境变量,再让 Agent展示变更,保留了可审计的配置边界。
Counterpoints & Gaps
- 这是单条社区工作流,未提供与单模型执行的受控对照。
- 顾问读取完整 session 可能带来上下文成本和共享敏感信息风险;真正收益取决于触发条件和验收标准。
Pending Jean review
- harness-engineering/advisor-pattern —
ai_draft; 在一个低风险复杂任务上比较三节点 advisor loop 与单模型执行的总成本、返工次数、通过率和泄漏面。
Sources (addendum)
2026-10-14 Evening — 三层分工:执行、探索、顾问
来源:AI Briefing 2026-10-14 Evening
thedelost 传播的一套 Claude Code 分层配置把 Advisor Pattern 落成三层结构:Sonnet 5.5 主持会话并写代码;三个只读 Haiku 5.5 子代理分别负责 search(建仓库地图)、grep(找调用点)、docs(拉 API 参考);Opus 5.5 作为顾问,依旧只在三个高价值节点介入——方案锁定前、同一错误出现两次、宣布完成之前。启动形式为 `claude --model sonnet --advisor opus`,配套提示词要求所有改动先以 diff 展示、经确认才落盘。
相比 9-25 条目的「便宜执行器 + 昂贵顾问」双层结构,这一版把便宜的并行探索也显式拆出:探索层只读、可并行、可替换,执行层专注写码,顾问层只做不确定性触发的判断。预算分配从「省顾问」细化到「连探索也不花执行模型的钱」。
Counterpoints & Gaps
- 该配置由传播型账号转述,Anthropic 原始出处与受控对照数据未附。
- 顾问读取完整 transcript 的成本与敏感信息暴露面仍未量化;三层拆分在小任务上可能得不偿失。
Sources (addendum)
Pending Jean review
- harness-engineering/advisor-pattern — `ai_draft`; 在一个真实任务上对比三层配置与全 Opus 会话的 token 成本与一次通过率。