Workflow vs Agent 架構解析：Anthropic Building Effective Agents 重點整理
今天來看下這篇文章，第一次看的時候沒意識到重要性，後來看某個面試官在闡述 agent 工程師的區別時特地説到這篇文章才想起來
Anthropic building-effective-agents
Anthropic 觀察了幾十個在生產環境落地的 LLM 系統，發現一個反直覺的規律：最成功的實作往往不是用最複雜的框架，而是用最簡單、可組合的模式。
他們把所有涉及 LLM 自主行動的系統統稱為 agentic system，但在這個概念下做了一個關鍵的架構區分——
過度均勻才是真異常：用四種統計檢驗偵測隨機數造假
過度均勻才是真異常，這個看似微妙的論點正是本章節要説明的重點
1936 年，統計學之父 Fisher 質疑遺傳學之父 Mendel 的豌豆實驗造假。
證據不是數據「太不規律」，而是「太完美」。
這個方法後來也用在彩票造
圖裡有 4 個子檢驗：
- [A] Dispersion Index：觀測方差 / 理論方差，比值 < 1 就是過度均勻
- [B] Monte Carlo Chi² 百分位：實際 chi² 比多少比例的純隨機更小？百分位 > 95% 就是強烈過度均勻
- [C] 分段一致性：把資料切 10 段，看段間波動。波動太小 = 各時段過度一致
- [D] 滑動視窗 Chi²：用 50 期的窗口逐期掃，看 chi² 序列的時間變化
Claude Code Token 費用分析：費用計算、工具統計與 Web Dashboard 實作
這個章節要説明關於 Claude Code Analytics 的部分内容
計算 token 費用、分析工具使用模式、建立 Web Dashboard
首先加入 Token 計算器
這邊要查詢所有 session，計算每個 session 的 token 用量與美金費用
新增費用計算模組
新增 lib/costs.mjs：
深入解析 Claude Code Session History：JSONL 格式、訊息結構與快取費用優化
session保存格式結構如下：
json格式化如下：
為什麼選擇 JSONL？
Claude Code 沒有使用資料庫，而是選擇了最簡單的格式：每個 session 一個 .jsonl 檔案，每行一條 JSON 訊息。
| 比較面向 | JSONL 格式 | 關聯式資料庫 |
|---|---|---|
| 讀取方式 | 任何文字編輯器、cat |
需要 DB 驅動 |
| 追加速度 | 極快（append-only） | 需要 transaction |
| 查詢能力 | 低（需全掃） | 高（SQL） |
| 跨機器遷移 | 複製檔案即可 | 需要 dump/restore |
| 故障恢復 | 行級別，單行壞掉不影響其他行 | 依賴 transaction log |
| 版本控制 | 可用 git 追蹤 | 不適合 |
結論：AI 對話是只增不改、需要人類可讀、不需要複雜查詢的應用場景，所以JSONL 是最合適的選擇。