AI Engineer
通过解耦云端决策与私有沙箱执行,并在出口网关动态替换凭证与挂载独立评分闭环,企业可直接跨会话沉淀经验并安全运行数月周期的异步金融研报任务。
AI-assisted summary of Build a Research Agent with Claude Managed Agents (Part 2 of 4) — Anthropic — original source. Check the original for full context.
Source published:
Key ideas
- Anthropic 推出 Claude Managed Agents,实现会话调度与底层事件持久化存储的完全解耦,支持分钟级到数月级的长周期异步任务执行。 (0:00)
- 系统引入“成果目标”(Outcomes)与评分者(Grader)机制,智能体在完成任务后必须通过独立评估者对照预设 Rubric 的质检,未通过则触发自动自我修正与重试。 (17:41)
- 针对高敏感凭据管理,Vaults 功能在沙箱执行期只注入占位符,仅在网络出向流量严格匹配白名单域名时才由网关动态注入真实密钥,防止敏感信息外泄。 (23:42)
- 企业级数据合规方案支持双轨接入:通过 MCP Tunnels 建立内网反向隧道,或直接在企业私有 VPC 部署自托管沙箱(Self-hosted Sandboxes)实现数据不出内网。 (33:16)
Detailed notes
## Background 该视频由 YouTube 频道 AI Engineer 于 2026 年 10 月 12 日发布,记录了在旧金山举办的 AI Engineer World's Fair 2026 上 Anthropic 团队带来的 Claude Managed Agents 工作坊第二部分。视频中,Anthropic 技术人员 Priyanka Phatak 与 Gabe Cemaj 演示了从控制台无代码智能体到构建具备技能、子智能体、共享记忆库以及自评重试机制的“Research Desk”全流程。
## TL;DR 工作坊展示了如何基于会话事件流(Event Stream)构建前端交互界面,并通过注入 SEC EDGAR 财报抓取技能、自定义派发工具与子智能体集群,实现深度异步分析任务。系统引入了成果目标(Outcomes)机制,通过专职评估者(Grader)子智能体对照评分标准进行自我监督与失败重试,并在分析英伟达财报的案例中落盘 JSON 记分卡与沉淀长期记忆。此外,讲师深入拆解了利用 Vaults 在出站层动态替换占位符凭据的安全机制,并解答了跨会话记忆共享、Dreaming 持续学习、自托管沙箱及 MCP Tunnels 等企业级落地疑问。
## Atmosphere & style 现场弥漫着硬核开发者工作坊特有的探索与极客氛围,讲师们在拥挤的会议室中与台下开发者频繁互动,面对现场糟糕的网络环境时幽默调侃,氛围轻松而接地气。讲解风格务实且极度聚焦工程实现,从 Claude Code 自动化引导到多线程可观测性视图的逐层深剖,节奏紧凑明快。问答环节充满思辨色彩,面对死循环护栏、私有数据出境以及底层存储解耦等尖锐的架构疑问,讲师的回答直接透明,技术掌控力极强。
## Bulletin - [00:00](https://www.youtube.com/watch?v=FGftGOzfohc&t=0s) Anthropic 推出 Claude Managed Agents,实现会话调度与底层事件持久化存储的完全解耦,支持分钟级到数月级的长周期异步任务执行。 - [17:41](https://www.youtube.com/watch?v=FGftGOzfohc&t=1061s) 系统引入“成果目标”(Outcomes)与评分者(Grader)机制,智能体在完成任务后必须通过独立评估者对照预设 Rubric 的质检,未通过则触发自动自我修正与重试。 - [23:42](https://www.youtube.com/watch?v=FGftGOzfohc&t=1422s) 针对高敏感凭据管理,Vaults 功能在沙箱执行期只注入占位符,仅在网络出向流量严格匹配白名单域名时才由网关动态注入真实密钥,防止敏感信息外泄。 - [33:16](https://www.youtube.com/watch?v=FGftGOzfohc&t=1996s) 企业级数据合规方案支持双轨接入:通过 MCP Tunnels 建立内网反向隧道,或直接在企业私有 VPC 部署自托管沙箱(Self-hosted Sandboxes)实现数据不出内网。
## Key takeaways - [00:00](https://www.youtube.com/watch?v=FGftGOzfohc&t=0s) 架构演进的核心是接口与事件层虚拟化,将上层推理调度脚手架与底层事件存储解耦,使事件日志可独立持久化与横向扩展。 - [01:04](https://www.youtube.com/watch?v=FGftGOzfohc&t=64s) 控制台提供极简无代码创建模式,根据单句自然语言描述即可自主生成系统提示词、角色定义并挂载基础工具集。 - [03:47](https://www.youtube.com/watch?v=FGftGOzfohc&t=227s) Research Desk 实战展示了从基础对话界面、专业技能(SEC EDGAR 抓取)到长耗时子智能体协作及 MapReduce 模式的编排演进路径。 - [10:16](https://www.youtube.com/watch?v=FGftGOzfohc&t=616s) 算力基础设施提供自建集群托管、AWS Bedrock 云平台托管以及企业私有网络自托管沙箱三种模式,实现大脑与手脚的完全解绑。 - [11:21](https://www.youtube.com/watch?v=FGftGOzfohc&t=681s) 客户端应用通过双向事件流与托管会话通信,后端通过 Server-Sent Events (SSE) 将实时事件流转发至浏览器渲染。 - [13:41](https://www.youtube.com/watch?v=FGftGOzfohc&t=821s) 主智能体支持向自引用子实例委派任务,派生仅同步提示词与工具 Schema,坚决隔离会话历史上下文以防上下文膨胀。 - [17:41](https://www.youtube.com/watch?v=FGftGOzfohc&t=1061s) 成果目标(Outcomes)机制下发包含任务描述、评分量表(Rubric)和最大重试轮数的任务包,由独立的 Grader 子智能体严格审查产出工件。 - [19:05](https://www.youtube.com/watch?v=FGftGOzfohc&t=1145s) 在英伟达研报实战中,主智能体先检索跨会话记忆库避免重复分析,随后并发调度财务数据抽取与风险评估子智能体,最终输出结构化 JSON 记分卡。 - [22:09](https://www.youtube.com/watch?v=FGftGOzfohc&t=1329s) 技能(Skills)作为动态资产可以跨会话随时迭代发布,更新后即刻生效,系统通过后台“Dreaming”机制分析历史边缘案例实现经验沉淀。 - [23:42](https://www.youtube.com/watch?v=FGftGOzfohc&t=1422s) 安全保管库(Vaults)通过出站网关(Egress Gateway)进行占位符替换,杜绝 Agent 将敏感 API 密钥泄露至非授权外部域名。 - [26:08](https://www.youtube.com/watch?v=FGftGOzfohc&t=1568s) Claude Managed Agents 并非 Agent SDK 的简单封装,而是 Anthropic 云端面向通用任务编排构建的全托管执行架构,二者定位清晰分流。 - [27:15](https://www.youtube.com/watch?v=FGftGOzfohc&t=1635s) 运行时支持通过推入排队的用户事件对偏航 Agent 实时纠偏(Steering),会话分支复制(Session Forking)功能已纳入官方路线图。 - [29:14](https://www.youtube.com/watch?v=FGftGOzfohc&t=1754s) 跨会话长期记忆支持多层级挂载(如个人偏好库与全组织基准库),所有数据均基于开放 API 驱动,不产生厂商锁定。 - [31:54](https://www.youtube.com/watch?v=FGftGOzfohc&t=1914s) 成果目标评级(Outcome & Rubric)目前绑定在全局 Session 层,主 Agent 负责分发调度,平台暂未开放针对单个子 Agent 的独立成果考核。 - [33:16](https://www.youtube.com/watch?v=FGftGOzfohc&t=1996s) 企业内网专有数据可通过 MCP Tunnels 反向安全隧道接入,或利用与企业 VPC 对等连接的自托管沙箱杜绝公网暴露。 - [34:28](https://www.youtube.com/watch?v=FGftGOzfohc&t=2068s) 沙箱运行环境依赖在容器创建阶段统一预置与构建,利用全局镜像缓存消除运行时的冷启动与重复拉取开销。
## Detailed walkthrough ### [00:00](https://www.youtube.com/watch?v=FGftGOzfohc&t=0s) Session 存储架构的演进:解耦与事件层虚拟化
现场观众首先抛出了一个底层设计问题:在 Claude Managed Agents 的第一版与第二版迭代之间,会话(Session)的存储机制究竟发生了怎样的变化。Gabe Cemaj 接过问题解释道,演进的核心动力在于“极致的解耦与抽象”。在早期版本中,会话的运行逻辑与状态存储咬合得较为紧密;而随着 Agent 需要处理的上下文越来越复杂,团队决定将系统逐层拆解为高度独立的组件,从而让存储机制能够灵活扩展,以容纳未来可能新增的各类事件类型,而不再受制于具体的会话调度逻辑。
Gabe Cemaj 总结了这一工程设计哲学的精髓:“So we basically apply the same principle of building and virtualizing interfaces all the way down not only across service boundaries but also at the event layer.”(所以我们基本上是将构建和虚拟化接口的同一套原则贯彻到底,不仅贯穿了服务边界,也深入到了事件层本身。)这种设计让底层的持久化层只关心事件的记录与流转,把上层的推理循环与底层的状态存储彻底解绑。
```mermaid flowchart LR accTitle: Claude Managed Agents 会话解耦架构 accDescr: 展示了从执行调度层到底层事件虚拟化与持久化存储的解耦流程
subgraph LogicLayer ["控制与调度层"] AgentCore["Agent 运行时"] SessionHarness["会话调度机制"] end
subgraph StorageLayer ["存储与事件抽象层"] EventInterface["虚拟化事件接口"] EventLog["事件存储引擎"] end
AgentCore --> SessionHarness SessionHarness --> EventInterface EventInterface --> EventLog ```
---
[01:04](https://www.youtube.com/watch?v=FGftGOzfohc&t=64s) 控制台无代码极速搭建:全托管 Agent 的底座能力
Priyanka Phatak 随后在控制台(Console)上演示了如何在不写一行代码的情况下快速部署一个 Agent。针对现场糟糕的 Wi-Fi 状况,她幽默地提议大家如果网络卡顿,可以尝试连手机热点或者回家跟着讲义操作。在演示中,她在输入框中输入提示:“每次给定一个主题时,为我讲一个笑话”。按下回车后,系统背后的 Claude 立即自主生成了专用的系统提示词(System Prompt)、名称、描述,并选定了默认底座模型(用户也可根据需要自行切换),同时挂载了 Agent 基础工具集。
