Claude Managed Agents完整上手指南

Anthropic 刚刚给所有开发者发了一张快车票。Claude Managed Agents 正式公测，你不需要自己搭 Docker、写沙箱、管状态、做错误恢复——三个 API 调用，十分钟，一个生产级智能体就跑起来了。

Notion、Asana、Rakuten、Sentry、Vibecode 已经在上面跑了。这不是实验室里的 demo，是真正在生产环境交付价值的基础设施。

Claude 平台的 Managed Agents 界面：Task Planner、Draft Generator、Summarizer 等预设智能体模板

01 痛点在哪

如果你现在想让 Claude 做"真正的活"——跑代码、读文件、浏览网页、执行 bash 命令——你需要自己搭全套基础设施。沙箱隔离、状态管理、错误恢复、凭证处理。还没让智能体干活呢，光搭架子就是几个月的工程量。

我自己搭过。写一个能跑 bash 的沙箱就得处理进程隔离、超时管理、输出截断、安全边界；再加上文件系统的挂载和清理、网络策略的配置、错误日志的收集和格式化……这甚至还没把多会话并发处理和状态持久化考虑在内。做完这些，你的智能体还一行业务代码没写呢。

这就好比你想开个餐厅，结果发现得先自己盖厨房、装水电、考消防证。大多数人还没开始炒菜就累趴了。

Managed Agents 就是 Anthropic 说：厨房我来盖，你负责炒菜就行。

你定义智能体做什么，Anthropic 在云端运行它。安全容器、长时间运行的会话（可以持续数小时）、内置工具执行、事件流……全部开箱即用。智能体可以写代码、运行代码、搜索网页、编辑文件，你不需要搭任何管道。

而且这不是一个简单的 API 包装层。Anthropic 在底下做了大量针对智能体场景的优化——容器冷启动速度、工具调用延迟、会话状态的可靠持久化——这些都是你自己搭时最容易踩坑的地方。

02 四个核心概念

整个系统建立在四个概念上，理解了这四个，剩下的都是细节：

Agent（智能体配置）——你的配置文件。选哪个模型（Sonnet 4.6 还是 Opus 4.6）、系统提示词写什么、能用哪些工具、连哪些 MCP 服务器。创建一次，所有会话复用。

Environment（运行环境）——智能体跑在哪个容器里。预装 Python、Node.js、Go，设网络规则，每个会话拿到一个隔离的容器。

Session（会话实例）——一个正在运行的智能体。引用你的 Agent 配置和 Environment，维护对话历史，跨交互保留文件。会话可以运行数小时。

Events（事件流）——你的应用和智能体之间的消息通道。你发用户消息进去，Claude 通过 SSE 流式返回响应、工具调用和状态更新。

Managed Agents 的四个构建块：Agent 配置、Environment 容器、Session 实例、Events 事件流

就这四个。Agent、Environment、Session、Events。不需要理解更多。

这个抽象层设计得相当干净。Agent 和 Environment 是"静态资源"，创建一次就可以反复使用；Session 和 Events 是"运行时"，每次任务创建新的。这种分离意味着你可以用同一个 Agent 配置在不同环境里跑——开发环境用受限网络，生产环境开放网络——只需要切换 Environment 引用就行。

如果你写过 Docker Compose，这个心智模型会很熟悉：Agent 是镜像定义，Environment 是运行配置，Session 是容器实例。

03 十分钟部署

你需要一个 API 密钥和三个 API 调用。没了。

第一步：装 CLI。Anthropic 发布了一个新的命令行工具叫 ant，Homebrew 一行搞定：

brew install anthropic-cli

第二步：创建 Agent。一个 API 调用定义模型、系统提示词和工具。关键参数是 agent_toolset_20260401，一开就全套——bash、文件读写、网页搜索、网页抓取、grep、glob，全内置。

第三步：创建 Environment。又一个 API 调用。定义容器配置和网络策略。需要 pandas 和 numpy？加一行 "packages": {"pip": ["pandas", "numpy"]} 就行。

第四步：创建 Session 发消息。创建会话、发送任务，Claude 接管后面的一切——自己决定用什么工具，在容器里执行，流式返回结果。

不需要配 Docker。不需要写编排代码。不需要搭工具执行层。十分钟，从零到一个可用的智能体。

这里有个细节值得注意：agent_toolset_20260401 这个参数名带了日期版本号。这意味着 Anthropic 会持续迭代工具集，而你的 Agent 配置可以锁定到特定版本，不会因为上游更新而突然改变行为。这是一个成熟的 API 设计决策——说明他们是认真把这个当基础设施来做的，而非一个试水性质的临时方案。

04 谁已经在用

不是 PPT，是实打实的生产案例。

Sentry 的调试工具 Seer：智能体拿到错误报告后，先克隆代码库，读懂上下文，定位 bug，然后写补丁代码，跑测试确认修复没有破坏其他东西，最后直接开 Pull Request。从发现问题到提交修复，全自动——中间不需要人类碰一行代码。想想看，以前一个 on-call 工程师半夜被叫起来处理的事情，现在智能体在几分钟内就处理完了。

