Claude
随着自主代理演进至需持续数小时的复杂长时域任务,落地的核心瓶颈已从模型智能转向底层基础设施,唯有通过自动化沙箱托管与细则驱动的双循环才能实现跨会话的自主迭代。
AI-assisted summary of How to get to production faster with Claude Managed Agents — original source. Check the original for full context.
Source published:
Key ideas
- Anthropic 正式推出 Claude Managed Agents,将工具鉴权、沙箱执行、上下文管理和可观测性下沉为平台级基础设施,以应对智能体从分钟级任务向跨夜乃至跨季度任务演化所带来的工程瓶颈。 (5:00)
- 团队调研指出,50% 的开发者将基础设施受阻(凭据管理、权限隔离、环境安全)视为首要生产卡点,另有三分之一受困于上下文管理,大多数团队缺失确定性的可观测性支持。 (5:00)
- 平台接连上线多 Agent 编排、成果驱动机制(Outcomes)、跨会话持久化记忆(Memory)以及支持离线自我反思提升的“Dreaming”造梦平台。 (10:00)
- 通过“成果机制内循环(自动化评估细则自迭代)+ 本地 Claude Code 外循环”双架构,实测将多图表渲染耗时从 37 秒锐减至 10 秒左右,验证了自主优化潜力。 (11:18)
Detailed notes
## Background 本内容由 Claude 官方频道于 2026 年 5 月 6 日发布在 YouTube 平台。页面介绍指出,传统 Agent 开发往往需要开发者在安全基础设施、状态管理、权限隔离以及每次模型升级的适配上耗费大量精力,而 Claude Platform 推出的 Managed Agents 旨在接管这一底层架构,助力开发者大规模构建并部署生产级智能体。
## TL;DR Anthropic 团队成员 Jess Yan 与 Lance Martin 在演讲中指出,当前 Agent 开发的真正瓶颈已由模型智能本身转向了底层基础设施。为了解决上下文管理、安全沙箱与可观测性等生产痛点,Claude Managed Agents 提供了涵盖四维事件拓扑、成果驱动机制(Outcomes)、持久化记忆(Memory)及自省反思平台(Dreaming)的完整托管运行时。团队通过真实的数据分析 Agent(Pascal)与专为企业高管设计的“Boss Agent”可视化仪表盘,生动演示了内外双循环优化架构如何将复杂多图表渲染耗时从 37 秒骤降至 10 秒左右,展现了从单点调试迈向跨季度复杂业务自动化的全新范式。
## Atmosphere & style 整场演讲氛围极具硅谷技术发布会的极客幽默与自信张力。两位讲者配合默契,Lance 幽默打趣的台风(调侃拖延症是最像人类的特质)与 Jess 清晰严谨的架构拆解相得益彰,现场甚至播放了由 Claude 亲自生成的背景音乐,引得台下会心大笑。随着复杂仪表盘在数秒内并行渲染成型,演示环节层层推进、节奏明快,让观众直观感受到前沿 Agent 架构从“全凭感觉试错”跨越到“高确定性工程化”所带来的震撼与工业美感。
## Bulletin - [05:00](https://www.youtube.com/watch?v=E9gaQHrw_rg&t=300s) Anthropic 正式推出 Claude Managed Agents,将工具鉴权、沙箱执行、上下文管理和可观测性下沉为平台级基础设施,以应对智能体从分钟级任务向跨夜乃至跨季度任务演化所带来的工程瓶颈。 - [05:00](https://www.youtube.com/watch?v=E9gaQHrw_rg&t=300s) 团队调研指出,50% 的开发者将基础设施受阻(凭据管理、权限隔离、环境安全)视为首要生产卡点,另有三分之一受困于上下文管理,大多数团队缺失确定性的可观测性支持。 - [10:00](https://www.youtube.com/watch?v=E9gaQHrw_rg&t=600s) 平台接连上线多 Agent 编排、成果驱动机制(Outcomes)、跨会话持久化记忆(Memory)以及支持离线自我反思提升的“Dreaming”造梦平台。 - [11:18](https://www.youtube.com/watch?v=E9gaQHrw_rg&t=678s) 通过“成果机制内循环(自动化评估细则自迭代)+ 本地 Claude Code 外循环”双架构,实测将多图表渲染耗时从 37 秒锐减至 10 秒左右,验证了自主优化潜力。
## Key takeaways - [00:00](https://www.youtube.com/watch?v=E9gaQHrw_rg&t=0s) 当前智能体开发的瓶颈已从模型本身的智能水平转移至底层基础设施(Task Horizons 扩展带来的支撑能力)。 - [00:00](https://www.youtube.com/watch?v=E9gaQHrw_rg&t=0s) 任务时域从分钟级的代码补全扩展至数小时的跨夜问题清理,未来将支撑需要跨季度协作的复杂企业业务(如并购管线)。 - [00:00](https://www.youtube.com/watch?v=E9gaQHrw_rg&t=0s) 长周期智能体依赖“面向结果的任务(Outcome-oriented tasks)”范式,必须支持自主挂起(Stop)与安全恢复(Resume)机制。 - [05:00](https://www.youtube.com/watch?v=E9gaQHrw_rg&t=300s) 调研显示半数开发者被基础设施卡住,33% 开发者面临上下文管理失当导致的注意力分散与幻觉问题。 - [05:00](https://www.youtube.com/watch?v=E9gaQHrw_rg&t=300s) Claude Managed Agents 采用清晰的心智模型:配置(模型/提示词/工具/技能)、隔离执行环境(网络与依赖包沙箱)以及会话生命周期。 - [05:00](https://www.youtube.com/watch?v=E9gaQHrw_rg&t=300s) 平台建立四维事件拓扑(用户事件、智能体事件、会话事件、跨度事件),彻底解决概率模型可观测性缺失的困境。 - [07:30](https://www.youtube.com/watch?v=E9gaQHrw_rg&t=450s) 控制台提供单一视图追踪全链路日志,内置 Debug Agent 能自动诊断执行卡点并生成优化建议直接对接 Cloud Code。 - [10:00](https://www.youtube.com/watch?v=E9gaQHrw_rg&t=600s) 支持通过 YAML 配置检入代码仓库版本管理,并利用 CLI 编程接口拉取完整会话上下文与执行轨迹。 - [10:00](https://www.youtube.com/watch?v=E9gaQHrw_rg&t=600s) 多 Agent 编排机制允许模型自主克隆实例或分发子任务,通过高保真度任务拆解避免单上下文过载带来的质量衰退。 - [10:00](https://www.youtube.com/watch?v=E9gaQHrw_rg&t=600s) 成果驱动机制(Outcomes)支持为 Agent 预设退出准则,驱动其自主循环执行直至任务完全达成。 - [10:00](https://www.youtube.com/watch?v=E9gaQHrw_rg&t=600s) 持久化记忆(Memory)公测上线结合大会发布的“Dreaming”平台,使 Agent 能在离线状态反思交互并在每次运行间实现自我进化。 - [11:18](https://www.youtube.com/watch?v=E9gaQHrw_rg&t=678s) 双循环优化架构将“面向评估细则自我烹调的内循环”与“人类审视并由 Claude Code 自动重写提示词的外循环”无缝打通。 - [11:18](https://www.youtube.com/watch?v=E9gaQHrw_rg&t=678s) 在严格的评估细则约束下,Managed Agent 展现出自主探索能力,自主摸索出工具调用并行化与高速模式等系统级优化策略。 - [15:00](https://www.youtube.com/watch?v=E9gaQHrw_rg&t=900s) Asana 和 Notion 等行业头部协作平台已深度集成 Claude Managed Agents,加速推动智能体在实际生产业务中的落地。
## Detailed walkthrough ### [00:00](https://www.youtube.com/watch?v=E9gaQHrw_rg&t=0s) AI 指数级发展与长任务时域带来的底层挑战
在 Code with Claude 大会上,Anthropic 技术团队成员 Jess Yan(Claude Managed Agents 产品负责人)与 Lance Martin(开发者体验 DevX 团队成员)共同登台。Lance 幽默地调侃自己的日常工作就是“Jess 让我干啥我就干啥”,引发现场笑声。他们当天的议程涵盖四大板块:AI 指数级演进对智能体(Agent)开发范式的重塑、构建 Claude Managed Agents 的初衷与动因、核心底层原语的深入解析、生动的现场演示,以及帮助开发者快速上手的实操资源。
```mermaid flowchart TD accTitle: Agent Evolution Timeline accDescr: 展示从单组件测试到跨季度并购流程的智能体任务演化过程
