Claude Managed Agents 深度解析：从概念到最佳实践
2026年4月9日，Anthropic 正式推出 Claude Managed Agents 公开测试版。这是继 Claude Code、Cowork 之后，Anthropic 在 AI Agent 基础设施层面迈出的关键一步。本文从开发者视角出发，系统梳理 Managed Agents 的核心概念、工作原理、定价模型，并与 Cowork 做横向对比，最后给出面向实际生产场景的最佳实践建议。
一、Managed Agents 到底是什么
一句话概括：你定义 Agent 做什么，Anthropic 帮你把基础设施跑起来。
在 Managed Agents 出现之前，开发者如果要将一个 AI Agent 推到生产环境，需要自己搭建沙箱执行环境、处理状态检查点（checkpointing）、管理凭证和权限、实现端到端追踪——这套工作少则数周，多则数月。Managed Agents 将这些复杂性全部收归平台侧，开发者只需要通过 API 定义 Agent 的模型、提示词、工具集和护栏规则，剩下的编排、工具执行、上下文管理和错误恢复都由 Anthropic 的托管运行时处理。
与直接调用 Messages API 相比，二者的定位截然不同：
二、四大核心概念
Managed Agents 的架构围绕四个核心概念展开：
1. Agent（智能体定义）
Agent 是一个可复用的配置实体，包含模型选择、系统提示词（system prompt）、工具集、MCP 服务器连接和 Skills。创建后会获得一个唯一 ID，可以在多个 Session 中反复引用，无需重复创建。
2. Environment（运行环境）
Environment 定义了 Agent 运行的云端容器模板。你可以指定预装的软件包（Python、Node.js、Go 等）、网络访问规则以及需要挂载的文件。它是 Agent 执行任务的「工位」。
3. Session（会话实例）
Session 是一个正在运行的 Agent 实例，绑定了特定的 Agent 定义和 Environment 配置。每个 Session 有独立的文件系统和对话历史，支持持久化。
4. Events（事件流）
Events 是应用程序与 Agent 之间交换的消息——包括用户指令、工具执行结果和状态更新。通过 Server-Sent Events（SSE）实时推送。
三、工作流程
整个使用流程分五步：
创建 Agent — 定义模型、system prompt、工具等配置
创建 Environment — 配置容器运行环境（包、网络、文件挂载）
启动 Session — 将 Agent 和 Environment 关联，启动一个执行实例
发送事件并流式接收响应 — 通过 SSE 获取 Agent 的实时输出，事件历史在服务端持久化
中途引导或中断 — 随时发送额外的用户事件来引导或改变 Agent 的执行方向
四、内置工具与能力
Managed Agents 开箱即用提供了一套全面的工具：
Bash — 在容器中运行 shell 命令
文件操作 — 读、写、编辑、glob、grep
Web 搜索与抓取 — 搜索互联网并获取网页内容
MCP 服务器 — 连接外部工具提供方（如企业微信、Jira、Slack 等）
在 Quickstart 中，只需在 Agent 定义里加上 {"type": "agent_toolset_20260401"}，就能一键启用全部内置工具。
除此之外，还有三个处于 Research Preview 阶段的高级功能：
Outcomes（成果定义） — 定义成功标准，Claude 会自评估并迭代直到达标
Multi-agent（多 Agent 协调） — Agent 可以启动并指挥其他 Agent 并行工作
Memory（跨会话记忆） — Session 之间保持上下文记忆
这三项功能需要申请 Research Preview 权限。
五、快速上手示例
以下是用 curl 跑通完整流程的关键代码（所有请求都需要 managed-agents-2026-04-01 beta header）：
# 1. 创建 Agent
curl -sS https://api.anthropic.com/v1/agents \
-H "x-api-key: $ANTHROPIC_API_KEY" \
-H "anthropic-version: 2023-06-01" \
-H "anthropic-beta: managed-agents-2026-04-01" \
-H "content-type: application/json" \
-d '{
"name": "Coding Assistant",
"model": "claude-sonnet-4-6",
"system": "You are a helpful coding assistant.",
"tools": [{"type": "agent_toolset_20260401"}]
}'
# 2. 创建 Environment
curl -sS https://api.anthropic.com/v1/environments \
-H "x-api-key: $ANTHROPIC_API_KEY" \
-H "anthropic-version: 2023-06-01" \
-H "anthropic-beta: managed-agents-2026-04-01" \
-H "content-type: application/json" \
-d '{
"name": "quickstart-env",
"config": {
"type": "cloud",
"networking": {"type": "unrestricted"}
}
}'
# 3. 创建 Session（关联 Agent + Environment）
curl -sS https://api.anthropic.com/v1/sessions \
-H "x-api-key: $ANTHROPIC_API_KEY" \
-H "anthropic-version: 2023-06-01" \
-H "anthropic-beta: managed-agents-2026-04-01" \
-H "content-type: application/json" \
-d "{
