这个产品叫 Claude Managed Agents。一句话概括：你告诉 Anthropic 你想要什么样的 AI 智能体，它帮你在云端跑起来，基础设施全包，按用量收费。Sentry 用它几周就上线了自动修 bug 的全流程，Rakuten 一周部署一个专项智能体。之前这些事需要一整个工程师团队干几个月。
与此同时，Anthropic 的年经常性收入刚突破 300 亿美元，是去年 12 月的三倍。大部分增长来自企业客户。华尔街已经开始紧张了，WSJ 说投资者对传统 SaaS 公司的股价越来越谨慎，担心 Anthropic 这类产品会让一些传统软件服务变得多余。
这个产品到底是什么？和你已经在用的 Claude Code 有什么区别？技术上怎么做到的？
如果你用过 Claude Code，你知道 AI 智能体怎么工作：你给它一个任务，它自己规划步骤、调用工具、写代码、改文件，一步步把事做完。
Claude Code 跑在你自己的电脑上，是给开发者个人用的命令行工具。 你关了电脑，它就停了。
Managed Agents 跑在 Anthropic 的云上，是给企业用的 API 服务。 它可以 24 小时不间断运行，断线了也不丢进度，你的产品可以直接内嵌智能体能力。Notion 就是这么干的：用户在 Notion 里把任务分配给 Claude 智能体，智能体在后台干完活把结果交回来，用户全程不需要离开 Notion。
几种典型用法：
• 事件触发型：系统发现 bug，自动派智能体修复并提 PR，中间不需要人介入。 • 定时型：每天早上自动生成 GitHub 活动摘要或团队工作简报。 • 即发即忘型：在 Slack 里给智能体派个活，它做完把表格、PPT、App 交回来。 • 长时间任务型：跑几个小时的深度研究或代码重构。
和企业自己搭的云端智能体有什么区别？
能自己搭，但很贵很慢。
一个能上线的智能体，需要的东西远比“调一下 API”多得多：沙盒环境（sandbox，一个隔离的安全空间，AI 在里面跑代码、改文件，不管怎么折腾都不会影响外面的真实系统，相当于给 AI 一台专用虚拟电脑）、凭证管理、状态恢复、权限控制、全链路追踪……
很多企业客户之前需要一整个工程师团队专门搞这些。现在开箱即用，工程师可以去做产品真正核心的部分。
但 Managed Agents 解决的痛点还不只是省人力。
马东锡（@dongxi_nlp）有一个精辟的总结：
本地的 harness（调度框架，决定 AI 什么时候调工具、上下文怎么管理、出错怎么重试）是徒劳的，因为随着模型迭代把问题本身解决了，针对旧模型局限而精心设计的 harness 就失去了存在的意义。模型的局限性厂家最清楚，它可以完全按照模型的特性设计不同的 harness，然后打包卖给你。这个包，就是 Managed Agents。
Anthropic 工程博客里有一个具体的例子：Claude Sonnet 4.5 快到上下文窗口极限时会“焦虑”，草草结束任务。他们在调度框架里加了上下文重置来应对。但 Claude Opus 4.5 出来后，这个毛病消失了，之前的补丁反而变成了累赘。
你自己搭调度框架，每次模型升级你都得跟着改。交给 Anthropic，他们替你优化，严格来说他们优化了卖给你。
谁在用？怎么用的？
Notion 让用户在工作区里直接把编码、做 PPT、整理表格这些活扔给 Claude，几十个任务并行跑，整个团队在同一个输出上协作。Notion 产品经理 Eric Liu 说，用户可以把开放式的复杂任务直接委托出去，不用离开 Notion。
Sentry 做了“从发现 bug 到提交修复代码”的全自动流程。他们的 AI debug 工具 Seer 找到问题根因后，Claude 直接写补丁、开 PR（代码提交合并请求）。工程总监 Indragie Karunaratne 说，几周就上线了，还省掉了持续维护自建基础设施的运营开销。
Atlassian 把它接进了 Jira，开发者可以直接在 Jira 里把任务分配给 Claude 智能体。
Asana 做了 AI Teammates，在项目管理里加入 AI 协作者，能接任务、交付物。
General Legal（法律科技公司）的玩法最有趣：他们的智能体能根据用户的提问，临时写工具来查数据。以前每个用户问题都得提前预判并开发检索工具，现在智能体自己按需生成。CTO 说开发时间缩短了 10 倍。
Rakuten 在工程、产品、销售、市场、财务各部门都部署了专项智能体，每个一周内上线，通过 Slack 和 Teams 接任务，交回来的是表格、PPT、App 这些实际交付物。