subgraph Past["过去 (短时交互)"] A["Claude Opus 编写/修复单个组件<br/>耗时:数分钟至 1 小时<br/>模式:高频干预、单点调试"] end
subgraph Present["现在 (过夜异步执行)"] B["过夜自主运行<br/>耗时:数小时<br/>模式:清空整个 Linear Backlog"] end
subgraph Future["未来 (多智能体协同)"] C["跨季度复杂业务<br/>耗时:数周至数季度<br/>模式:全流程 M&A 并购协同管线"] end
A --> B B --> C ```
Jess 指出,当前模型能力正以指数级速度攀升,然而随着能力进阶,委托给 Agent 的任务复杂度与任务时域(task horizons)也发生了质的飞跃。行业的核心瓶颈已发生转移:Jess Yan 强调:“We're seeing that the bottleneck is increasingly infrastructure and not intelligence.”(我们越来越发现,瓶颈在于基础设施,而不再是模型智能本身)。几年前,开发者可能只是用 Claude Opus 写写单个前端组件或调试摇摆不定的测试用例(flaky test suite),这种单次耗时几分钟到一小时的任务需要人类在旁边紧密盯防并随时纠偏;而现在,开发者已经习惯让 Agent 过夜运行,第二天醒来发现它已经把团队在 Linear 上的所有待办 Bug 全部解决。放眼不久的未来,多 Agent 协同网络甚至能端到端操盘往往需要整支团队耗费几个季度才能完成的复杂企业收并购(M&A)管线。当任务从简短的 Prompt 演变为数小时乃至数天的连续工作时,开发者需要的不再仅仅是提示词脚手架(prompting scaffolding),而是一个真正的 Agent 运行时(agentic runtime)。
Lance 进一步分析了长任务时域对可靠性与安全性的苛刻要求。传统的聊天机器人模式注重即时反馈,但运行数小时甚至数天的 Agent 必须依赖“面向结果的任务”(outcome-oriented tasks)范式——由开发者给出任务目标与验收标准(rubric)。此外,Agent 必须具备在长周期内自主暂停、请求澄清并在获得输入后恢复执行的能力。Lance 戏谑道:“Famously, start and resume is the most human-like of interaction patterns because there's nothing more human than procrastination.”(众所周知,‘暂停后再继续’是最像人类的交互模式,因为没有什么比拖延症更具人性了)。
- **模型能力变迁**:从几分钟内的代码补全,演进至解决跨夜 backlog,未来将覆盖跨季度的端到端业务流程。 - **运行模式转型**:由短时 Prompt 交互升级为基于标准(rubric)和目标驱动的自主循环。 - **关键机制**:必须支持上下文保存、安全受控的挂起(stop)与唤醒(resume)交互。
---
[05:00](https://www.youtube.com/watch?v=E9gaQHrw_rg&t=300s) 开发者面临的生产困境与 Claude Managed Agents 架构解法
长期以来,业界将基础设施的复杂度转嫁给了终端开发者。Jess 分享了 Anthropic 在推出该产品前调研获得的一组严峻数据:
| 生产痛点维度 | 开发者占比 | 核心挑战与业务影响 | |:--- |:--- |:--- | | **上下文管理 (Context Management)** | 33%(三分之一) | 上下文在适当时机能提供关键知识,但在错误时机注入则会严重分散注意力、导致幻觉 | | **基础设施卡点 (Infra Blockers)** | 50%(二分之一) | 凭据管理、权限隔离、环境安全性以及维持人类在环(Human-in-the-loop)是头号生产阻碍 | | **可观测性缺失 (Lack of Observability)** | 大多数用户 | 基于概率输出的模型缺乏确定性追踪手段,传统软件调试方式失效,无法验证质量 |
为了彻底解决这些痛点,Anthropic 正式推出 Claude Managed Agents。Jess 总结道:“We built this platform so that you don't have to.”(我们构建了这个平台,这样你们就不必再重复造轮子了)。该平台将底层基础设施(工具鉴权、工具安全执行、自动化上下文管理、断点检查与重试机制)与灵活的 Agent 原语相结合,并封装了深度可观测性体系,坚决杜绝“全凭感觉(running on vibes)”的盲盒式开发。
```mermaid flowchart LR accTitle: Managed Agents Mental Model accDescr: 展示配置、执行环境与会话事件三者之间的关系架构
