Harness工程与Claude模型深度配对：揭秘Agent基础设施的核心挑战与未来趋势
在最近的Code with Claude开发者大会上，Anthropic正式推出了Managed Agents的一系列关键功能，包括“梦境”（Dreaming）、多智能体编排以及结果验收（Outcomes）。这标志着Claude的“智能体四件套”产品矩阵已趋完善，也引发了业界对Agent应用前景的深度探讨。与此同时，Claude平台的产品负责人Angela Jiang与工程负责人Katelyn Lesse在一场深度播客中，系统阐述了他们打造Managed Agents的核心理念、对行业瓶颈的洞察以及对未来演进的判断。
这场对话揭示了几个关键信息：Anthropic亲自下场构建基础设施的深层原因，开发者当前面临的核心挑战并非提示词工程，而是复杂的基础设施问题。更重要的是，她们勾勒了一个未来蓝图——在那里，智能体的构建与部署将变得异常简单，用户只需聚焦于“期望的结果”与“可控的预算”。
Claude 的核心演进路径：提升自主性，为用户交付最优结果
播客从AI平台的演进逻辑切入。主持人指出，从GPT-3时代的简单文本补全接口，到如今支持工具调用和会话状态的端点，再到Managed Agents这种赋予模型“一台电脑”的形态，平台的能力抽象层级正在发生根本性跃迁。
Angela对此深表赞同。她认为，随着大语言模型（LLM）的能力日益强大、自主性持续增强，平台必须向更高阶的抽象层演进。其核心使命始终如一：让用户以最简洁的路径，通过模型获得最佳产出。在早期探索阶段，平台需要提供丰富的可能性与自由度。如今，随着应用场景逐渐清晰，越来越多开发者开始构建产品级智能体，平台就需要整合状态管理、工具调用、云端组件等能力，将经过验证的最佳实践封装为“开箱即用”的解决方案，服务于从资深工程师到入门新手的广泛用户。
告别重复造轮子：Managed Agents 诞生的根本动因
那么，Managed Agents具体提供了哪些“基础设施组件”？Katelyn解释道，它构建在Messages API等现有组件之上，但深度集成了代码执行沙箱、网页搜索等核心能力，并将其封装在一套高可靠的基础设施中，旨在直接交付Claude所能产生的最佳结果。
这背后源于Anthropic自身的切身体验。Angela坦言，构建可靠的基础设施“过程极其痛苦”，团队在无数次迭代中踩遍了各种坑。最终他们决定，与其让每个开发者重复经历这些磨难，不如将积累的所有经验整合起来，打造一套真正高效、可用的系统。对于小规模原型，几台本地服务器或许足够，但一旦需要投入生产并实现规模化扩展，沙箱连接中断、内存状态丢失、异步任务处理等基础设施难题就会成为主要障碍。
因此，Managed Agents的设计哲学是“模块化”与“灵活性”的平衡。一方面，它在文件系统、技能（Skills）等核心组件上秉持明确的设计定见，确保与Claude模型深度协同；另一方面，它保持架构开放，允许用户集成自定义组件，并提供了详尽的技术博客与实现参考，方便那些希望基于Messages API自行构建的开发者进行深度定制。
Harness 与模型深度绑定：追求极致性能的必然趋势
一个常见的疑虑是：使用Managed Agents是否会导致被“锁定”在Claude生态中，丧失灵活性？Angela承认这种担忧合理，但她指出，行业的技术趋势正在快速演变。
几个月前，构建一个通用的“Harness”（即驱动模型的框架或工具链），以便随时切换底层模型，仍是行业的标准做法。但现在情况已经不同。为了极致地挖掘每个模型的性能潜力，各大实验室都在采用差异化的技术和视角进行“Harness工程”。这意味着，Harness与模型正变得高度配对、深度定制。
“所有人都在试图压榨出模型的每一分性能，”Angela举例说明，比如在Managed Agents中上线的“记忆”功能，采用不同的Harness设计方案会导致评估结果产生巨大差异。这种为特定模型量身定制Harness以获取超额性能收益的做法，正成为新的行业常态。模型切换更可能发生在“智能体”这个更高的应用层级，而非底层的通用Harness框架内。
路径选择与组件定义：塑造模型未来的关键决策
这种深度绑定是否会影响模型自身的发展轨迹与“性格”特质？两位负责人认为，答案是肯定的。在请求响应机制、工具调用范式等基础设计上做出的细微选择，都可能产生巨大的路径依赖效应，最终让模型在某些特定任务赛道上表现更为突出。
因此，选择哪些能力作为“正确的基础组件”提供给模型，需要进行极其审慎的思考。是让模型更侧重于复杂推理，还是让它更像一台高效可靠的计算机？不同的选择将导向截然不同的未来。虽然很难断言哪条路径绝对正确，但可以确定的是，这些早期的架构决策至关重要。
Managed Agents 的目标用户：聚焦两类核心受众
Managed Agents究竟为谁而设计？Angela和Katelyn明确指出了两类核心用户群体。
第一类是构建复杂自动化工具或内部平台的企业团队。例如，旨在打造端到端软件开发平台，或是自动化法务审核营销文案这类内部流程的团队。对于后者，你无需从零开始实现内存管理、状态持久化等基础功能，可以快速启动项目。
第二类是将AI深度集成到自身产品中、并交付给最终客户的企业。他们通常需要大量的定制化开发，但宝贵的工程资源应该投入到打造产品核心功能上，而非消耗在基础设施搭建和繁琐的Harness微调上。Managed Agents的目标，正是帮助他们卸下这部分重担。