Rakuten 的金融团队：给产品、销售、市场、财务每个部门部署专属智能体，每个不到一周就上线了。拿到原始文件、提取结构化数据、输出干净的结果。

Asana 搭了 AI Teammates：智能体像一个真正的团队成员一样在 Asana 里接任务、做事。不是一个"帮你写文案"的按钮，而是一个会主动认领任务、汇报进度、交付结果的同事。这种交互范式和之前的"聊天机器人"完全不同——它不是在聊天窗口等你提问，而是直接在你的项目管理工具里和人类同事并肩协作。

Claude Console 中一个正在运行的 Managed Agents 会话：智能体自动读取文件、执行搜索、运行代码

还有一个很有意思的模式：智能体现场写工具。有公司用 Managed Agents 做内部问答系统，智能体收到任何查询时不是调用预设的 API，而是当场写一段 Python 脚本来处理，因为环境里有完整的 Python 运行时。原文说得很直接：

智能体能处理几乎任何用户查询，因为它需要什么工具就现场写什么工具。

这意味着你不需要预先定义几百个 API 端点。一个智能体，一个运行时环境，就能覆盖大部分内部需求。传统做法是给每个查询写一个专门的处理函数，需求变了就改代码重新部署。现在智能体拿到需求后自己写处理逻辑、自己跑、自己返回结果。

这种模式有个专门的名字叫"运行时代码生成"，以前只在学术论文里讨论。Managed Agents 把它变成了一个开箱即用的生产方案。

还有一种场景文章里没有展开但值得说：数据分析智能体。给它一个 CSV 文件，它在环境里写 Python 脚本、用 pandas 处理数据、生成可视化图表、然后返回分析报告。整个过程不需要你写一行数据处理代码——因为环境里已经预装了 Python 和所有常用库。这对非技术团队来说是真正的解放。

05 权限系统

如果你要给其他人用，这部分必须看。

Managed Agents 有两种权限模式：always_allow（工具自动执行，适合内部可信场景）和 always_ask（会话暂停等你的应用审批后才执行，适合面向用户的场景）。

可以混合使用。让智能体自动读文件、搜网页，但执行 bash 命令前必须审批——每个工具单独设权限，一行配置。MCP 工具默认 always_ask，不会有第三方工具偷偷自动执行。

权限控制面板：不同工具可以分别设置为自动执行或需要人工审批

Nick Spisak 提出了一个相当犀利的观点：

光是这个权限系统，就比大多数开源智能体框架更适合上生产了。LangGraph、CrewAI、AutoGen，没有一个内置了按工具粒度的权限控制。你得自己搭。这里只是一个配置参数。

我同意。目前绝大多数开源框架在"让智能体好用"方面做了大量工作，在"让智能体安全可控"方面还差得远。Managed Agents 把这件事做到了配置层面。

实际场景中这有多重要呢？假设你搭了一个客户支持智能体，它可以查订单、查库存、退款、发邮件。你肯定希望查询操作自动执行（不然每次客户问一个问题都要你审批，体验很差），但退款操作必须有人类审批（不然一个提示词注入就可能导致大规模误退款）。之前你得自己写这整套审批流程的代码，现在一行 JSON 配置就搞定了。

06 快速启动

如果你已经在用 Claude Code，最快的方式是直接在 Claude Code 里输入一句话：

start onboarding for managed agents in Claude API

Claude Code 内置的 claude-api 技能会引导你走完全部流程。或者直接去 Claude Console（platform.claude.com）用可视化的 Agent Builder，在线配置、在线测试，然后把 Agent ID 复制到代码里。

定价是按用量计费的：标准的 Claude API token 费率，加上 每个会话每小时 $0.08 的运行时费用。一个 10 分钟的编码智能体会话，算力成本只有几美分。

还有一个更快的路径：如果你只是想体验一下，在 Claude Console（platform.claude.com）上有一个可视化的 Agent Builder。你可以在浏览器里配置智能体、在线测试、看实时日志，不用写一行代码就能把整个流程走通。确认效果后再复制 Agent ID 到代码里做集成。对于不写代码的产品经理和业务负责人来说，这可能是最有意义的入口——他们第一次可以自己定义和测试一个智能体，而不需要排队等工程团队排期。

07 MCP 集成

Managed Agents 原生支持 MCP 服务器。连接 GitHub、Slack、你的 CRM，任何 MCP 服务器都可以。

凭证管理通过 Vault 系统处理——密钥永远不会出现在你的 Agent 配置文件里。这个设计意味着Agent 配置可以在团队内安全共享，无需担心敏感凭证外泄。

而且你还可以在 Claude Console 里直接上传你的 Skills、MCP 服务器配置。不用写代码，直接在平台上管理智能体的能力边界。

这意味着什么？意味着你可以给智能体连上 GitHub MCP 服务器，它就能读写代码仓库；连上 Slack MCP 服务器，它就能发消息、读频道历史；连上你自己的业务系统 MCP 服务器，它就能操作你的数据库和后台。每多连一个 MCP 服务器，智能体的能力就多一层。而这些连接全部在 Anthropic 的云端运行，你不需要在本地跑任何 MCP 代理。

