---
title: Anthropic 官方 Agent Harness 平台：Claude Managed Agents 完整指南
source_url: https://mp.weixin.qq.com/s/A_ksLCNmIL4lXLcZeVSPsQ
publish_date: 2026-05-01
tags: [wechat, article, claude, agent, harness]
review_value: 7
review_confidence: 7
review_recommendation: neutral
ingested: 2026-05-16
sha256: fb18ea8bf16c4f83add775b56043845b0fe16de803c7c5ce7dacc0d54f503ed9
---
# Anthropic 官方 Agent Harness 平台：Claude Managed Agents 完整指南
**作者：** 兔兔AGI / 技术极简主义
**来源：** 微信公众号
**发布时间：** 2026-04-15 11:23 江苏
最近 Anthropic 推出了 Claude Managed Agents。这是一套用来构建和部署云端 Agent 的 API。和常见的 Agent 框架不太一样，它的核心其实是一个叫 Harness 的编排引擎：把工具调用、上下文管理、错误恢复这些事都帮你处理了，而且会随着模型能力一起升级。
之前 Anthropic 的产品线有一个明显的断层。面向消费者有 claude.ai 和 Claude Code，面向开发者有 Messages API。但如果一家企业想基于 Claude 做一个长时间运行的、能自主调用工具的 Agent，它需要自己搭沙箱、做状态管理、处理权限、写错误恢复逻辑。这些基础设施工作可能比 Agent 本身的业务逻辑还重
Managed Agents 就是来填这个空的。你可以直接在 Anthropic 的云服务上跑一个 Agent，它自带环境、工具和执行能力。你只需要告诉它要做什么，然后接收结果就行了。
---
## 四大核心概念
### 1. Agent（智能体）
可复用的配置：模型、system prompt、工具、MCP 服务。创建后拿到 Agent ID，可在不同会话中反复使用。
```python
from anthropic import Anthropic
client = Anthropic()
agent = client.beta.agents.create(
    name="Code Reviewer",
    model="claude-sonnet-4-6",
    system="You are a senior code reviewer. Review code for bugs, performance issues, and security vulnerabilities. Be direct and specific.",
    tools=[{"type": "agent_toolset_20260401"}],
)
print(agent.id)  # ag_01ABC...
```
`agent_toolset_20260401` 是一套开箱即用的工具组合：Bash、文件读写（Read/Write/Edit）、代码搜索（Glob/Grep）、Web 访问（Web Search/Web Fetch）。可选择性禁用。Agent 带版本管理。
### 2. Environment（环境）
运行模板：依赖包、网络规则、文件挂载。
```python
environment = client.beta.environments.create(
    name="python-dev",
    config={
        "type": "cloud",
        "packages": {
            "pip": ["pytest", "requests", "pandas"],
            "apt": ["git", "curl"],
        },
        "networking": {"type": "unrestricted"},
    },
)
```
支持 pip/npm/apt/cargo/gem/go 包管理器，环境会被缓存加速后续启动。网络支持 unrestricted/limited（域名白名单）。支持 GitHub 仓库直接挂载（自动 clone）：
```python
environment = client.beta.environments.create(
    name="my-repo-env",
    config={
        "type": "cloud",
        "github": {
            "repository": "myorg/myrepo",
            "branch": "main",
        },
        "packages": {"pip": ["pytest"]},
        "networking": {"type": "unrestricted"},
    },
)
```
### 3. Session（会话）
智能体真正「干活」的实例，每个会话有独立容器（文件系统/进程/网络），互不隔离。
```python
session = client.beta.sessions.create(
    agent=agent.id,
    environment_id=environment.id,
)
print(session.id)    # ses_01XYZ...