确认创建后,系统调用了 `v1/agents` 接口生成实例。接下来是配置沙箱运行环境(Environment Template)。Priyanka 说明,为了演示例会直接给予无限制访问(Unrestricted Access)权限;但在实际生产环境中,开发者必须严格控制网络外发权限,明确限制 Agent 能够请求的具体域名白名单或特定的 MCP(Model Context Protocol)服务器。环境初始化并启动会话后,测试输入“讲一个关于猫的笑话”,模型经过短暂思考立即输出了一则幽默的猫咪笑话。
Priyanka Phatak 向现场强调了托管模式的核心价值:“Everything else is managed by us. So we're managing all the infrastructure, the hosting, the harness, the sandbox management, the scaling, the storage of your event log.”(其余的一切都由我们来管理。我们负责所有的底层基础设施、托管、调度脚手架、沙箱生命周期管理、自动扩缩容,以及你的事件日志存储。)开发者只需开启会话、发送事件、接收流式事件,其余复杂运维全部交由云端平台兜底。
- **快速生成能力**:自然语言单句描述即可自动衍生结构化系统提示词、角色定义与模型参数。 - **环境隔离策略**:支持配置预装软件包,生产环境可严格限制出站域名及 MCP 服务端点。 - **极简交互模式**:开发者通过事件接口收发数据,平台封装沙箱隔离与扩缩容。
---
[03:47](https://www.youtube.com/watch?v=FGftGOzfohc&t=227s) Research Desk 工作坊全景:从单对话到多 Agent 编排
Priyanka 演示结束后,Gabe Cemaj 正式开启工作坊的动手实战环节。由于会议室后方挤满了参会者,Gabe 热情地招呼大家往前排的空位坐,以便更好地观看屏幕。他随后展示了本次实战代码库的二维码,指导大家克隆仓库、进入 `research-desk` 目录并运行 `bun install`。尽管网络延迟依然困扰着现场不少拿出手机拍照尝试的开发者,Gabe 依然详细拆解了接下来要构建的完整技术版图:
```mermaid flowchart TD accTitle: Research Desk 演进路径 accDescr: 从基础聊天界面一步步演进到具备技能、子 Agent 与 MapReduce 编排的研究平台
UI["1. 自定义聊天界面 (基于事件流)"] Skills["2. 技能注入 (SEC EDGAR 财报抓取)"] SubAgents["3. 子 Agent 协作 (长耗时异步任务)"] MapReduce["4. Map-Reduce 编排 (多会话并行分析)"] Deployments["5. 定时调度 (Deployments API 持续更新)"]
UI --> Skills Skills --> SubAgents SubAgents --> MapReduce MapReduce --> Deployments ```
Gabe 阐明,本场实战将打造一个名为“Research Desk”的研究工作台: 1. **基础对话层**:基于会话事件流(Event Stream)构建响应式的自定义聊天界面; 2. **多 Agent 与技能增强**:为 Agent 注入特定领域的技能(Skill),具体为调用美国证券交易委员会(SEC)官方网站抓取特定股票代码(Ticker)的 SEC EDGAR 财报,并自动化解析关键表单; 3. **委托与异步长任务**:使主 Agent 能够将繁重的子任务委派给子 Agent,处理耗时漫长的异步研究流程; 4. **MapReduce 模式自定义 Harness**:构建上层编排系统,主 Agent 负责分发任务至多个并发 Agent,汇总结果并输出综合研报; 5. **自动化调度(Deployments API)**:借助调配接口设立定时循环任务,让系统定期自动运行并持续更新长期分析报告。
---
[06:10](https://www.youtube.com/watch?v=FGftGOzfohc&t=370s) 环境配置与工作坊引导:Claude Code 驱动的六幕实战
进入编码环节,Gabe 打开了 Claude Code 终端界面。他打趣道如今开发早已迈入新时代:“I don't think anybody's writing code by hand, so I'm not going to do that either.”(我觉得现在已经没人手写代码了,所以我也不打算手写。)为了让大家在会后网络良好时也能自主复现,团队预先在代码库中内置了一个向导式技能。只需在终端输入 `workshop start`,向导便会将整个构建流程分为六个“幕”(Acts)逐步执行。Gabe 调侃道,这出大戏中间可没有中场休息。
在开启自动模式前,Gabe 要求 Claude Code 一边执行一边进行保姆级教学。项目初始化会自动将 `.env.example` 复制为 `.env.local`。开发者需要填入两项关键凭证:一个是 Anthropic API Key;另一个则是访问 SEC 接口所强制要求的身份标识符(EDGAR Identifier,即使用者的姓名与邮箱),这是 SEC 识别请求来源的硬性合规要求。随后通过 `bun run dev` 启动本地开发服务,浏览器即可呈现出 Research Desk 的初始控制台。当主持人 Priyanka 现场举手调查有多少人成功连上网络跟上进度时,全场仅有一位观众举手,引来大家一阵善意的笑声,这位跟上进度的观众也被大家戏称为全场的“MVP”。
- **自动化教学技能**:仓库内嵌向导脚本,支持 `workshop start` 与 `workshop next` 步进推进六幕教学。 - **合规字段设定**:调用 SEC EDGAR 数据源必须在请求标头中声明由姓名与有效邮箱组成的 User-Agent 标识。 - **本地工程底座**:基于 Bun 运行时,通过 `bun i` 与 `bun run dev` 迅速拉起全栈研究工作台页面。
---
[10:16](https://www.youtube.com/watch?v=FGftGOzfohc&t=616s) 运行环境与算力归属:自托管沙箱与多云支持
在进入项目设置页面的 Agent 创建前,现场观众提出了一个核心基础设施疑问:“当你们说由云端管理 Agent 时,它到底运行在哪里?是在 AWS 上吗?”
