Anthropic 任務耐力調校指南

你可能已經看過模型一路做到底，卻在缺少關鍵資訊時不肯停下來，最後把錯誤放大成一串無效操作。這份指南適合正在做 Agent、自動化腳本或長流程檢索的開發者。

本文示範如何用提示詞、工具調用和停止條件，將 Anthropic 模型的任務耐力調成可控的執行能力。

開始之前

• 一個 Anthropic 帳號與可用的 API key，文件見 Anthropic Docs，SDK 範例可參考 anthropic-sdk-python 或 anthropic-sdk-typescript
• Node 20+ 或 Python 3.10+
• 一個支援 HTTPS 的本地開發環境
• 可使用工具調用或函式調用能力的 Claude 模型
• 一個可重複測試的任務場景，例如修復程式碼、整理資料或多步檢索

Step 1: 寫出任務邊界

先把「要完成什麼」和「什麼時候必須停下」寫成固定規則。這一步的產出是讓模型知道自己的執行範圍，而不是靠臨場猜測。

System prompt example:

You are an execution agent.
Goal: finish the task only within the provided scope.
Stop and ask the user when:
- required input is missing
- a tool fails twice
- the task may change external state
- confidence is below 0.7

Never continue with speculative work after a stop condition.

你應該看到模型在缺少關鍵輸入時主動暫停，而不是繼續試錯或自行補完。

Step 2: 拆成可驗收子目標

把單一句目標拆成一串小步驟，讓模型每做一步都能被檢查。這樣它可以持續推進，但不會因為目標太大而陷入無限循環。

Task format:
1. Restate the goal in one sentence.
2. List required inputs.
3. Propose 3 substeps.
4. Execute one substep.
5. Report status and ask for approval if blocked.

你應該看到輸出先列出計畫，再執行一小步，最後回報狀態與阻塞原因。

Step 3: 設定工具闸門

把模型的「想做」和真正的外部操作隔開。凡是會改檔、發請求或寫入資料庫的動作，都先經過工具闸門與確認邏輯。

Tool policy:
- Read-only tools: auto-approve
- Write tools: require explicit confirmation
- Network tools: require destination allowlist
- Destructive tools: always ask before use

你應該看到模型在觸發寫入或外部請求前先要求確認，而不是直接執行高風險動作。

Step 4: 定義停止條件與重試上限

讓模型知道什麼情況下要停，不要把失敗當成無限續命的理由。這一步的產出是明確的重試次數、超時規則與退出方式。

Retry policy:
- transient tool error: retry up to 2 times
- missing user input: stop immediately
- repeated parsing failure: stop after 1 repair attempt
- timeout: stop and summarize partial progress

你應該看到模型在工具失敗後最多重試到上限，然後輸出失敗摘要與下一步建議。

Step 5: 記錄軌跡並回放

把每次計畫、工具調用、失敗原因與停止點都記下來，才能分辨模型是在有效堅持，還是在重複繞圈。這一步的產出是可回放的任務紀錄。

Log fields:
- task_id
- goal
- substep
- tool_name
- result
- retry_count
- stop_reason
- user_intervention_needed

你應該能用同一批任務回放結果，並看到高價值任務完成率更穩定，無效循環次數下降。

常見錯誤

• 把「耐力」當成「永不停止」。修法是把 stop condition 寫進系統提示詞，並在流程中強制執行。
• 讓模型直接操作高風險工具。修法是把寫入、刪除與外部請求放進確認闸門。
• 只看最終答案，不看過程紀錄。修法是保存子步驟、重試次數與停止原因，再做回放評估。

接下來可以看什麼

下一步可以把這套控制層接到你的 Agent 框架，加入權限分級、人工審批與自動回滾，讓模型能持續推進，但不會越界。