Anthropic 推出 Managed Agents，简化 AI 代理部署流程

Anthropic 在其 Claude 平台上推出了 Managed Agents，这是一套托管执行层，是为支持基于代理的工作流开发与运行。该能力允许开发者定义代理行为、工具调用方式及约束条件，同时将编排、沙箱隔离、会话状态管理、凭证处理和持久化等运行时职责交由平台负责。

此次发布主要面向生产级使用场景，即代理需要执行长时间运行、多步骤的工作流，并涉及外部工具调用、错误恢复以及跨会话连续性。在这种模式下，团队无需自行构建和维护相关基础设施，而是可以通过 Managed Agents 提供的 API，以标准化方式部署和执行代理系统。

从整体架构来看，Anthropic 将代理逻辑与执行基础设施进行了分离。开发者负责定义工作流和工具使用方式，而平台则提供运行时环境，承担安全执行、状态管理以及运行保障。Anthropic 将这一模式描述为一种“元框架（meta-harness）”方法：多个代理工作流运行在共享的执行底座之上，由底层统一处理通用运行时问题，同时保留代理设计层面的灵活性。

Managed Agents 元框架架构（来源：Anthropic 博客）

该系统包含用于代码执行的安全沙箱、面向外部系统的凭证管理、会话连续性支持，以及用于调试和审计的可观测能力。在长时间运行的工作流中，上下文管理仍然是关键问题，因为系统需要决定哪些信息应被保留、摘要化，或在超出模型上下文窗口限制时外部化存储。

NTT DATA AI 高级总监 Radhika Menon 在领英上表示：

过去需要数月搭建的复杂性基础设施，如今已成为平台原生能力。按每会话小时 8 美分计算，你可以在几天内而不是数月内完成从想法到生产落地。

不过，也有一些从业者对生态控制权与可移植性提出担忧。Stealth 创始人 Weilun Chen 评论称：

如果目标是成为一个平台，那么其发展路径定义就应该开源，并提出公共开放标准。但从我目前看到的内容来看，这更像是将用户锁定在他们的 SDK 和格式体系中。

在代理系统开发实践中，开发者通常会借助外部状态存储与检索机制，以弥补模型上下文窗口的限制。这类方法通常用于维持工作流连续性、支持故障恢复，以及在长时间运行过程中保留代理行为的可追踪性。

上下文持久化与恢复始终是有状态 AI 系统中的核心问题，尤其是在跨越单次会话的复杂工作流中。这通常意味着需要将中间状态保存在模型上下文之外，并在执行过程中重新检索，以确保多步骤之间的一致性。

Mufeez 在 X 上指出：

对上下文进行选择性保留或丢弃的不可逆决策，可能导致系统失败。

根据 Anthropic 的说法，Managed Agents 提供的是一个包含会话状态接口、沙箱执行能力以及多代理工作流扩展能力的元框架。该系统将状态管理和计算等运行时职责从代理逻辑中剥离出来，使通用型代理与任务专用型代理都能够运行在统一的共享运行时层之上。