Gabe 对底层算力架构进行了清晰的界定: 1. **第一方托管(1P)**:Anthropic 默认在自建的高性能基础设施上运行 Agent、工具调度与沙箱环境; 2. **云厂商平台托管**:在 AWS Bedrock 等云平台上提供原生托管支持,企业客户可以直接消耗现有的 AWS 云信用额度与算力指标; 3. **自托管沙箱(Self-hosted Sandboxes)**:除了完全托管在 Anthropic 之外,平台支持深度解耦的“自带沙箱”架构。
Gabe 特别强调了灵活性:“What we also offer and maybe we can talk about this after this demo is self-hosted sandboxes.”(我们还提供的另一种模式是自托管沙箱,稍后演示完我们可以详细聊聊这个。)这意味着如果企业对数据出境、网络边界或特权执行有严格的合规要求,完全可以选择第三方专业容器服务商(如 Vercel、Modal、Daytona 等),或者直接在企业自有的 Google Cloud Platform(GCP)与 AWS VPC 内部署执行沙箱。Claude 的大脑负责生成意图与逻辑,而负责执行具体命令的“双手”(沙箱)则完全驻留在企业自己的私有网络中。随后,Gabe 点击界面按钮,开始通过 API 自动化建立本节所需的 Agent 实体及其底座环境模板。
[11:21](https://www.youtube.com/watch?v=FGftGOzfohc&t=681s) 基于事件流的 Chat 界面集成
Gabe Cemaj 展示了如何在客户端应用中构建与 Claude Managed Agent(托管式智能体)会话通信的交互界面。在本次演示的初始阶段,系统仅为智能体赋予了对少数外部网站(主要是美国证券交易委员会 SEC 官网)的访问权限,并在运行环境中预装了特定的 Python 依赖包,以便通过预定义脚本访问 SEC 数据。此时创建的基础智能体尚未配置专属技能(Skills),也没有多智能体协同机制(Sub-agent Coordination),仅包含基本的内置工具与基础 Prompt。
与托管式智能体底层会话(Session)交互的核心机制是基于事件流(Event Stream)。开发者需要监听该流以捕获智能体向下推送的所有实时事件,并通过 API 端点将用户事件向上推送到会话中。在典型的 Chat 类应用中,前后端的数据流转主要分为两步:当用户在聊天框输入内容并回车时,前端会触发一个携带用户文本的 `user_message` 事件发送给后端并转发至会话;后端在建立与 API 的流式连接后,通过服务器发送事件(Server-Sent Events, SSE)将事件流实时转发(re-stream)回浏览器前端进行动态渲染。配置完成后,开发者在界面中发送问候信息,即可收到智能体的实时响应。
```mermaid flowchart LR accTitle: 会话事件流架构 accDescr: 展示用户输入如何转换为事件发送到会话,以及后端如何通过 SSE 流式转发智能体事件到前端。 subgraph Client["客户端 UI"] A["聊天输入框"] B["前端渲染界面"] end subgraph Backend["应用后端"] C["API 路由 / 端点"] D["SSE 转发服务"] end subgraph ManagedAgent["Claude 托管式会话"] E["Session 事件流"] end
A -->|"发送 user_message"| C C -->|"推送事件"| E E -->|"流式推送事件"| D D -->|"SSE 实时重推"| B ```
Gabe Cemaj 强调,如果仅仅是为了构建简单的对话机器人,流程到此就可以结束了,但托管智能体的核心价值远不止于此:“Claude Managed Agents 的真正意义在于你可以执行长时间运行的异步任务(Long-running asynchronous tasks),不仅能运行几分钟,还能持续数小时、数天、数周甚至数月。”(“The whole point of Claude managed agents is that you can do long-running asynchronous tasks. Not just for minutes, but hours, days, weeks, and even months.”)
- 核心通信媒介:双向事件流(基于 HTTP 端点推送事件,基于 SSE 订阅接收事件) - 初始权限配置:允许外网访问 SEC、安装用于拉取 SEC 数据的预置 Python 依赖包 - 架构分层:前端 UI -> 本地后端中间层(路由转换) -> Anthropic API 托管会话环境
---
[13:41](https://www.youtube.com/watch?v=FGftGOzfohc&t=821s) 注入 Skills、子智能体与自定义调度工具
为了让智能体能力向上跃升,系统通过工作流指令对其进行配置升级,赋予其特定业务领域的技能(Skill)、子智能体集群以及自定义工具(Custom Tool)。首先,系统向智能体注入了一项专门用于同 SEC 交互的 Skill,该技能详细规定了如何调用预置的 Python 依赖包,并强制要求在请求时附带合规的 EDGAR 身份标识(Edgar Identity)。其次,系统定义了一个名为 `dispatch_analysis` 的自定义工具,赋予负责统筹的主分析师(Head of Research)在后续自定义测试框架中自主拆分并启动多会话的能力。
在智能体描述更新并生成新版本的过程中,主智能体被赋予了多个细分方向的子智能体(Sub-agents)以供委派任务,甚至包含了一个指向自身的自引用(Self-reference)。自引用允许主智能体根据未知任务的规模,动态复制出具有相同 Prompt 与工具定义的全新子实例来处理并发工作。Gabe Cemaj 针对现场常见的架构疑问澄清道:这种派生复制绝对不会将当前会话的历史上下文转录记录(Transcript)复制给子智能体,它仅复制工具描述(Tool Descriptions)、结构化架构(Schemas)以及系统提示词(Prompt),保证子智能体上下文的精简与隔离。
在资源重新编排(Provisioning)的过程中,后台还创建了一个跨会话共享的长期记忆库(Shared Memory Store)。不同的研究会话可以将各自获取到的金融工具知识写入该存储库,实现跨会话的经验积累与复用,从而使系统在跨越数日、数月甚至数年的长周期运行中不断自我进化。
- 技能定义规范:集成 SEC EDGAR 访问协议与专用身份认证标识(Edgar Identity) - 自定义工具(Custom Tool):`dispatch_analysis`,用于多会话任务的分发与并行化调度 - 子智能体复制机制:仅同步 Prompt、工具描述与 Schema,坚决隔离会话历史上下文(Transcript) - 记忆架构:支持多会话读写的持久化存储(Memory Store),沉淀通用金融研究资产
---
[17:41](https://www.youtube.com/watch?v=FGftGOzfohc&t=1061s) 成果目标(Outcomes)机制与子智能体自我监督
随着多智能体与技能的编排就位,交互模式从同步聊天转向长程异步任务。业务目标不再是让模型即时吐字,而是让智能体深度分析特定金融工具并生成满足严格格式规范的研究报告。为此,Anthropic 引入了被称为“成果目标”(Outcomes)的机制来实现系统的自我监督(Self-supervision)。
在成果目标模式下,系统会向智能体下发一个特定的任务指令包,该数据包包含明确的任务描述、评估任务完成质量的评分量表(Rubric)以及最大重试轮数(Max Iterations)。智能体自主进入沙盒环境执行各种复杂工具调用,而在其认为工作已经彻底结束时,系统并不会直接信任它的结论,而是会自动唤起一个专门充当评估者的子智能体(Grader Sub-agent)。该评分智能体会严格对照事先下发的 Rubric,系统性审查主任务所产出的全部过程数据与最终工件(Artifacts),判断其在正确性与完备性上是否完全达标。若未通过判定,智能体将根据失败反馈重新尝试,直到通过或耗尽最大迭代次数。
Gabe Cemaj 在演示时向观众提炼了这一机制的定义:“在成果目标中,你会告诉 Claude:‘这是你的任务,这是用于评估你任务的评分量表。’它会着手去完成这项工作,当它认为自己已经完成时,它会要求一个子智能体对照评分量表和 Claude 所做的工作进行审查,评估它是否完成得正确且彻底;如果达标了就顺利通过,如果未达标它就会再次重试。”(“In an outcome, you tell Claude, ‘This is your task. This is your rubric to evaluate your task.’ It's going to go off and do that work and then when it thinks it's completed, it's going to ask a sub-agent to look at the rubric and the work that Claude did and evaluate did it do it correctly and did it do it to completion. If it does then great, and if it doesn't it will try again.”)
