Anthropic近日为需要持续执行大量任务的企业推出了全新解决方案——托管智能体(Managed Agents)服务。这项服务由Claude的开发商Anthropic推出,旨在帮助各类组织创建和部署云端托管的知识工作自动化流程。
什么是智能体
智能体由机器学习模型构成,这些模型可在迭代循环中调用各类软件工具。以Claude Code为例,它是一款编程智能体,借助Opus 4.6等模型以及bash等命令行工具,通过客户端编排框架协同运作,从而生成编程代码。
使用Claude Code的开发者可以创建专注于特定任务的子智能体,例如专门负责前端设计的智能体。这些子智能体通过Markdown文件和YAML数据进行定义,引导底层模型聚焦于界面交互模式相关的训练数据,而非代码执行效率或其他目标。
Anthropic在其技术文档中解释道:"智能体是一种可复用、可版本化的配置,用于定义角色与能力。它将模型、系统提示词、工具、MCP服务器以及技能整合在一起,共同塑造Claude在会话过程中的行为方式。"
运行智能体的完整流程涵盖前期规划与配置,以及后续的监控与反馈:用户下达任务指令,智能体尝试执行,或进一步提问,或直接生成结果,直至Token配额或API预算耗尽。
托管智能体的核心价值
托管智能体的吸引力正在于此:Anthropic致力于让智能体的运行过程更加自动化、更具可扩展性,这对企业用户而言具有重要价值。
Anthropic在其博客中表示:"将一个智能体推向生产环境,需要具备沙箱代码执行、检查点机制、凭证管理、权限隔离以及端到端追踪等能力。托管智能体将处理所有这些复杂性。用户只需定义智能体的任务、工具和安全边界,其余一切交由我们的基础设施来完成。内置的编排框架将自动决策何时调用工具、如何管理上下文,以及如何从错误中恢复。"
与个人使用场景(尤其是编程场景)中半自主的智能体交互方式不同,Claude托管智能体专为更长时间的无人值守运行场景设计。
托管智能体在其管理环境中可自主完成文件读取、命令执行、网页浏览和代码运行等操作,无需频繁人工干预。大语言模型交互中的常规性操作,例如压缩会话以释放上下文空间,也完全交由系统自动处理。
适用场景与实际应用
Anthropic推荐将托管智能体用于以下场景:需要长时间完成、涉及大量工具调用的任务;可在云端安全容器中运行的工作流;以及需要持久化文件存储和对话记录的业务场景。
托管智能体的应用范围并不局限于编程——尽管编程目前仍是Claude最主要的商业应用场景。Anthropic表示,其托管智能体能够胜任广泛的办公类任务,这一定位也与同日正式宣布全面可用的Claude Cowork高度契合。
Anthropic通过Notion产品经理Eric Liu的视频案例,展示了托管智能体的综合应用价值。据介绍,Notion已将托管智能体用于代码交付、网站搭建和演示文稿制作等场景,具体任务包括:整合项目资产、创建Slack频道、调研竞争对手官网,以及发送包含项目时间节点的邮件通知。
在定价方面,托管智能体按标准平台费率收费,另加每活跃运行小时0.08美元的会话费用。
Q&A
Q1:Anthropic托管智能体(Managed Agents)是什么?
A:托管智能体是Anthropic推出的一项云端服务,帮助企业创建和部署自动化智能体,用于执行知识工作任务。用户只需定义任务、工具和安全边界,Anthropic的基础设施会负责处理沙箱执行、检查点、凭证管理、权限控制和全程追踪等复杂工作,无需用户自行搭建和维护底层系统。
Q2:托管智能体适合用来做哪些工作?
A:托管智能体适合需要长时间运行、频繁调用工具的任务,例如整合项目资产、创建协作频道、调研竞争对手网站、发送项目进度邮件,以及代码交付、网站搭建和演示文稿制作等。它不仅限于编程场景,也广泛适用于各类企业日常办公自动化需求。
Q3:Anthropic托管智能体的收费标准是什么?
A:托管智能体按Anthropic标准平台费率计费,并在此基础上额外收取每活跃运行小时0.08美元的会话费用。具体总费用取决于实际使用的模型、Token消耗量以及智能体的运行时长。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。