Back to Blog

Anthropic 新发布的 Claude Managed Agents，凭什么把智能体开发周期从数月砍到数周？

2026-04-10T08:30:00+08:00
AI Claude Agent Anthropic LLM

Anthropic 新发布的 Claude Managed Agents，凭什么把智能体开发周期从数月砍到数周？

昨天凌晨，Anthropic 发布了 Claude Managed Agents。我花了一整天时间研究官方文档和技术博客，发现这东西确实有点东西——它解决的不是"怎么写 Agent"的问题，而是"怎么让 Agent 在生产环境活下去"的问题。

本文提纲

  1. Agent 开发的冰山困境
  2. 三层解耦架构：Session、Harness、Sandbox
  3. 安全设计：凭证分离与权限隔离
  4. 性能优化：TTFT 缩短的秘密
  5. 定价与成本分析
  6. 实战：快速部署第一个 Managed Agent

Agent 开发的冰山困境

如果你尝试过把一个 AI Agent 部署到生产环境，你一定懂我在说什么。

我去年帮一个朋友做智能客服 Agent，Agent 本身的代码大概 500 行。但为了把它跑起来，我搞了三周：

  • 搭容器环境，确保 Agent 不会把生产数据库搞挂
  • 写凭证管理系统，API Key 不能硬编码在代码里
  • 配日志和监控，出了问题得能查
  • 做状态持久化，用户刷新页面后对话不能丢
  • 设置自动重试和错误恢复机制

最后算下来，Agent 代码占 10%，基础设施占 90%。

这就是 Anthropic 想解决的问题。官方原话是：

"部署一个生产级智能体，不仅需要开发团队构建智能体本身，还需要搭建大量基础支撑架构。"

Managed Agents 的承诺很直接：你只管定义 Agent 要干什么，剩下的基础设施我来搞定。

三层解耦架构：Session、Harness、Sandbox

这是 Managed Agents 最核心的设计。Anthropic 把智能体拆成了三个独立组件：

graph TB
    subgraph "Managed Agents Architecture"
        subgraph "Session Layer"
            S1[Context Persistence]
            S2[Conversation State]
            S3[Long-term Memory]
        end
        
        subgraph "Harness Layer"
            H1[Task Orchestration]
            H2[Tool Coordination]
            H3[Fault Recovery]
        end
        
        subgraph "Sandbox Layer"
            B1[Code Execution]
            B2[Resource Isolation]
            B3[Network Security]
        end
        
        S1 --> H1
        S2 --> H2
        H1 --> B1
        H2 --> B2
    end

Session：会话层

Session 负责"记住"——对话上下文、用户偏好、长期记忆。

以前我们做 Agent，最头疼的就是对话状态管理。用户聊着聊着突然关闭页面，再打开得从头开始。Session 层把这个事儿托管了：

  • 自动持久化：对话状态自动保存，不用担心进程重启
  • 会话恢复：用户断线重连后，上下文自动恢复
  • 长期记忆：可以配置让 Agent 记住跨会话的信息

Harness：协调器

Harness 是"大脑的大脑"——它决定 Agent 该干什么、用什么工具、失败了怎么办。

核心能力：

  • 任务编排：把复杂任务拆成子任务，并行或串行执行
  • 工具调度：决定什么时候调用哪个工具（数据库、API、文件系统）
  • 故障转移：某个步骤失败了，自动重试或切换策略

Sandbox：沙箱层

Sandbox 是"安全屋"——Agent 执行代码的地方，和外部世界隔离。

关键设计：

  • 隔离容器：每个 Agent 一个独立容器，互不干扰
  • 资源限制：CPU、内存、网络都有上限，防止一个 Agent 吃满资源
  • 权限控制：可以精细配置 Agent 能访问哪些网络、哪些文件

为什么解耦很重要？

传统架构的问题是"一损俱损"——一个组件出问题，整个会话就丢了。

解耦之后：

  • Session 挂了？Harness 可以重启一个新的，状态从持久化存储恢复
  • Harness 升级？Session 和 Sandbox 不受影响
  • Sandbox 被攻击？其他组件的安全凭证根本不在这里面