```mermaid flowchart TD accTitle: 成果目标与自我监督闭环 accDescr: 展示任务和评分标准下发后,智能体执行、评估者审查及未通过时重试的自监督闭环。 subgraph Trigger["任务派发"] A["下发 Outcome 事件<br/>(任务描述 / Rubric / Max Iterations)"] end subgraph Execution["异步执行"] B["主智能体/子智能体协同执行<br/>(调用 SEC 工具 / 生成工件)"] end subgraph Verification["自我监督闭环"] C["唤醒 Grader 评分智能体"] D{"对照 Rubric 校验工件<br/>是否正确且完备?"} E["输出最终合格报告<br/>(更新持久化记忆库)"] end
A --> B B --> C C --> D D -->|"未通过 (迭代次数 < Max)"| B D -->|"通过评定"| E ```
- 核心参数配置:任务定义(Task Description)、评分量表(Rubric)、最大迭代尝试次数(Max Iterations) - 校验执行主体:独立的评分者子智能体(Grader),隔离执行视角以避免认知偏差 - 自我修复闭环:将工件评估中的不合规项转化为后续尝试的纠错上下文
---
[19:05](https://www.youtube.com/watch?v=FGftGOzfohc&t=1145s) 英伟达(NVIDIA)研报分析会话全流程走查
Gabe Cemaj 现场启动了对英伟达(NVIDIA)最新季度财报的分析会话。由于端到端的真实深度分析通常需要耗时约 10 分钟左右,他像“烹饪节目展示预制菜”(Cook show thing)一样切入前一天刚刚完整跑通的真实会话日志,逐层剖析会话运行的实际轨迹。
在会话初始化阶段,系统向智能体注入了清晰的 Outcome 规则:要求分析 NVIDIA 最新的 SEC 季度报告(Form 10-Q),明确提供 SEC EDGAR 凭据的所在位置,并要求智能体优先检索持久化记忆库中是否已存有针对该公司的前置研究记录,严禁重复检索已有知识。任务最终必须交付两项核心成果:一是在记忆库中为该特定公司写入一份总结笔记,二是在指定的本地存储路径中保存一份结构严谨、字段明确的 JSON 记分卡(Scorecard)。
``` 会话追踪执行链路(控制台观测视图): [主研究会话 (Main Session)] │ ├── 步骤 1: 扫描持久化 Memory Store (确认无旧有英伟达缓存) ├── 步骤 2: 制定研究规划并并发生成子智能体线程 │ ├── 线程 A: 财务数据提取专家 (Financial Extractor Sub-agent) │ └── 线程 B: 业务风险评估专家 (Risk Evaluator Sub-agent) │ ├── 步骤 3: 子线程交付数据,唤醒主线程汇总结算 ├── 步骤 4: 本地磁盘写入 scorecard.json,更新长期记忆库 │ └── 步骤 5: 启动独立 Grader 评估流程 (审查数值逻辑与产物完整性 -> 判定合格) ```
控制台通过多线程可视化界面提供了完整的可观测性(Observability),界面中每一行独立线程都代表对应子智能体所完成的计算轨迹。会话起初扫描记忆库未发现历史记录,主智能体随即主动拆解任务,并发启动了一个财务数据提取子智能体(Financial Expert Extractor)和一个风险评估子智能体(Risk Evaluator)。两个子智能体独立查询 SEC 文件并完成分析后,将结构化结果回传并唤醒主智能体。主智能体整合全量数据并完成了两项既定交付物(写入指定格式的 JSON 记分卡并同步更新记忆库)。紧接着,系统的自我监督流程被正式触发:负责质检的评估子智能体调取了预设 Rubric,深入审查所生成的 JSON 文件以及各数据项来源,最终裁定所有要求均已满足,各项财务指标界定清晰,记忆更新准确无误,会话成功结束。最终产出的记分卡文件可供直接入库或在前端表格中直观呈现。
- 检索优化逻辑:分析启动前强制执行记忆检索探测(Avoid refiling and researching existing knowledge) - 专职子智能体分工:财务指标抽取专家(提取量化数据)与风险合规分析专家(定性风险提取) - 双重交付物要求:本地磁盘持久化结构化 JSON 工件 + 跨会话长期记忆库同步沉淀 - 可观测性面板(Observability Console):以并行线程(Thread)方式直观展现各子智能体的工具调用栈与运行生命周期
[22:09](https://www.youtube.com/watch?v=FGftGOzfohc&t=1329s) 技能动态更新与自定义编排架构
Gabe Cemaj 接着前面的演示说明,在当前会话完成工作后,主 Agent 会汇聚各子任务的执行结果,并产出一组评分。团队将利用先前创建的自定义工具在自建服务器上搭建一套专属编排工具(orchestration harness)。在与主 Agent 交互的过程中,主 Agent 会在特定时机自主决定并发拉起 10 个不同的子会话来执行具体工作。
在深入编排细节前,Gabe 补充了一个先前略过的步骤:演示如何更新 Agent 技能(Skill)。他强调,在 Claude Managed Agents 体系中,技能并不是静态的代码,而是可以随时动态演进的实体资产。在演示中,他通过给现有技能增加解析新表格格式的能力,展示了技能迭代的过程。一旦技能发布更新,后续所有引用该技能的新会话都会即时获取最新能力。开发者完全可以通过审视历史会话的实际表现来持续打磨这些技能。这种跨会话的学习与持续优化机制,在团队内部被称为“Dreaming”(梦境巩固)。
- **技能的生命周期**:技能作为实时生效的动态组件(live artifacts),支持持续修改与重新发布。 - **即时生效机制**:新创建或调用的会话在加载被更新的技能时,会自动拉取最新版本定义与上下文说明。 - **经验闭环机制**:系统通过类似“Dreaming”的后台巩固流程,分析历史会话的边缘案例以实现自我优化。
---
[23:42](https://www.youtube.com/watch?v=FGftGOzfohc&t=1422s) Vaults:出口端占位符动态替换与安全隔离
现场进入问答环节,Priyanka Phatak 先向台下开发者澄清了工作坊算力额度的发放问题:尽管官方表单提示需要一至两天,但后台实际发放只需约五分钟。紧接着,一位开发者提问,研究 Agent 在访问 SEC(美国证券交易委员会)数据时是否需要凭据,平台又是如何实现凭据注入与安全代理的。
Gabe Cemaj 解释称,SEC 官方只要求在请求中附带姓名和邮箱,本次演示直接通过 Prompt 注入来处理;但在真实生产环境中,必须使用被称为“Vaults”(凭据保管库)的安全功能。在 Vaults 中,用户声明一个需注入为环境变量的 Secret,但系统在执行环境中注入的并非真实敏感信息,而是一个占位符(placeholder)。当 Claude 在沙箱内执行并引用该环境变量时,拿到并调用的始终是占位符。真正的替换发生在网络出站层(egress):只有当请求的目标域名严格匹配开发者在 Vaults 中配置的白名单 Host 时,出站网络网关才会把占位符动态替换为真实密钥。如果 Agent 试图将凭据发往非授权域名,替换便不会发生,从而杜绝敏感凭据外泄。
