把智能体（Agent）真正推上线，绝不只是写好一条提示词那么简单。它需要一个能执行所写代码的环境、一套访问你的数据的凭证、可观测的会话记录，以及能随用量增长而伸缩的基础设施。在 Anthropic 的应用 AI 团队，我们常年工作在产品、研究与客户（那些基于 Claude 构建产品的团队）的交汇点上，一个规律反复出现：基础设施，才是区分原型与生产级智能体的关键。太多团队把开发周期浪费在安全、状态管理、权限控制和框架调优上。

Claude Managed Agents 是一套用于构建和部署生产级智能体的可组合 API，它将为性能调优过的智能体框架与生产级基础设施结合在一起，让团队从原型到上线的时间从数月缩短到数天。本文将介绍 Anthropic 智能体构建模块的演进过程、我们为什么要推出 Claude Managed Agents，以及团队今天在生产中是如何使用它的。

智能体架构的演进

2023 年，当我们向开发者开放 Claude API 时，接口设计得非常简单：输入 token，输出 token。你发送一条提示，Claude 返回一个补全结果，而智能体框架和底层基础设施都由你自己搭建。

后来，API 的功能越来越丰富，但底层的交互模式从未改变：一次请求，一次模型响应，然后由你的应用决定下一步做什么。很长一段时间，这已经够用了。文档摘要、工单分类、文本改写——这些工作一次交互就能搞定。

但随着时间的推移，人们想交给 Claude 的任务开始超出这个范围。他们希望 Claude 能从头到尾完成一项任务：查资料、执行操作、观察结果、再决定下一步。而且，他们希望 Claude 能直接在自己现有的工作系统上运转——比如代码库、内部 wiki 或工单系统。

通过 API 把 Claude 变成智能体，意味着你要自己构建一个循环：让模型决定做什么，调用工具，把结果喂回去，不断重复。你还需要负责构建和部署这个智能体的脚手架，而且随着模型升级，脚手架可能还需要不断调整。对于需要高度自定义的智能体来说，这种方案是合理的。但对于那些更可预测、复杂度较低的智能体工作负载，随着模型和产品的演进，优化框架反而变成了一件繁复的事。

Claude Code 是我们于 2025 年推出的智能体编程工具，它能让 Claude 直接与你的代码库交互。Claude Code 内部就包含了一套我们自己的框架：循环机制、工具执行、子智能体、上下文管理以及各种让它成为高效智能体的丰富能力。其他开发者自然也希望在自己的智能体（覆盖各种领域）中用到类似的框架机制。

为了让大家能基于 Claude Code 的框架构建智能体，我们发布了 Claude Agent SDK。这个 SDK 提供了与 Claude Code 相同的底层机制，让开发者能用自己的方式构建智能体，而无需维护一套自制的循环。对于很多团队来说，智能体从这时起才真正变得实用：一个已经为 Claude 优化好的框架，带着基础设施原语，而且随着 Claude Code 的改进一起持续进化。

然而，即使有了框架，把智能体部署到生产环境中仍然面临不少挑战：

• 托管与扩缩。智能体跑在哪里？一个处理数小时任务的进程能存活多久？用量增长时靠什么来伸缩？
• 会话管理。智能体的历史记录和进度存在哪里？一次运行能否在中断后无阻碍地恢复？能否回溯检查之前会话中发生了什么？
• 文件系统管理。真正干活就要产出工件：编辑代码、写文件、生成输出。智能体需要一个工作空间，这个空间在运行之间如何处理？
• 执行隔离。Claude 写的代码总要在某个地方执行。如果它写错了，影响范围有多大？在什么边界内你才会信任它？
• 凭证管理。智能体需要访问你的系统。它如何获得访问权限，同时又不把专有信息泄露给自己生成的代码？
• 可观测性。当智能体自主工作了一小时却做出了一些出乎意料的事，你能回溯出它每一步的具体操作吗？

通过 Agent SDK，上述很多生产基础设施要素都可以通过 Claude Code 的机制来提供。智能体会拥有一个真实的文件系统，会话状态可以持久化到本地或外部存储，可观测性数据能通过 OpenTelemetry 导出到你已有的监控体系中。

但是，随着越来越多的团队将智能体从本地开发推向生产，他们需要一个能在规模上部署、并且有托管基础设施支撑的方案。同时，随着模型及其配套框架越来越先进——运行时间更长、执行更多代码、触及更多系统、采取更多行动——伸缩性、安全性和沙箱隔离也变得越来越棘手。