对于已经在用 MCP 协议的团队来说，迁移到 Managed Agents 几乎是零成本的——你的 MCP 服务器不需要改一行代码，直接接入就行。

隔离容器沙箱：每个会话运行在独立环境中，工具执行、文件系统、网络全部隔离

08 成本和限制

Nick Spisak 在文章里直说了：API 用量会很贵。这不是客套话。

Managed Agents 的智能体自主决定调用什么工具，每次工具调用都会消耗 token。一个复杂任务可能涉及十几次工具调用，每次都有上下文传递。如果用 Opus 4.6，成本会更高。

但换个角度想：一个初级工程师一个月工资多少？如果一个智能体能替代一部分重复性工作——每天跑测试、处理文档、写代码补丁——每月几十美元的 API 费用可能是最划算的"招聘"。

关键是想清楚场景。高频低复杂度的任务适合用 Sonnet 4.6 跑，低频高复杂度的任务再上 Opus。不要拿大炮打蚊子。

我算了一笔账：假设一个编码智能体平均每次会话 15 分钟，一天运行 20 次。运行时费用是 20 × 0.25h × $0.08 = $0.40/天，加上 token 费用大约 $5-10/天（取决于任务复杂度和模型选择）。一个月算 $200-300。这个价格比一个外包开发者的日薪还低，但它 24 小时在线、不请假、不需要 onboarding。

当然，如果你无脑让 Opus 跑大量低价值任务，账单确实会很吓人。但这不是工具的问题，是用法的问题。

还有一个隐性成本容易被忽略：调试时间。智能体在沙箱里跑出了奇怪的结果，你能不能快速定位问题？Managed Agents 在这方面做了一些工作——Claude Console 提供了会话日志、工具调用记录、事件流追踪。比起自己搭的系统里翻容器日志、拼凑上下文，这个可观测性确实好不少。但说实话，智能体调试仍然是一个不成熟的领域，你需要做好心理准备：有些 bug 是模型层面的，再好的基础设施也帮不了你。

09 对我们意味着什么

这件事的本质是：部署智能体的门槛，从"几个月的工程"降到了"一下午的配置"。

1. 基础设施不再是瓶颈。以前搭智能体最难的不是模型调用，而是容器、沙箱、状态管理、错误恢复那一堆"周边工程"。Managed Agents 把这些全包了。你的精力可以 100% 放在业务逻辑上。

2. 权限控制是第一等公民。不是事后补的安全层，而是设计之初就内置的配置参数。这让"把智能体交给终端用户"从一件冒险的事变成了一件可控的事。

3. 会话持久化改变了可能性。之前的智能体都是"一问一答"式的，干完一件事就忘了。Managed Agents 的会话可以持续数小时，文件跨交互保留。这意味着智能体能做长流程任务——读代码库、规划方案、写代码、跑测试、开 PR，一气呵成。

4. 开源框架的压力来了。LangGraph、CrewAI、AutoGen 在编排层面做了很多创新，但在基础设施层面一直是短板。Anthropic 自己下场做了这一层，开源框架要么补上基础设施，要么聚焦在 Managed Agents 覆盖不了的差异化场景。

5. 智能体不再是"锦上添花"。当部署成本从几个月降到十分钟，团队会开始把智能体用在以前觉得"不值得自动化"的场景上。一个只节省 30 分钟的自动化流程，在以前不值得花两周去搭，但如果十分钟就能部署，投入产出比就完全不同了。这会引发一波"微自动化"浪潮。

6. 这是 Anthropic 的平台战略。做模型的公司最怕被"API 商品化"——今天你用 Claude，明天 OpenAI 降价你就跑了。Managed Agents 的真正目的是增加迁移成本。你的 Agent 配置、Environment 模板、MCP 连接、会话历史，全部在 Anthropic 的平台上。用得越深，越难离开。

这不是坏事。对开发者来说，锁定效应意味着平台会持续投入让体验更好。对 Anthropic 来说，这是从"卖 token"到"卖平台"的关键一步。

Nick Spisak 说他这周就要用 Managed Agents 搭一个内容流水线和一个客户入职智能体。他的原话是：

如果你一直在等基础设施赶上 Claude 的能力——现在就是了。

我也这么觉得。过去一年我看到太多团队在搭智能体基础设施上花了几个月，最后因为维护成本太高而放弃。问题从来不是"AI 不够聪明"，而是"搭架子太累，运维太痛"。现在 Anthropic 说这些我全包了——容器帮你管、沙箱帮你隔、状态帮你存、工具帮你跑。你只需要关心一件事：你的智能体要解决什么业务问题。

架子不用搭了。该搭业务了。

相关链接：

• 原文：https://x.com/NickSpisak_/status/2041949191887262164

• Claude 平台：https://platform.claude.com

数据来源：Nick Spisak (@NickSpisak_), X Article, April 8, 2026

文章来自于"深思SenseAI"，作者 "深思SenseAI"。