这就像操作系统把 CPU、内存、硬盘抽象成独立模块，一个模块坏了不影响其他模块。

安全设计：凭证分离与权限隔离

这部分是我觉得最用心的设计。

凭证分离原则

以前写 Agent，API Key 直接写在环境变量里，Agent 代码随时能读到。如果有人通过 Prompt 注入让 Agent 执行恶意代码，API Key 就暴露了。

Managed Agents 的做法是把凭证放在 Sandbox 之外：

graph LR
    A[Claude Generated Code] --> B[Sandbox]
    B -->|No Access| C[Credential Vault]
    B --> D[Security Proxy]
    D -->|Only Authorized Access| C

流程是这样的：

  1. Agent 代码运行在 Sandbox 里
  2. Sandbox 无法直接访问任何凭证
  3. 需要调用外部 API 时，通过 Security Proxy
  4. Security Proxy 验证请求合法性，然后代为调用

这样即使 Agent 被注入恶意指令，攻击者也无法拿到原始凭证。

权限配置示例

你可以精细控制每个工具的权限：

tools:
  - name: database_query
    require_approval: true      # 需要人工确认
    allowed_networks:
      - internal-db.company.com
  
  - name: web_search
    require_approval: false     # 自动执行

这意味着敏感操作（如数据库查询）必须人工批准，而搜索可以自动执行。

性能优化：TTFT 缩短的秘密

TTFT（Time To First Token）是用户感知延迟的关键指标。

解耦架构带来了一个意外收益：推理启动时间显著缩短。

原理很简单：

  • Session 和 Sandbox 可以提前预热（预加载容器、初始化运行时）
  • 用户发请求时，Harness 无需等待基础设施就绪，直接开始推理

这就像餐厅提前备好菜，客人点单后直接下锅，而不是等客人点单了才开始洗菜切菜。

定价与成本分析

官方定价：

费用 = Claude 模型调用费 + 运行时费用

运行时费用：0.08 USD / Agent / 小时

来算一笔账。假设一个智能客服 Agent：

  • 日均处理 1000 次对话
  • 每次对话平均 2000 tokens
  • 每天运行 8 小时
方案 月成本
自建基础设施 服务器 200 USD + 开发人力 15,000 USD，约 15,200 USD
Managed Agents 模型费约 600 USD + 运行时约 20 USD，约 620 USD

差了 20 多倍。当然，这假设你的人力成本是真实成本。如果是个人项目，差距没那么夸张。

实战：快速部署第一个 Managed Agent

通过 CLI 创建

# 1. 创建项目
claude agent create my-agent

# 2. 描述任务
claude agent describe "帮我监控数据库，发现异常查询时发 Slack 告警"

# 3. 添加工具
claude agent tools add database_connector slack_webhook

# 4. 配置安全规则
claude agent security set --require-approval-for database_query

# 5. 部署
claude agent deploy --env production

通过 API 创建

from anthropic import Anthropic

client = Anthropic()

agent = client.managed_agents.create(
    name="Database Monitor",
    description="监控数据库异常并发送 Slack 告警",
    tools=[
        {"type": "database_connector", "config": {...}},
        {"type": "slack_webhook", "config": {...}}
    ],
    security_policy={
        "require_approval": ["database_query"],
        "allowed_networks": ["internal-db.company.com"]
    }
)

# 启动
session = client.managed_agents.start(agent.id)

写在最后

Managed Agents 不是银弹，但它确实解决了一个真实的痛点：Agent 开发的门槛不在模型能力，而在工程能力。

以前你想做一个生产级 Agent，需要一个后端工程师、一个运维工程师、一个安全工程师。现在，一个产品经理加一个 Prompt 工程师可能就够了。

这可能才是 AI 民主化的真正含义——不是让每个人都能用 AI，而是让每个人都能把 AI 部署到生产环境。

参考资料：

Enjoyed this article? Share it with others!