技术原理：大脑和手分开
Anthropic 工程团队写了一篇技术博客 Scaling Managed Agents: Decoupling the brain from the hands[1]，讲了 Managed Agents 背后的架构演进。
最早他们把所有东西塞进一个容器：AI 的推理循环、代码执行环境、会话记录，全在一起。好处是简单，坏处是鸡蛋全在一个篮子里，容器一挂，整个会话就丢了，而且没法单独替换某个部分。
后来他们做了一个关键拆分：
• “大脑” 是 Claude 和它的调度框架，负责思考和决策。 • “手” 是沙盒和各种工具，负责执行具体操作。 • “记忆” 是独立的会话日志，记录发生的一切。
三者互不依赖，任何一个挂了都不影响其他两个。
这个拆分带来几个实际好处：
快
不是每个任务都需要启动完整的沙盒环境，现在只有 AI 真的需要跑代码时才按需启动。首次响应延迟中位数降了约 60%，极端情况降了超过 90%。
安全
AI 生成的代码跑在沙盒里，而访问外部系统的凭证存在沙盒外面的安全保险箱里，两边物理隔离。比如访问 Git 仓库，系统初始化时就把代码克隆好了，AI 正常用 git push/pull，但 Token 本身对 AI 不可见。对于 Slack、Jira 这类服务，通过 MCP 协议接入，请求经过代理层，代理层去保险箱取凭证调服务，AI 全程不经手凭证。
灵活
大脑不关心手是什么。工程博客里有句话很有意思：调度框架不知道沙盒到底是一个容器、一部手机、还是一个宝可梦模拟器。 只要符合“名字和输入进去，字符串出来”的接口就行。
这也意味着多个大脑可以共享手，一个大脑可以把手交给另一个大脑，为多智能体协作打下了基础。
局限性
Managed Agents 并不是万能的。几个需要注意的点：
部分功能还在研究预览阶段。 多智能体协作、高级记忆工具、自我评估迭代（让智能体自己判断任务完成质量并反复改进）这些能力目前还没有全面开放，需要申请才能使用。
平台绑定。 选择 Managed Agents 意味着你的智能体基础设施绑在了 Anthropic 生态里。如果未来想换模型或换平台，迁移成本不可忽视。
上下文管理仍然是难题。 虽然会话日志独立存储，但长时间任务中哪些信息该保留、哪些该丢弃，仍然涉及不可逆的决策。这是一个持续挑战，他们目前的做法是把上下文存储和上下文管理分开：存储保证不丢，管理策略随模型进化调整。
成本可预测性。 0.08 美元/会话小时听起来不多，但智能体跑几个小时的复杂任务，Token 消耗加上运行时费用，成本可能不低。企业需要做好预算评估。
Managed Agents 说明大多数企业离“全面用 AI 智能体干活”还有很长的路要走。基础设施的门槛降低了，但怎么定义好的任务、怎么设计好的工作流、怎么建立信任让 AI 接触核心业务数据，这些问题 Managed Agents 帮不了你。
AI 智能体基建的“AWS 时刻”
看起来 Managed Agents 走的是 AWS 当年的老路：先有了计算能力，然后把运行环境也包了。十年前企业纠结“上不上云”，现在纠结“Agent 基础设施自建还是托管”。历史经验告诉我们，大多数企业最终会选择托管，因为基础设施从来不是核心竞争力。 OpenAI 也推出了自己的 Agent 平台 Frontier，这个赛道的竞争刚刚开始。
从技术角度看，“大脑和手分离”这个架构思路值得关注。它让系统的每个部分都可以独立演进：模型升级了，换大脑；需要新工具，加一双手；存储方案改了，替换记忆层。工程博客里的类比说得好：操作系统的 read() 命令不关心底下是 1970 年代的磁盘还是现代 SSD，抽象层稳定了，底下的实现随便换。
从使用角度看，如果你是企业开发者，想在自己的产品里嵌入 AI 智能体能力，Managed Agents 可能会省掉你几个月的基础设施工作。六种语言（Python、TypeScript、Java、Go、Ruby、PHP）有 SDK 支持。如果你已经在用 Claude Code，更新到最新版，输入 /claude-api managed-agents-onboarding 就能开始。如果你是普通 AI 爱好者，短期内最直观的感受可能是：你用的那些 SaaS 产品里，会有越来越多的 AI 智能体在后台帮你干活，而这些智能体很可能就跑在 Managed Agents 上。
定价参考：Token 费用按 Anthropic API 标准价格，运行时 0.08 美元/会话小时（空闲不计费），网页搜索 10 美元/千次。
你觉得 AI 智能体的基础设施，最终会像云计算一样被几家大厂垄断吗
