Skip to content

Anthropic Managed Agents - 解耦大脑与双手的 Agent 操作系统

Anthropic 在 2025 年 4 月发布 Managed Agents 云端服务及配套工程博客，提出将 Agent 的"大脑"（LLM + Harness）与"双手"（沙盒执行环境）彻底解耦，配合 Session 外部化和云端 Session Store，构建了一套可扩展、可恢复、安全的 Agent 运行架构。

目录

  1. 核心问题：为什么 Agent 养着养着就死了？
  2. 解耦方案：四层架构
  3. Anthropic 的工程实践细节
  4. 开源复刻思路
  5. 行业趋势与启示
  6. 参考资料

核心问题：为什么 Agent 养着养着就死了？

经典陷阱：宠物与牛马（Pets vs Cattle）

传统做法把 Agent 的所有组件（模型、Harness、沙盒、Session、凭证）塞进一个容器：

+------------------------------------------+
|          单一容器（宠物模式）                |
|  LLM + Harness + Sandbox + Session + Keys |
|                                          |
|  任一组件挂掉 → 整个 Agent 丢失状态          |
|  配置冲突 → 必须手动调试恢复                  |
|  Prompt 注入 → 直接拿到容器内所有凭证          |
+------------------------------------------+

Anthropic 的血泪史：

  • 为弥补模型缺陷写了数千行复杂 Harness
  • 新模型一发布，旧代码补丁瞬间沦为垃圾
  • 核心洞察：你为模型写的修补代码注定会过时，因为模型进化速度永远快于你重构代码的速度

根因：Agent 的记忆、执行环境、上下文全部耦合在一起，任何一点故障都可能导致全盘崩溃。

四层解耦架构

视频作者从 Anthropic 的 SDK 源码和博客中提炼出四层递进的解耦结构：

+============================================================+
|                    第4层: Session Store                      |
|              云端记忆，Agent 彻底无状态                         |
|  +------------------------------------------------------+  |
|  |                第3层: Session                         |  |
|  |          记忆树，可 fork / 回滚 / 克隆                  |  |
|  |  +------------------------------------------------+  |  |
|  |  |           第2层: Agent Harness                  |  |  |
|  |  |   工具编排、模型选择、系统提示词（静态模板）        |  |  |
|  |  |  +------------------------------------------+  |  |  |
|  |  |  |         第1层: 沙盒 (Sandbox)             |  |  |  |
|  |  |  |   无状态执行环境，随时销毁/重建              |  |  |  |
|  |  |  +------------------------------------------+  |  |  |
|  |  +------------------------------------------------+  |  |
|  +------------------------------------------------------+  |
+============================================================+

第1层：沙盒解耦 - 大脑离开容器

核心接口：

execute(name, input) -> string    # 统一工具调用接口
provision({resources})            # 标准化沙盒初始化

关键变化： - Harness 不再住在容器里，容器变成"牛马"而非"宠物" - 沙盒挂了？直接销毁，provision() 拉一个全新的 - 安全边界：凭证通过 Vault 或资源绑定注入，沙盒内零凭证可达

安全设计对比：

方面 耦合架构 解耦架构
凭证存储 容器内环境变量 Vault / 资源级 Token
Prompt 注入风险 直接拿到所有 Key 沙盒内零凭证可达
Git 访问 Agent 持有 Token 初始化时注入，Agent 永不接触
MCP 调用 直连外部服务 经 Proxy 中转，Proxy 从 Vault 取凭证

第2层：Agent vs Session 分离

Agent（静态模板）          Session（动态实例）
├── 模型选择              ├── 对话线程
├── 系统提示词            ├── 挂载的 Memory Store
├── 工具集                ├── 工作文件
├── MCP 服务器            └── 任务上下文
└── 技能定义

同一个 Agent → 10 个独立 Session → 各自互不干扰

核心洞察： - Agent 定义"我是谁"（身份、能力、工具） - Session 定义"我在干什么"（状态、记忆、上下文） - Memory Store 挂载到 Session 而非 Agent → 完全解耦

第3层：Session 作为记忆树

视频作者发现 Anthropic SDK 中 Session 支持以下操作：

Session
├── fork()      # 分叉出新分支
├── rollback()  # 回滚到历史状态
├── clone()     # 克隆到新实例
└── getEvents() # 查询任意位置的事件流

