Inside Anthropic’s Bet on Claude Agents that Work While You Sleep | Jess Yan

Anthropic 产品负责人 Jess 不仅演示了如何快速搭建一个能自主分析数据、生成预测模型的智能体，更揭示了智能体从“提示循环”进化到“自主长时运行”后，对个人工作方式和整个软件行业格局带来的根本性改变。

这期内容特别适合正在或准备构建 AI Agent 的产品经理、技术负责人和独立开发者。值得花时间看，因为它不是空谈概念，而是由 Anthropic 负责 Managed Agents 产品的 Jess 亲自演示了从零搭建一个能分析百万行数据并生成预测模型的智能体，并坦诚分享了 Anthropic 内部如何用 Agent 来管理代码、监控客户反馈、甚至处理4000个组织的等待名单。最值得注意的冲突在于：当 Agent 变得足够强大和易用，个人生产力将不再受限于自身能力，而是取决于“你能同时委托多少任务”；同时，垂直 SaaS 的护城河正在被侵蚀，因为任何人都能为自己最细分的需求快速构建专属 Agent。

这期播客的核心是探讨 AI Agent 的现状、演进和未来。Anthropic 的产品负责人 Jess 首先重新定义了 Agent：它不再是简单的“提示循环”，而是拥有权限、能访问第三方系统和敏感数据、能自主运行和恢复的长期执行者。她随后演示了如何通过 Anthropic 的 Cloud Managed Agents 产品，用极少的配置（模型、系统提示、工具集）快速搭建一个能分析大型数据集并生成 HTML 报告和预测模型的数据分析师 Agent。对话深入讨论了构建 Agent 的关键挑战，如评估（Eval）、错误恢复、以及如何从“结构化输出”转向“结果优化”。最后，Jess 分享了 Anthropic 内部如何利用 Agent 来提升产品经理的工作效率，并预测了 Agent 将如何重塑个人工作方式和整个垂直 SaaS 行业的未来。

1. Agent 的定义已进化：Agent 的核心不再是“提示循环”，而是“权限+访问”。它需要能够访问第三方系统、内部工具和敏感数据，并具备权限管理、可观测性和自主导航能力。其核心组件是模型、系统提示（定义行为和护栏）和“Harness”（驱动循环的脚手架）。
2. 模型与 Harness 密不可分：要获得最大性能，必须将模型和 Harness 结合测试。模型的能力提升会改变 Harness 的“厚度”，但两者始终是联合优化的。Anthropic 测试模型时，会使用自己构建的 Harness（如 Cloud Code、Managed Agents）进行测试。
3. 构建 Agent 的 ROI 极高：Cloud Managed Agents 的目标是让“构建 Agent 的投入产出比”极高。它提供了预构建的 Harness 和配套基础设施，让开发者能用极低的成本（半小时内）构建一个能处理复杂任务的 Agent，即使这个 Agent 只用几周。
4. 从“结构化输出”到“结果优化”：随着模型和 Harness 的进化，我们不再需要告诉 Agent 精确的输出格式（如 JSON），而是直接描述“好的结果是什么样子”（如“生成一个交互式图表”或“达到90%的准确率”），让 Agent 自主迭代和优化。
5. Agent 的评估（Eval）是最大挑战：传统 Eval 方法（如二元通过/失败）仍然有效，但更高级的做法包括：回放复杂交互、A/B 测试不同版本、以及让 Agent 在独立上下文窗口中自我评估输出。核心原则是“先做‘氛围测试’，再上 Eval”。
6. Agent 让个人成为“一人创业公司”：在企业内部推广 Agent 的最佳实践不是一开始就自动化复杂的跨团队流程，而是先赋能个人，让每个员工都能像经营一家“一人创业公司”一样，利用 Agent 突破自身能力的上限，完成原本需要依赖他人的工作。
7. 垂直 SaaS 正在被“超垂直化”：随着模型通用能力变强，真正的价值在于极度细分的用例。未来可能不是“一个通用的会计 Agent”，而是“一个专门为太阳能创业者服务的会计 Agent”。产品的护城河在于“极度贴合用户工作流”和“始终在线、主动出现”。

“你一天能完成多少事，将不再取决于你的个人能力，而取决于你能同时委托给 Agent 多少任务。”

这期内容对 AI 从业者，尤其是 Agent 产品和技术负责人，有几点非常具体的启发：

1. 产品经理的“新工作流”：Jess 的分享展示了一个 PM 如何利用 Agent 彻底改变自己的工作方式。她不再需要频繁询问工程师，而是通过 Agent 直接跟踪 PR、分析代码库、监控客户 Slack 频道。这提示我们，AI 产品不仅要解决外部用户的问题，更要思考如何用 Agent 重塑内部团队的协作和效率。对于做 AI 产品的团队，可以尝试将“内部 Agent 使用率”作为衡量产品易用性和价值的一个指标。

1. Agent 的“一次性”与“可组合性”：Jess 提到她经常花半小时搭建一个只用几周的“一次性 Agent”来处理特定任务（如清理等待名单）。这打破了“Agent 必须是长期、稳定、产品化的”的思维定式。对于 AI 开发者，这意味着产品设计应支持“快速创建、用完即弃”的 Agent 模式，提供易于组合的“积木式”原语（如工具、技能、数据源），让用户能像写脚本一样快速构建临时 Agent。

1. “结果优化”对 Prompt Engineering 的颠覆：从“结构化输出”到“结果优化”的转变，意味着 Prompt Engineering 的范式正在改变。我们不再需要精确描述输出格式，而是需要教会 Agent 如何“品味”一个好的结果。这要求我们设计更高级的反馈机制，例如让 Agent 能运行自己的评估代码、迭代模型参数，直到达到预设的准确率或美观度。这对 Agent 的“自我修正”和“长期运行”能力提出了更高要求。

1. 垂直 SaaS 的“新护城河”：Jess 的观点对 AI 创业者有直接警示：不要试图构建一个“通用”的 AI 产品。因为模型本身已经提供了强大的通用能力。真正的机会在于找到极度垂直、用户工作流极其具体且未被满足的细分场景。护城河不再是技术壁垒，而是对特定用户群体“工作流”的深刻理解和无缝嵌入（例如，直接嵌入到用户的聊天工具或代码编辑器里）。