```mermaid flowchart LR accTitle: Vaults 出口端动态替换流程 accDescr: 展示 Claude 沙箱使用占位符,仅在请求通过白名单域名时于出站层替换为真实密钥的安全架构
subgraph Sandbox["Agent 沙箱环境"] Agent["Claude Managed Agent"] Env["环境变量 (占位符)"] Agent -->|"读取"| Env end
subgraph Gateway["出站网关 (Egress Gateway)"] Check{"目标域名是否在白名单?"} Swap["替换占位符为真实 API 密钥"] Reject["拒绝注入并阻断"] end
subgraph External["外部服务"] SEC["SEC 官方域名 (已授权)"] Untrusted["第三方未知域名 (未授权)"] end
Agent -->|"出站请求 (含占位符)"| Check Check -->|"匹配 (sec.gov)"| Swap Check -->|"不匹配 (非授权目标)"| Reject Swap --> SEC Reject -.-> Untrusted ```
Priyanka 补充道,Vaults 提供了开箱即用的 API 与 Console 界面。用户只需在控制台创建 Vault,拿到 Vault ID 并传入会话,系统便可自动为 MCP(Model Context Protocol)或 CLI 工具提供鉴权能力,例如在沙箱中安装 Google Workspace CLI 并挂载对应的凭据。Gabe 在控制台现场演示了 Vault 的创建界面,指出它原生支持 MCP OAuth(如 Notion 等第三方应用的标准化授权流程),多项凭据打包在一个 Vault ID 下,在运行时提供端到端的主机域名作用域保护。关于敏感凭据的安全防护机制,Gabe Cemaj 总结道:“And instead of putting the real secret in, what we put is is a placeholder. Uh and then when Claude is doing work and it wants to use that environment variable, um it just injects the placeholder value. We at egress swap it out for the real value. only on the host domains that you specified are allowed for that secret.”
---
[26:08](https://www.youtube.com/watch?v=FGftGOzfohc&t=1568s) Managed Agents 与 Agent SDK 的架构分工
现场有参会者询问 Claude Managed Agents 与此前的 Agent SDK 之间的边界和层级关系,想了解两者在能力重叠与分工上的细节。
Gabe Cemaj 澄清,Agent SDK 最初是围绕 Claude Code 构建的无头(headless)二进制包,开发者可以将其下载并部署在任意自有基础设施上。而当前展示的 Managed Agents 并不是简单地套壳在 Agent SDK 之上,而是团队吸收了 Agent SDK 的实践经验后,在 Anthropic 云端全新构建的通用托管型执行架构。它不再局限于软件工程场景,而是面向更为通用的复杂任务编排。Gabe 将其类比为一个全新的分支 Harness。针对二者的技术定位,Gabe Cemaj 指出:“Agent SDK is basically like a cloud code in the form of a binary that you can take and run wherever you want. This is a fully hosted solution running in our cloud and we have our own harness that's heavily inspired by cloud codes harness and we frequently stay stay in touch for like any enhancements across the board.”
- **Agent SDK**:本地化或私有化运行的独立二进制形式,紧密绑定在代码工程场景,强调无头自托管。 - **Managed Agents**:运行在 Anthropic 云端的全托管基础设施,提供通用的多 Agent 与工具编排 Harness,不局限于编程。
---
[27:15](https://www.youtube.com/watch?v=FGftGOzfohc&t=1635s) 防死循环护栏与会话实时转向(Steering)
针对多 Agent 协作时可能出现的死循环失控及 Token 滥耗风险,现场开发者提出了防护机制的疑问。Gabe Cemaj 直言,由于当前架构允许开发者使用自定义 Harness,防循环与异常检测的逻辑目前主要由开发者侧根据业务场景自行把控。尽管 Anthropic 正在深入调研按会话施加严格预算限制的能力(例如限制单次会话的资金消费上限或 Token 总量上限),但现阶段尚未对外推出内置的硬性预算熔断功能。
紧接着,另一位参会者提问:如果在 Console 中观察主 Agent 与子 Agent 的历史轨迹,发现 Agent 偏离了路线或出现错误,是否有机制回溯到历史节点重新引导?Gabe 演示了实时的“会话引导”(Steering)机制。开发者可以在运行时向会话推入新的用户消息事件(User Message Event),这些事件会进入处理队列,系统允许单次并发排队数十条指令来纠偏 Agent 的后续行为。
随后,Priyanka 针对“时光倒流”的需求补充说明,开发者本质上是在寻求会话分支复制(Session Forking)功能。尽管目前平台暂不支持撤销(Rewind)并重放历史,但已有不少企业客户提出了明确诉求,该功能已被列入官方 Roadmap 中。关于当前纠偏 Agent 的具体交互方式,Gabe Cemaj 说明道:“You can steer it. So I could I could uh I think here if I say send event I could send a new user uh message event and steer the agent. Uh it'll queue it up. it's, you know, you can send that 10 messages at a time and it's fine. We don't currently have a way for like rewind and roll forward.”