这些障碍中有不少源于一个常见的架构选择：智能体框架往往和它所用的文件系统运行在同一个容器中。容器必须先启动（付出启动代价），然后 Claude 才能开始思考；智能体与代码执行紧邻着你的凭证；当容器挂掉时，整个运行也随之终结。

Managed Agents 通过将“大脑”与“双手”解耦来解决这些问题。调用 Claude 的框架与执行代码的沙箱分开运行，而会话——一个只追加的日志，记录每一次模型调用、工具调用和结果——将它们连接起来。Claude 可以在任何容器存在之前就开始推理，沙箱与你的凭证保持安全距离，并且任何时候都能从会话记录中重建整个运行过程。

何时以及为何使用 Claude Managed Agents

使用 Managed Agents 构建时，用户只需要定义任务、工具和防护措施，Anthropic 负责在基础设施上运行智能体并处理底层的智能体循环：如何给智能体提供执行工具的环境、失败时如何恢复、多智能体编排等等。

当框架没有随模型智能一起进化时，智能体就会出问题。在 Claude Sonnet 4.5 上，智能体在接近上下文窗口末尾时会急于收尾，提前结束工作而不是充分利用剩余空间——我们称之为“上下文焦虑”。我们的解决方案是在框架中加入上下文重置，默认假设 Claude 在接近上限时需要帮助来保持连贯。但这个假设在下一个模型上就不成立了。到了 Claude Opus 4.5，这种行为消失了，而我们添加的重置反而成了额外开销。

对大多数组织来说，维护一个框架是一种无法让自己产品差异化的额外负担。框架必须针对特定模型行为进行调优；像压缩、工具执行和缓存这样的原语在 Claude 上和其他模型上的表现不同。使用 Claude Managed Agents，框架会随模型一同进化，让团队可以专注于真正能让自己的智能体与众不同的地方：上下文管理与领域专长。

为了让开发者能够配置构建高效智能体所需的上下文和工具，Managed Agents 围绕三种核心资源构建：智能体、环境和会话。智能体是一种配置：模型、提示词、一组工具及其防护措施。环境是智能体运行的执行上下文：沙箱容器、其网络规则以及预装的软件包，可以托管在我们的云上也可以托管在你控制的基础设施中。每一次运行就是一个会话，它将一个智能体与一个环境配对，并获得一个独立的沙箱实例。会话会持久化全部事件历史、沙箱状态和输出，保存在服务端，因此长期运行的工作可以暂停、干净地恢复，并且在事后可以逐步追溯。通过 Managed Agents，你可以定义一次智能体和环境，然后随着工作量增长，对同一配置运行多个会话。

在 Managed Agents 上为生产与规模而构建

在应用 AI 团队中，我们看到智能体从原型走向生产的过程——无论是在 Anthropic 内部还是客户的系统中，覆盖了编程、金融、支持、法务以及十几个其他领域。这让我们清楚地看到，一个演示 demo 与一个生产级智能体的区别在哪里，以及团队通常在哪些地方卡住。

下面，我们分享一下为什么团队倾向于选择像 Claude Managed Agents 这样的托管服务：

1. 凭证被隔离在沙箱之外。当所有东西都运行在一个容器中时，Claude 生成的代码就紧挨着你的凭证，提示注入可能导致模型通过读取自身环境来泄露 token。虽然我们可以在同一容器中设置强健的防护来防范这一点，但通过解耦架构，我们可以实现一种更安全的方式：将凭证完全排除在沙箱之外。用于 MCP、CLI 和 GitHub 仓库等工具的 token 存储在一个独立的保管库中，袋里只在需要时才获取并解密它们。Managed Agents 提供了 Vaults（保管库）来开箱即用地处理凭证，这样你不需要运行自己的秘密存储、不必在每次调用时传输 token、也不会丢失智能体代表哪个终端用户执行操作的记录。保管库中的凭证在存储前会通过信封加密进行保护，获取时需要经过签名的请求令牌进行验证。

2. 消除沙箱开销，降低延迟。延迟是许多企业团队最关心的指标之一，用户对等待 Claude 响应的感受非常敏锐。在传统架构下，每次会话都需要启动一个容器——即使智能体只需要思考、从不调用工具。这种启动时间被浪费了，用户会感觉到首次响应前的延迟。但在 Managed Agents 中，Claude 可以立即开始推理，同时环境在并行启动；而且那些从不运行工具的会话完全跳过了容器。这意味着用户能看到第一个 token 而无需等待容器启动，环境在智能体需要执行操作时已经就绪。在我们的测试中，这将首次 token 到达时间的中位数（p50）削减了约 60%，最慢情况（p95）削减了超过 90%。