\"agent\": \"$AGENT_ID\",
\"environment_id\": \"$ENVIRONMENT_ID\",
\"title\": \"Quickstart session\"
}"
# 4. 发送事件并流式获取响应
curl -N https://api.anthropic.com/v1/sessions/$SESSION_ID/events \
-H "x-api-key: $ANTHROPIC_API_KEY" \
-H "anthropic-version: 2023-06-01" \
-H "anthropic-beta: managed-agents-2026-04-01" \
-H "content-type: application/json" \
-d '{"type": "user", "content": "Write a Python hello world"}'
Python 和 TypeScript SDK 也已同步支持，beta header 会自动设置。
六、定价模型
Managed Agents 采用按消耗计费，由三部分组成：
关键细节：空闲时间（等待用户输入或工具确认）不计费。运行时费替代了之前 Code Execution 的容器小时计费模型，不会在 session-hour 之上再叠加容器费。
举个例子：一个使用 Opus 4.6 运行 1 小时的编码 session，消耗 50K input tokens + 15K output tokens，总费用约 $1.95（开启 prompt caching 后更低）。
七、Managed Agents vs Cowork：到底什么区别
这是很多人最关心的问题。两者看起来都是「Claude 帮你做事」，但本质上服务的是完全不同的用户群：
简单记忆：Cowork 是你的私人 AI 助手，Managed Agents 是你用来给用户/客户/团队构建 AI 助手的基础设施。
能用 Max 订阅吗？
不能。Managed Agents 走的是 Claude API（Platform 侧）的计费体系，需要 API Key 认证，与 Pro/Max 订阅完全独立。你的 Max 20x 订阅覆盖的是 Cowork、Claude Code CLI、claude.ai 对话等 Anthropic 第一方产品的使用。
八、谁在用 Managed Agents
Anthropic 在发布时公布了多个早期合作案例：
Asana — 构建了 AI Teammates，让 AI 代理在项目中与人类协作，承接任务并交付工作成果
Vibecode — 将 Managed Agents 作为默认集成，让用户从 prompt 到部署应用一站式完成
Sentry — 将调试 Agent（Seer）与代码修复 Agent 配对，实现从 bug 发现到可审查 PR 的全流程自动化
Notion — 在工作区内直接委派任务给 Claude，数十个任务并行执行
九、最佳实践
1. 明确三种构建方式的选型
Anthropic 目前提供三种 Agent 构建路径，按场景选择：
Messages API — 简单 AI 交互（文本分类、内容生成、问答），需要精细控制 agent loop
Agent SDK — 本地开发环境的 coding agent（等同于 Claude Code 的编程式接口）
Managed Agents — 需要云端长时间运行、沙箱隔离、异步执行的生产级任务
2. Agent 定义要可复用
创建 Agent 时把 model、system prompt、tools 定义好，然后通过 ID 跨 session 复用。这是 Managed Agents 区别于手工 agent loop 的关键设计优势——避免每次都重复定义配置。
3. Environment 网络策略要收紧
Quickstart 示例用的是 "networking": {"type": "unrestricted"}，方便上手。但在生产环境中，务必限制网络访问范围，只开放 Agent 实际需要访问的域名和端口，遵循最小权限原则。
4. 善用 MCP 连接外部系统
Managed Agents 通过 MCP（Model Context Protocol）服务器连接第三方服务。如果你的业务系统（企业微信、Jira、内部 API 等）已经有 MCP 接口，可以直接对接，让 Agent 实现端到端自动化。
5. 关注 Research Preview 功能
Outcomes（成果自评估）、Multi-agent（多 Agent 编排）和 Memory（跨会话记忆）这三项功能目前处于 Research Preview，需要单独申请。尤其是 Multi-agent 能力，一旦 GA 将极大地扩展复杂任务的自动化上限。建议尽早申请体验。
6. 用 Claude Code 快速 onboard
Anthropic 提供了一个便捷的入口：在最新版 Claude Code 中直接输入 start onboarding for managed agents in Claude API，即可通过内置的 claude-api Skill 引导式完成首个 Agent 的创建。
7. 善用 Session Tracing 调试
Session tracing、集成分析和故障排查工具直接内置在 Claude Console 中，可以检查每一个工具调用、决策路径和失败模式。生产环境遇到问题时先看 trace，不要靠猜。
8. 成本优化要点
优先使用 Sonnet 4.6（$3/$15 per MTok），只在复杂推理场景使用 Opus 4.6（$15/$75 per MTok）
充分利用内置的 prompt caching，减少重复上下文的 token 消耗
注意 Web 搜索的额外费用（$10/千次），在 system prompt 中明确何时该搜索、何时不该搜索
十、总结
Claude Managed Agents 填补了 Anthropic 产品矩阵中的关键空白——从「提供模型」走向「提供 Agent 运行时基础设施」。对于想把 AI Agent 嵌入自有产品、但又不想花数月搭建基础设施的开发者来说，这是目前市面上最直接的选择之一。
它不能替代 Cowork（个人生产力场景）或 Claude Code（本地开发场景），而是专注于解决一个具体问题：如何把 AI Agent 快速、安全地推到生产环境，服务于你的最终用户。
参考链接：