实用场景：Agent 刚搜完代码库时处于"最聪明"状态，完成任务后因上下文压缩逐渐变笨。编排者可以随时 fork/回滚到那个聪明状态来处理针对性任务。

第4层：Session Store - 云端记忆

2025 年 4 月 19 日，session_store 被合并进 Claude Agent SDK：

  • 记忆从本地搬到云端（Redis 缓存）
  • Claude Code 可从云端恢复完整上下文
  • Agent 彻底无状态 → 随时销毁、随时重建

Anthropic 的工程实践

性能提升数据

指标 耦合架构 解耦架构
p50 TTFT 基线 降低约 60%
p95 TTFT 基线 降低超过 90%

原因：解耦后，不需要沙盒的 Session 不必等待容器启动，推理可以立即开始。

Session ≠ Context Window

Anthropic 强调 Session 是独立于 Context Window 的外部记忆对象：

Context Window（有限、易丢失）
  ├── 上下文压缩（compaction）→ 不可逆丢失
  ├── 上下文裁剪（trimming）→ 选择性删除
  └── 风险：未来回合可能需要被丢弃的 token

Session（持久、可恢复）
  ├── append-only 事件日志
  ├── getEvents(start, end) 灵活查询
  ├── 支持回滚到任意历史位置
  └── Harness 可对事件做任意变换后再送入 Context Window

关键接口：getEvents() 允许大脑按位置切片查询事件流，支持： - 从上次停止的位置继续 - 回退到某个关键决策前查看上下文 - 重新读取特定操作前的完整背景

多大脑 + 多双手

多大脑：解耦后，扩展到 N 个 Agent 只需启动 N 个无状态 Harness，仅在需要时才创建沙盒。

多双手：每个"手"都是 execute(name, input) -> string 接口，Harness 不知道沙盒是容器、手机还是模拟器。大脑之间还可以互相传递"手"。

开源复刻思路

视频作者在本地复刻了 Anthropic 的四层架构：

+---------------------------------------------------+
|              主控服务器（协调者）                      |
|   通过预定义任务图调度各 Worker 按规则交互             |
+---------------------------------------------------+
         |                    |                    |
    +---------+          +---------+          +---------+
    | Worker  |          | Worker  |          | Worker  |
    | Docker  |          | Docker  |          | Docker  |
    | Claude  |          | Codex   |          |  Pi     |
    | Code    |          |         |          |         |
    +---------+          +---------+          +---------+

关键设计决策：

决策点 选择 理由
Agent Harness 位置 塞进 Worker 节点 未完全解耦，但简化了部署
隔离单位 Docker 容器 每个可随时销毁/创建
模型选择 每个 Worker 可独立配置 不同任务用不同模型，优化 Token 效率
恢复机制 从 Session Store 指定位置恢复 支持状态回滚
任务编排 预定义任务图（DAG） 编码→Review→测试可并行后汇总

典型任务图：

编码任务：                    Deep Research 任务：
  编码1 ──┐                    搜索1 ──┐
  编码2 ──┼──→ Review ──→ 测试    搜索2 ──┼──→ 写作1 ──┐
  编码3 ──┘                    搜索3 ──┘    写作2 ──┼──→ 报告/PPT
                                           写作3 ──┘

待完善：结果评估模块尚未实现。

行业趋势与启示

海外已发生的事

公司/项目 方向
Palantir AIP Agent 作为企业基础设施
Anthropic Managed Agents 云端 Agent 操作系统
OpenAI Frontier 企业级 Agent 平台
FDE（新兴职业） 全栈 Agent 工程师

核心趋势判断

  1. 编排 + 蜂群是今年主线 - 单 Agent 向多 Agent 协作演进
  2. Agent 从个人工具 → 企业基础设施 - 不是"养宠物"而是"运营牛马"
  3. 计算模式变革 - 从固定长期容器 → 动态创建/销毁的 Agent 沙盒群
  4. 沙盒技术演进 - Docker 启动耗时仍是大瓶颈，毫秒级沙盒（如腾讯 Cube Sandbox）是方向
  5. Harness 职责上移 - 从"控制模型"转向"提供原语 + 安全边界 + 性能优化"

最佳实践清单

  • 推荐做法：
  • Agent 模板与运行时 Session 分离
  • 沙盒无状态化，凭证外置到 Vault
  • Session 作为可查询的外部记忆，不依赖 Context Window

  • 不同任务阶段用不同大小模型，优化 Token 效率

  • 避免做法：

  • 把 Agent 所有组件塞一个容器（宠物模式）
  • 在 Harness 里硬编码模型缺陷的补丁（注定过时）
  • 用复杂的 RAG 管道做本可由模型自行处理的上下文管理

参考资料

相关笔记

  • [[Anthropic Building Effective Agents]]