从原型到产品：智能体落地的终极障碍是基础设施
那么，构建智能体最大的难点究竟是什么？与普遍认知不同，两位负责人指出，真正的瓶颈往往不是Harness工程或提示词技巧。
“人们普遍认为Harness工程是最困难的部分，”Angela说，“但事实上，许多客户在将原型投入生产、进行规模化部署时，都会撞上‘基础设施之墙’。”服务器常驻运行、对话历史存储、安全的代码执行沙箱、异步任务处理……这些问题才是真正导致项目停滞的症结。原型可以快速开发，但产品化之路，尤其是对于那些需要长时间运行、具备高度自主性的智能体而言，往往充满挑战。
OpenClaw 形态：Claude 进化的明确方向
谈及像OpenClaw这样能一键部署在Slack等协作工具中、保持始终在线状态的智能体形态，Angela和Katelyn明确表示，这绝对是Claude未来进化的方向。
当前阶段重点在于解决基础设施的痛点，但长远目标正是让部署变得极其简单。例如，已推出的“保险库”（Vaults）功能用于安全存储API密钥，就是封装“智能体身份”类组件的第一步。未来的理想状态是，用户只需告诉Claude“添加到Slack”，它就能自动处理好所有集成配置，让智能体机器人直接出现在团队协作环境中。
团队级生产力 Agent：仍在探索的前沿领域
目前，提升个人生产力的AI工具已很常见，但上升到团队协作层面，复杂度便急剧增加。智能体不能仅运行在个人电脑上，它需要部署在一个整个团队都能访问、控制并协同工作的平台上。
这正是多智能体架构令人兴奋之处。它需要比单一智能体更高的抽象层级，来协调多个智能体共同完成端到端的复杂工作流。一些先锋公司正在探索的“AI软件工厂”模式，预示着AI将如何重塑组织层面的生产力范式，而不仅仅是提升个人效率。
内部实践：Agent 助力 Anthropic 法务审核流程
一个具体的内部应用案例是“法务审核营销文案”。营销人员撰写文案后，无需手动提交审核请求，只需将文案提交给一个专门的智能体应用。智能体会进行初步审核，或将文案连同预审意见自动放入法务团队的收件箱。这并非单个技能（Skill）就能完成，因为它涉及启动独立会话、可能需要人工介入确认，并且需要让不同角色（如营销人员与法务人员）在同一个系统中顺畅协同。
Anthropic 内部模式：业务团队自助修改 Agent
智能体构建完成后，由谁来维护和更新？在Anthropic内部，出现了一种有趣的自助模式。当业务团队（例如法务部）希望调整智能体的行为逻辑时，他们可以直接打开Claude Code修改相关代码并提交PR。这虽然增加了基础设施团队的代码审核负担，但也极大地提升了业务响应的速度与灵活性。
当然，这要求企业内部拥有具备“AI素养”的技术人员来构建和维护核心平台，确保业务团队的自助修改不会引发系统性的稳定或安全问题。
对话式修改与“套娃”架构：平衡灵活与安全
为了在灵活性与安全性之间取得平衡，Anthropic在实践中采用了“套娃”式架构。业务人员并非直接修改底层核心代码，而是通过与一个专门的Claude实例（其本身也是一个托管智能体）进行对话来表达需求。这个Claude实例会理解修改意图，并决定如何调整核心逻辑。底层可能是多个Claude智能体相互配合完成复杂工作，但对用户而言，交互界面只是简单的自然语言对话。
多智能体编排的创新模式：分角色、对抗与蜂群策略
新发布的多智能体编排功能，催生了许多创新的应用模式。开发者正在实验不同的“Harness技术”，例如：
顾问策略： 将“执行”与“建议”角色分离，由不同的智能体分别承担。
对抗模式： 一个智能体负责生成内容，另一个则进行对抗性审核与挑战。
蜂群模式： 将复杂任务拆解为众多微任务并行处理，特别适用于像代码查错（Bug Hunting）这类场景。
N选1模式： 并行生成多个解决方案或选项，最后择优选取。
这些模式如同乐高积木，可以在不同抽象层级上进行灵活组合与优化，以应对特定场景，从而获取更优的整体效果。
开发专属 Skill：实现 Agent 的自动升级与维护
智能体的生命周期管理是另一个挑战。如何避免智能体随着时间推移而过时？Anthropic的应对策略之一是开发专属技能（Skill），帮助智能体在新模型发布时能够自动完成升级。最极致的用户甚至会让一个监控智能体去追踪其他智能体是否已经过时。尽管模型升级有时会带来“破坏性变更”，但平台的目标是提供相应工具，让整个升级过程尽可能平滑。
一年后的 Claude 愿景：极致简化与动态自编写
展望一年后的未来，两位负责人描绘了一个高度自动化的图景。她们半开玩笑地说，到时候可能得“请求”Claude来办事了。
更严肃的愿景是“极致的简化”。用户只需要关心两个核心参数：想要达成的“结果”，以及愿意投入的“预算”。Claude将变得高度自知，能够自动判断该调用哪个模型、如何启动子智能体来协同工作。用户不再需要纠结于Harness工程、工具构建或复杂的提示词设计。当前的许多手动创新步骤会逐渐消失，因为系统能够动态地“编写自己”，在给定的结果和预算约束下自动寻找最优解。
届时，智能体将是持续运行、不断自我优化与重构的实体。而平台本身，则需要具备前所未有的强大扩展与治理能力，以支撑这个动态、复杂且规模庞大的智能体世界，确保它永远不会成为人们创新的阻碍。
这场对话清晰地表明，Anthropic正致力于将智能体开发从“基础设施的苦役”中解放出来，推动行业向更抽象、更以结果为导向的未来迈进。当构建智能体变得像日常对话一样简单时，真正的应用创新浪潮或许才会全面到来。