subgraph Config["Agent 配置定义"] Model["指定模型"] Prompt["系统提示词"] Tools["工具集成"] Skills["技能库"] end
subgraph Runtime["环境运行时 (Environment)"] EnvConf["网络与依赖包配置"] Exec["代码执行沙箱"] end
subgraph SessionLayer["会话生命周期 (Session)"] Resources["挂载资源 (如 GitHub 仓库)"] Outcome["预期产出标准 (Outcome)"] Events["四维拓扑事件流"] end
Config --> Runtime Runtime --> SessionLayer ```
Lance 阐明了 Managed Agents 简洁的思维模型:首先由开发者定义 Agent 的元数据配置(指定模型版本、系统提示词、可用工具及专属技能);其次配置承载计算任务的隔离环境(包括受控的网络访问规则和预装 Python 依赖包等沙箱设置);最终在具体的会话(Session)中运行。每次会话都可以挂载 GitHub 代码仓库等资源,并绑定预期产出目标。
为了追踪执行过程,平台设计了一套结构化的四维事件拓扑(Event Topology): 1. **用户事件(User Events)**:用于人类引导、打断或设定提前退出标准; 2. **智能体事件(Agent Events)**:记录 Agent 调用了什么工具、如何随时间动态压缩裁剪上下文,以及将子任务委派给谁; 3. **会话事件(Session Events)**:管理任务状态机(运行中、空闲挂起、等待用户输入); 4. **跨度事件(Span Events)**:用于对相关联的底层事件进行分层编组的高级插桩追踪。
---
[07:30](https://www.youtube.com/watch?v=E9gaQHrw_rg&t=450s) 数据分析 Agent 实例演示与 Cloud Code 快速上手
为了展示该架构的实战威力,团队现场展示了一个代号为“Pascal”的自主数据分析 Agent。Pascal 挂载了虚构连锁杂货超市“Just”的数据集,运行在预先装有完整 Python 数据科学生态的沙箱容器中。
在控制台(Console)的“单扇玻璃(single pane of glass)”统一视图中,开发者可以一边查看 Agent 的配置与环境状态,一边实时观察流式事件爆发。Pascal 启动后迅速展开数据挖掘,有条不紊地完成了三项递进式分析任务: 1. **商品偏好分析**:迅速从海量交易记录中提炼出香蕉(bananas)是全店销量最高的爆款; 2. **顾客行为分析**:识别出顾客到店的消费高峰集中在“周日早晨(Sunday morning)”; 3. **预测建模**:基于客户人口统计学画像训练了一个预测模型,精准测算单个用户的二次复购概率。
```mermaid flowchart LR accTitle: Session Debug Flow accDescr: 演示控制台在任务结束后启动调试 Agent 诊断瓶颈并同步至开发工具的过程
A["会话运行结束"] --> B["获取完整事件流日志"] B --> C["启动内建 Debug Agent"] C --> D["诊断系统调用瓶颈"] D --> E["生成改进建议"] E --> F["直接同步至 Cloud Code 修复"] ```
任务执行完毕后,控制台不仅保留了全链路跟踪记录,还内置了一个“调试 Agent(Debug Agent)”。开发者无需手动翻阅数千行日志,调试 Agent 会自动解析事件流中的执行卡点并输出优化建议。Lance 随后演示了如何将这些建议无缝落地到日常开发工作流中。他着重推介了自己在 Cloud Code 中深度参与的一项核心能力——全局内置的 `\cloud-api` 技能。Lance 坦言自己在构建 Managed Agents 时极少手写配置代码,完全依托该扩展自动生成代码,并配合强大的命令行工具(CLI)直接拉取云端会话日志进行本地联动。
[10:00](https://www.youtube.com/watch?v=E9gaQHrw_rg&t=600s) Claude Managed Agents 的高阶功能演进
团队不仅支持通过 YAML 文件检入配置、利用命令行接口(CLI)以编程方式拉取会话记录,还推出了丰富的官方 Cookbook 示例代码。在基础架构之上,演讲者重点介绍了过去几周内接连上线的几项高阶 Agent 能力,每一项都从不同维度拓展了 Agent 应用的场景深度。首先是多 Agent 编排机制(Multi-agent Orchestration),Claude 能够自主克隆自身实例,或者向预先配置好的专门子 Agent 分发委托任务,借此将极其复杂的任务拆解为粒度更小、执行保真度更高的单元。其次是成果驱动机制(Outcomes),该机制允许为 Agent 预设退出准则,演讲者概括其核心逻辑时强调:“You define the goal. Claude keeps going until it's finished.”(你定义目标,Claude 会持续迭代直至达成)。