---
[29:14](https://www.youtube.com/watch?v=FGftGOzfohc&t=1754s) 共享记忆存储、组织级上下文与子任务评估机制
现场提问转向多用户规模化部署时的知识沉淀:当数百位分析师使用应用进行金融研究时,Agent 之间如何实现集体知识(Collective Knowledge)的共享与沉淀?
Gabe 透露,这项能力在本次演示中已经落地——平台提供了跨会话的“记忆存储”(Memory Store)。在任务运行过程中,每个 Agent 都会将各自在边缘场景下探索到的事实与经验沉淀到存储中;在后期,系统会触发“Dreaming”机制将分散的记忆进行聚类和精炼,使各 Agent 能够协同汲取经验。面对参会者关于厂商锁定(Vendor Lock-in)和自建环境(如 AWS Bedrock 或私有数据沙箱集群)的追问,Gabe 和 Priyanka 明确表示,整个架构完全通过开放 API 驱动,用户可以随时提取全部记忆数据导入自建系统,也可以借助自定义 MCP 工具接入外部第三方记忆基础设施。
Priyanka 进一步拆解了记忆存储的设计哲学:一个会话支持挂载多个不同层级的 Memory Store。例如,会话可以同时挂载一个“用户级记忆存储”(记录个人的分析习惯与业务偏好)以及一个“全公司/组织级记忆存储”(共享团队内部沉淀的行业基准)。每次启动会话时,两者同时生效,从而在保障灵活性的同时彻底消除厂商绑定风险。关于数据的可移植性,Priyanka Phatak 强调:“And then like Gabe said none of this is locked in. You can like take your data and go anywhere else if you wanted to. Everything is an API call.”
在章节尾声,一位参会者注意到系统中的评估打分器(Grader)目前仅作用于顶层主 Agent,因此追问平台该如何对细分到各子 Agent 的子任务展开独立评估与细粒度记忆管理。Gabe 认同这是一个非常关键的架构问题,并解释称子 Agent 在这套体系下的核心设计目标有两个维度:第一是用于动态扩展上下文窗口,第二是充分调度专业化的工具链来完成隔离的子任务。随后的讨论围绕子任务评估与状态隔离的具体实现路径展开。
[31:54](https://www.youtube.com/watch?v=FGftGOzfohc&t=1914s) 成果评级架构与 Dreaming 持续学习机制
在多 Agent 协同体系中,任务成果(outcome)的定义与评定完全处于全局会话层(session level),而非分散在各个子 Agent 内部。系统由顶层主 Agent 接收总体目标,负责协同调度不同的子 Agent 推进执行,并在主 Agent 自主判定“已完成”后,整体触发评级机制。目前平台尚未开放针对单个子 Agent 独立设立“子成果(sub-outcome)”进行单独考核的功能。
面对现场观众关于“Dreaming 功能如何从子 Agent 的偏航或失败行为中总结学习”的追问,讲师指出当前的 Dreaming 机制主要集中在记忆存储(memory stores)层面。系统会在后台跨多个会话分析历史对话记录(transcripts)以及生成的记忆条目,自主优化并整合存储库,以便后续会话中的 Agent 能够精准提取相关经验。针对未来演进,讲师强调:
> “你可以想象,我们可以继续将其拓展到 skills、prompts 以及 agent definitions 上,从而实现这种持续学习功能。但目前我们仅将其应用于 memory stores。”
```mermaid flowchart TD accTitle: 成果评级与 Dreaming 机制流程 accDescr: 展示全局会话任务、主 Agent 调度子 Agent 以及通过 Dreaming 跨会话更新记忆存储的完整闭环。
subgraph Runtime["运行时会话层 (Session Level)"] Task["全局任务与成果定义<br/>(Outcome & Rubric)"] MasterAgent["主 Agent (Main Agent)"] SubAgents["子 Agent 协作网络<br/>(Sub-agents Collaboration)"] Grader["评级系统 (Grader)<br/>核对 Rubric 并决定通过或重试"]
Task --> MasterAgent MasterAgent <--> SubAgents MasterAgent -->|"宣布完成 (I'm done)"| Grader end
subgraph DreamingEngine["离线演进层 (Dreaming Engine)"] Transcripts["多会话记录与记忆<br/>(Session Transcripts & Memories)"] DreamProc["Dreaming 深度分析处理"] MemStore["全局记忆库 (Memory Stores)<br/>自动更新沉淀认知"]
Transcripts --> DreamProc DreamProc --> MemStore end
Grader -.-> Transcripts MemStore -.->|"跨会话经验召回"| MasterAgent ```
- **成果约束层级**:目标(Rubric/Outcome)严格绑定在全局 Session 上,主 Agent 负责分发任务,现阶段不支持针对子 Agent 的分层 sub-outcome 评估。 - **Dreaming 作用边界**:当前仅作用于结构化 Memory Store 的提炼更新,未来计划延伸至自动化 Skill 优化与 Prompt 调优。
---
[33:16](https://www.youtube.com/watch?v=FGftGOzfohc&t=1996s) 私有数据接入安全方案:MCP 隧道与自托管沙箱
当企业需要将内部专有数据源(如内部数据库、RAG 检索系统或私有 CLI 工具)安全接入 Managed Agents 时,系统提供了两条兼顾灵活度与企业级安全的实施路径。针对可直接通过 API 或命令行封装的数据,用户可编写标准 MCP(Model Context Protocol)服务,并结合托管平台的凭据保险库(Authentication Vault)进行安全鉴权。如果企业严格限制内部服务暴露在公网,则可启用平台提供的 MCP Tunnels 特性:
> “如果你不想将你的 MCP 暴露给互联网,我们提供了一个名为 MCP tunnels 的功能,它允许你从你的网络向我们构建一条通道,这样你就无需将其暴露在互联网上,我们会通过这种方式进行调用。”
对于网络合规要求更为严苛、无法打通隧道的场景,平台支持自托管沙箱(Self-hosted Sandboxes)。企业可以在自身私有网络内运行与托管沙箱实例,该沙箱直接与企业内网环境完成对等连接(peered),能够直接访问内网专属微服务和各类基础设施。Managed Agents 运行时直接同企业自控的沙箱通信,彻底消除私有网络边界被破坏的数据泄露风险。
- **公网 API / 外部 MCP 方案**:构建标准化 MCP 服务,通过平台 Vault 动态注入鉴权凭据,实现出向受控访问。 - **MCP Tunnels 方案**:企业内部建立反向安全隧道连接至 Anthropic 托管集群,杜绝将敏感内部端点向公网暴露端口。 - **自托管沙箱 (Self-hosted Sandbox) 方案**:企业自建运行环境并与内网 VPC 对等互联,Agent 仅作为大脑调度沙箱,数据交互全程留在内网合规边界内。
---
[34:28](https://www.youtube.com/watch?v=FGftGOzfohc&t=2068s) 环境依赖管理与部署演示衔接
针对沙箱运行环境依赖加载时机的问题,讲师澄清环境依赖并非在运行时动态拉取,而是在沙箱容器的“创建时(creation time)”统一预置与构建。平台对此提供了深度的镜像与环境缓存能力,当沙箱在后续任务中需要重建或多实例拉起(reinstantiations)时,会直接复用已缓存好的底层运行时,避免每次初始化产生冷启动开销。