3. 可靠、持久的会话，带来会话管理、可观测性和记忆能力。Managed Agents 不再采用请求/响应的模式，而是以事件为单位思考。会话是一个持续的事件流：每一次模型调用、工具调用和结果都被追加到一个运行在智能体进程之外的日志中。借助这种架构，你可以在智能体工作时实时接收事件流更新，并且可以在之后恢复任何会话，无需管理数据库或保存点。交互之间的历史记录会被保留（除非你删除会话），当会话空闲时，其容器会被检查点快照，这样你可以从暂停处干净地恢复。而且，由于整个运行过程本身就是事件记录，可观测性和记忆功能也随之而来：Claude 开发者控制台提供了一个原生的可视化时间轴视图来展示智能体会话，以及一个允许你深入检查任何对话记录的调试体验。Managed Agents 还提供了 Memory（记忆）和 Dreaming（梦境）等功能来利用这种会话持久性。Dreaming 是一个定时进程，它会审查你的智能体会话和记忆存储，提取模式并整理记忆，从而使你的智能体随着时间的推移不断改进。Dreaming 在会话之间对记忆进行精炼，通过读取持久的会话日志来从反复出现的错误和用户偏好中学习。

4. 灵活性：Anthropic 托管或自托管云容器。默认情况下，Managed Agents 允许你将编排和工具执行都委托给 Anthropic 管理的云容器。这使得托管和伸缩变得简单易行，加速了上线的路径。由于“大脑”与“双手”在 Managed Agents 中被解耦，“双手”可以存在于任何地方，包括你的虚拟私有云（VPC）内部。因此，我们也为希望控制工具执行的团队提供了自托管的沙箱，这样智能体的代码、文件系统和网络出口永远不会离开你的环境。我们还提供了 MCP 通道，让你可以将 Claude 连接到运行在你私有网络内的 MCP（模型上下文协议）服务器。自托管沙箱控制智能体代码在哪里执行，而 MCP 通道控制 Anthropic 如何到达你网络中的 MCP 服务器，让你能够精确控制哪些内容留在自己的边界内。

除了这些特性之外，还有更多能力：结果评估（让智能体根据标准对自己的工作打分）、多智能体编排、权限策略和 Webhook 等。更多信息可在此了解。

客户今天如何在 Managed Agents 上构建

跨行业的客户已经通过 Claude Managed Agents 将智能体部署到生产中。以下是一些例子：

• Notion 在其 Custom Agents 上使用 Managed Agents：团队直接从任务面板将工作分配给 Claude，Claude 获取每项任务相关的文档、会议记录和关联数据，然后将完成的代码、演示文稿和站点放回工作区供评审。数十个任务并行运行，他们的团队描述了一个早期原型：将大约十二小时的工作缩短到二十分钟。
• Rakuten 使用 Managed Agents 在约一周内交付了覆盖产品、销售、营销和金融等领域的专业智能体。
• Sentry 将其 Seer 调试智能体与一个 Claude 智能体配对，后者负责编写补丁并创建 PR，由单个工程师在数周内完成，而非数月。
• Asana 构建了能在项目内部接手任务的 AI 队友，Atlassian 则将开发者智能体集成到 Jira 工作流中。

开始使用 Claude Managed Agents

我们构建 Managed Agents 的目标就是让大家能尽可能轻松地通过 Claude Code 和 Claude 开发者控制台（platform.claude.com）快速启动智能体。例如，控制台的快速入门工具允许你从一个智能体模板开始，或者用自然语言描述你想要构建的东西，然后在几分钟内将其转化为一个可保护并部署的生产级智能体。

在 Claude Code 中，/claude-api 技能默认可用，它为 Claude 提供了关于如何在 Claude Managed Agents 上构建应用的详细最新参考材料。我们强烈建议你使用它来获取设置 Managed Agents 应用的最佳实践。可以通过运行 /claude-api managed-agents-onboard 来启动一个交互式引导，从头开始设置一个新的 Managed Agent。

随着团队分享他们用 Managed Agents 构建的内容，我们看到他们过去花在生产基础设施上的时间，如今被投入到了真正能让智能体与众不同的地方：管理上下文和为用户量身定制体验。现在，当有新模型发布时，你只需更新智能体以使用它，重新运行评估，然后交付改进——无需改动底层的架构。

我们很期待看到你的作品。

开始使用 Claude Managed Agents。