```mermaid flowchart TD accTitle: Claude Managed Agents 高阶能力矩阵 accDescr: 展示多 Agent 编排、成果驱动循环、持久化记忆与自省造梦四大核心能力。
subgraph Orchestration["编排与执行"] MA["多 Agent 编排<br/>(克隆自身 / 任务委派)"] OC["成果机制 (Outcomes)<br/>(基于预设准则自主迭代)"] end
subgraph Cognition["状态与认知进化"] MEM["持久化记忆 (Memory)<br/>(跨会话读写存储)"] DREAM["Dreaming 平台<br/>(反思并固化全新认知)"] end
MA --> OC OC --> MEM MEM --> DREAM ```
此外,团队在前两周刚刚将记忆系统(Memory)推向公开测试阶段(Public Beta)。有了持久化记忆方案,Claude 在开启新会话时不再是从一张白纸重新开始,而是能够直接读写持久化的记忆存储。而在大会当天,团队成员 Mahesh 更是正式发布了名为“Dreaming”的反思造梦平台。通过该平台,Claude 会在离线状态下反思历史交互,并将新学到的经验固化为新的记忆资产,正如演讲者所描述的那样:“Agents can literally improve between every single run.”(智能体真切地做到了在每一次运行之间自我提升)。
- **YAML 配置与版本管理**:支持将 Agent 设定以 YAML 规范固化并提交至代码仓库,方便工程化版本追踪与持续集成。 - **CLI 编程拉取**:开发者能以代码化手段直接获取完整的会话上下文与执行轨迹,极大便利了构建 Coding Agent 时的集成调试。 - **任务高保真拆解**:借助多 Agent 委派,复杂长链路任务能够被隔离分工,避免单上下文过载引发的幻觉或质量衰退。
---
[11:18](https://www.youtube.com/watch?v=E9gaQHrw_rg&t=678s) 为“AGI 驱动型 CEO”打造数据仪表盘与双循环优化架构
为了展示成果机制与多 Agent 在实际生产场景中的爆发力,Lance 登台演示了一个极具趣味性的项目。数周前,Anthropic 的产品负责人 Angela 给他提出了一个脑洞构想:“一个完全接受了 AGI 信仰的首席执行官(AGI-pilled CEO),手头应该拥有怎样的工具?”为此,Lance 构建了一个智能管理仪表盘——只需输入自然语言问题,Agent 就会自动查询模拟的企业组织数据,并在浏览器中动态渲染出高交互性的图表与可视化看板。底层原理类似于 Claude 网页端的 Artifacts,本质上是由模型生成 SVG 及相关前端代码并在沙盒中呈现。在该演示中,Lance 配置了一个 Managed Agent,为其开启了处理重试的沙盒编排环境,并仅仅赋予了它一个自定义工具:将代码直接渲染到浏览器页面。
```mermaid flowchart LR accTitle: 内循环与外循环协同架构 accDescr: 展示内部基于 Outcomes 的评估迭代与外部基于 Claude Code 的反馈调整双循环。
subgraph InnerLoop["内部循环 (Inner Loop)"] direction TB Agent["主 Managed Agent"] -->|"生成可视化"| Page["渲染前端页面"] Page -->|"触发检查"| SubAgent["评估子 Agent<br/>(截屏与耗时分析)"] SubAgent -->|"对照评估细则 (Rubric)"| Agent end
subgraph OuterLoop["外部循环 (Outer Loop)"] direction TB User["人类开发者 / 业务反馈"] -->|"提出改进建议"| CCode["Claude Code (编码助手)"] CCode -->|"CLI 拉取会话分析"| Update["重写 Prompt 与评估准则"] Update -->|"启动新一轮运行"| Agent end ```