在依赖来源方面,目前沙箱原生支持从公共包管理器(包括 npm、pip、cargo 等)拉取标准依赖。对于企业专有内部依赖项,用户既可以直接将依赖包文件以文件形式上传至会话上下文中,也可以通过配置私有 GitHub 仓库拉取安装。随后,观众就控制台中的 Deployments(部署)标签页提出疑问,讲师表示接下来的实操部分将专门演示部署链路,并随即切换回实时演示流程以展示完整构建过程。
- **依赖生命周期**:环境依赖在沙箱实例化阶段完成构建并自动缓存,后续重建均命中全局缓存。 - **依赖生态支持**:全面兼容主流包管理器(`pip`、`npm`、`cargo`),私有库可通过本地文件上传或 GitHub 仓库拉取注入。
## Notable quotes > [11:21](https://www.youtube.com/watch?v=FGftGOzfohc&t=681s) The whole point of Claude managed agents is that you can do long-running asynchronous tasks. Not just for minutes, but hours, days, weeks, and even months. — Gabe Cemaj
> [29:14](https://www.youtube.com/watch?v=FGftGOzfohc&t=1754s) And then like Gabe said none of this is locked in. You can like take your data and go anywhere else if you wanted to. Everything is an API call. — Priyanka Phatak
## Mentioned Claude, Claude Managed Agents, Anthropic, Priyanka Phatak, Gabe Cemaj, Claude Code, Agent SDK, Model Context Protocol (MCP), SEC EDGAR, NVIDIA, Bun, AWS Bedrock, Google Cloud Platform (GCP), Vercel, Modal, Daytona, Notion, Google Workspace, GitHub, Server-Sent Events (SSE)
## Video description From a one-line console agent to a research desk with skills, subagents, memory and self-grading outcomes.
NEXT UP: AI ENGINEER CODE SUMMIT Join us in SF for the second annual AIE CODE Summit, Nov 10–12, our last flagship summit of 2026. Applications live now: https://aie.codes
Priyanka Phatak finishes a no-code agent in the console, then Gabe Cemaj leads the hands-on build: a 'research desk' app with a chat UI on the session's event stream. He adds an SEC EDGAR skill, subagents, a custom tool and a shared memory store, then runs an outcome-graded analysis of Nvidia, where a grader checks the work against a rubric and Claude retries until it passes. Q&A covers vaults, the Agent SDK vs managed agents, guardrails, memory sharing and MCP tunnels.
This is part 2 of 4 of the Claude Managed Agents workshop from Anthropic.
In this video: • Building a chat UI on the session event stream • Outcomes: a task, a rubric and a grader that makes Claude retry • Vaults that swap placeholder secrets at egress • Shared memory stores and self-hosted sandboxes
SPEAKERS Priyanka Phatak, Member of Technical Staff, Anthropic (leads the Claude Managed Agents engineering team)
Gabe Cemaj, Member of Technical Staff, Anthropic GitHub: https://github.com/gcemaj
LINKS Claude Managed Agents docs: https://platform.claude.com/docs/en/managed-agents/overview Scaling Managed Agents: Decoupling the brain from the hands: https://www.anthropic.com/engineering/managed-agents
CHAPTERS 0:00 Q&A: how session storage changed 1:04 Console quick start demo 3:47 The workshop repo 4:41 What we're building 6:10 Workshop skill and project setup 10:16 Q&A: where managed agents run 11:52 Chat interface over the event stream 13:41 Skills, subagents and custom tools 17:41 Outcomes and self-supervision 19:05 Nvidia research session walkthrough 22:40 Updating skills as live artifacts 23:53 Q&A: vaults and credential injection 26:08 Q&A: Agent SDK vs managed agents 27:15 Q&A: guardrails for agent loops 28:04 Q&A: steering and session forking 29:14 Q&A: shared memory and lock-in 31:29 Q&A: grading subagents 33:16 Q&A: private data and MCP tunnels
Recorded at the AI Engineer World's Fair 2026 in San Francisco. Subscribe for more talks from the engineers building with AI.
AI Engineer: https://ai.engineer YouTube: https://www.youtube.com/@aiDotEngineer X: https://x.com/aiDotEngineer LinkedIn: https://www.linkedin.com/company/aidotengineer/
#Claude #AIAgents #AIEngineer
[Source](https://www.youtube.com/watch?v=FGftGOzfohc)