print(session.status) # "running"
```
会话持续到手动关闭或超时，多轮对话间保留状态。
### 4. Events（事件）
SSE（Server-Sent Events）通信通道：向智能体发消息，实时接收响应、工具调用和状态更新。
```python
with client.beta.sessions.events.stream(session.id) as stream:
    client.beta.sessions.events.send(session.id, events=[{
        "type": "user.message",
        "content": [{"type": "text", "text": "Review the code in src/ for security issues"}],
    }])
    for event in stream:
        if event.type == "agent.message":
            for block in event.content:
                print(block.text, end="")
        elif event.type == "agent.tool_use":
            print(f"\n[Using tool: {event.name}]")
        elif event.type == "session.status_idle":
            print("\n[Agent finished]")
            break
```
事件类型包括：`agent.message`（响应文本）、`agent.tool_use`（工具调用）、`session.status_idle`（智能体完成）。
## 完整实战示例
创建一个编码助手 → 给任务 → 实时看执行过程：
1. 创建 Agent（Python Developer，含 pytest/requests/fastapi 等包）
2. 创建 Environment（带 pip 依赖包，网络 unrestricted）
3. 启动 Session
4. 发送任务（"Build a FastAPI app with /health, /fibonacci/{n}, input validation, unit tests"）
5. 流式接收响应
6. 在同一 Session 发送后续任务（"Now add /prime/{n} endpoint"）
智能体自己走完：规划 → 写代码 → 建文件 → 装依赖 → 跑测试 → 返回结果。Session 持续存在，后续任务基于已有代码继续。
本质上就是 Claude Code 的 ReAct 循环（Reason → Act → Observe），但运行环境和调度逻辑由平台托管。
## 自定义工具和 MCP 服务器
### 自定义工具（JSON Schema）
```python
agent = client.beta.agents.create(
    name="Deploy Assistant",
    model="claude-sonnet-4-6",
    system="You help with deployments.",
    tools=[
        {"type": "agent_toolset_20260401"},
        {
            "type": "custom",
            "name": "trigger_deploy",
            "description": "Trigger a deployment to a specified environment",
            "input_schema": {
                "type": "object",
                "properties": {
                    "service": {"type": "string", "description": "Service name"},
                    "environment": {"type": "string", "enum": ["staging", "production"]},
                    "version": {"type": "string", "description": "Version tag to deploy"},
                },
                "required": ["service", "environment", "version"],
            },
        },
    ],
)
```
智能体调用工具时发出结构化请求，开发者在事件流接住、执行、回传结果。可接入内部 API/数据库/CI-CD 流水线。
### MCP 服务器
Managed Agents 可直接连接 MCP 服务器，复用 Slack/GitHub/Jira 等现成工具接口，无需额外集成层。
## 多智能体编排（研究预览版）
协调器（Coordinator）+ 工作者（Worker）模式。工作者在各自上下文中运行（对话隔离），但共享同一容器和文件系统（工作结果共享）。
```python
# 创建专业智能体
reviewer = client.beta.agents.create(
    name="Code Reviewer", model="claude-sonnet-4-6",
    system="You are an expert code reviewer.",
    tools=[{"type": "agent_toolset_20260401"}],
)
tester = client.beta.agents.create(
    name="Test Writer", model="claude-sonnet-4-6",
    system="You write comprehensive test suites.",
    tools=[{"type": "agent_toolset_20260401"}],
)
# 创建协调器（可委托给专业智能体）
coordinator = client.beta.agents.create(
    name="Tech Lead",
    model="claude-opus-4-6",
    system="Delegate review and testing tasks to the appropriate specialist, then synthesize their findings.",
    tools=[{"type": "agent_toolset_20260401"}],
    agents=[
        {"agent_id": reviewer.id, "name": "Code Reviewer"},
        {"agent_id": tester.id, "name": "Test Writer"},
    ],
)
```
限制：只支持一层分工（协调器 → 工作者，工作者不可再拆）。可理解为"AI 版 CI/CD 流水线"。
## 产品定位对比
| 方法 | 你管什么 | 适合场景 |
|------|---------|---------|
| Messages API | 全部（循环、工具、容器） | 需要完全自定义 |
| Agent SDK | 工具执行、容器 | 想用工具，但自己托管 |
| Managed Agents | 只管提示词和任务 | 后端自动化 |
| Claude Code CLI | 基本不用管 | 本地交互式开发 |
| Claude Cowork | 不用管 | 非技术用户 |
## 定价
- Token 费用（同标准 API）：Opus 4.6 $5/$25 per MTok, Sonnet 4.6 $3/$15 per MTok, Haiku 4.5 $1/$5 per MTok
- 会话运行时间：$0.08/小时（精确到毫秒，仅运行中计费）
- Web 搜索：$10/1000 次
- 提示词缓存：命中缓存 0.1x
示例：1 小时 Opus 4.6 编码任务，50K 输入 + 15K 输出 token → $0.25 + $0.375 + $0.08 = ~$0.705
Token = 思考成本，Runtime = 环境成本。
## 实用场景
1. 自动化 PR 审查 — 挂 GitHub 仓库，读 diff/查 bug/跑测试/出审查结果
2. 自愈 CI/CD — CI 挂→拉起智能体分析→写修复→开 PR
3. 文档生成 — 读代码库生成/更新 API 文档/README/变更日志，验证示例代码
4. 数据流水线调试 — 通过 MCP 接日志/监控，追问题找原因
5. 代码迁移 — 旧代码+新框架文档，逐块改而非一次性推翻
## 安装
```bash
pip install anthropic
npm install @anthropic-ai/sdk
brew install anthropics/tap/ant
```
需 beta 头 `managed-agents-2026-04-01`（SDK 自动处理）。
---
*原文引用链接：[申请开通预览功能](https://claude.com/form/claude-managed-agents)、[官方文档](https://platform.claude.com/docs/en/managed-agents/overview)*