该系统的精妙之处在于“成果驱动机制(Outcomes)”所搭建的评估闭环。Lance 传入了一套评估细则(Rubric):当主 Agent 完成生成后,系统会自动拉起一个独立的评审子 Agent(Sub-agent),对生成的网页成果进行截屏,分析渲染耗时与视觉表现,然后将详细的诊断结果反馈给主 Agent 驱动其继续修正。在此基础上,Lance 进一步提出了内外双循环的工程范式:“You have an inner loop that's using outcomes with managed agents, give it a rubric, cook against that rubric, produce an output.”(你拥有一个使用托管智能体与成果机制的内循环,给它一套细则,它就对照细则不断烹调产出结果)。而“外循环(Outer Loop)”则是由人类开发者审视仪表盘输出并提出修改意见,接着让本地的 Claude Code 借助 CLI 调取会话日志、反思执行全过程、修改 Agent 指令与评估细则,从而自动化开启全新的迭代会话。
- **多层优化策略自主发现**:在完全依托评估细则进行自主优化的过程中,Managed Agent 自主摸索出了多项性能优化手段,包括工具调用的并行化(Parallelized tool calls)、启用高速模式(Fast mode)以及提示词工程优化。 - **渲染耗时大幅下降**:对于生成多张图表的复杂请求,Agent 自动利用多 Agent 架构并行处理,单是这一项就节省了约 7 秒,整体渲染时间由最初低效基线的约 37 秒锐减至 10 秒左右。
---
[15:00](https://www.youtube.com/watch?v=E9gaQHrw_rg&t=900s) Boss Agent 现场演示与开发者生态总结
随着成果展示的展开,“Boss Agent”正式登台亮相。伴随着由 Claude 自主创作的欢快背景音乐(现场嘉宾打趣询问:“Did Claude make that music?”,得到了肯定的答复),仪表盘流畅地执行了对公司核心业务指标的全局分析。面对复杂的分析提问,系统调度多 Agent 协同机制,在同一屏幕内几乎同时并行渲染出三组互相关联的复杂数据图表,向现场观众直观展现了 AGI 时代企业高管所能享有的全自动化信息获取体验。
演讲最后对深度参与产品构建的开发者生态表达了诚挚谢意。在 Claude Managed Agents 研发与公测的整个周期中,团队与业界顶尖的 Agent 创新伙伴紧密共建,例如 Asana 和 Notion 均已深度接入 Claude 平台以扩展其协作软件的自动化边界。演讲者动情地表示,看到全球开发者在平台上构建出如此惊艳的应用令人倍感欣慰,团队将竭尽全力帮助开发者用更快的速度将产品推向生产环境。现场展示了两个快速入门二维码,分别指向核心开发者文档以及能在数分钟内跑通基础构件的交互式入门指引(Quick Start)。
## Notable quotes > [00:00](https://www.youtube.com/watch?v=E9gaQHrw_rg&t=0s) We're seeing that the bottleneck is increasingly infrastructure and not intelligence. — Jess Yan
> [10:00](https://www.youtube.com/watch?v=E9gaQHrw_rg&t=600s) Agents can literally improve between every single run. — Lance Martin
> [10:00](https://www.youtube.com/watch?v=E9gaQHrw_rg&t=600s) You define the goal. Claude keeps going until it's finished. — Jess Yan
## Mentioned Claude, Claude Managed Agents, Claude Opus, Jess Yan, Lance Martin, Angela, Mahesh, Anthropic, Linear, GitHub, Cloud Code, Asana, Notion, Pascal, Dreaming
## Video description Building agents used to mean spending development cycles on secure infrastructure, state management, permissioning, and reworking your agent loops for every model upgrade. Managed Agents, on the Claude Platform, now handles that layer for you. This session covers how to build and deploy a production-grade agent at scale.
[Source](https://www.youtube.com/watch?v=E9gaQHrw_rg)