原文链接：https://x.com/eng_khairallah1/status/2053043365781119482

你可能已经听说了 AI Agent。

大部分人听到 “AI Agent”，脑海里浮现的是一群工程师趴在终端前写几千行代码。

一年前这是真的。

现在不是了。

Anthropic 刚刚推出了 Claude Managed Agents。这是一个基础设施层，让你可以在云端构建、部署和运行完全自主的 AI Agent——无需自己管理服务器、编写 agent 循环或配置沙箱。

你描述 agent 应该做什么。Claude 处理剩下的一切。

现在的门槛低到什么程度？零技术背景的人都在发布 7×24 小时运行、处理真实任务、产出真实结果的 agent。

窗口正在大开。但它不会永远开着。

以下是即使你从未写过一行代码，也能从零开始构建第一个 AI Agent 的完整步骤。

什么是 AI Agent（以及你为什么应该关心）

AI Agent 不是聊天机器人。

聊天机器人等你提问，给你答案，然后停止。你来干活。你复制答案。你粘贴到某个地方。你进入下一个任务。

Agent 不同。Agent 接收一个目标，将其拆解为步骤，使用工具完成每一步，检查自己的工作，交付最终结果。它自主运行。它做决策。它处理复杂性，不需要你手把手指导每一步。

把它想象成：在派对上问某人一个问题，和雇一个人从头到尾处理一个项目的区别。

聊天机器人是派对上的那个人。Agent 是那个直接把事搞定的员工。

而现在，Claude Managed Agents 是构建 Agent 最快的方式。

为什么 Claude Managed Agents 改变了一切

在 Managed Agents 之前，构建 AI Agent 意味着处理一大堆基础设施工作。

你需要搭建沙箱环境。你需要处理跨会话的状态管理。你需要构建工具执行层。你需要处理安全、权限、凭证管理和错误恢复。

大多数人在到达有趣的部分之前就放弃了。

Managed Agents 移除了所有这些。Anthropic 处理基础设施。你专注于 agent 做什么——而不是它怎么运行。

以下是开箱即得的能力：

• 云托管容器，安全运行你的 agent
• 预构建工具：bash 命令、文件操作、网页浏览和代码执行
• 持久文件系统，让 agent 跨会话记住之前做过什么
• 内置记忆，让 agent 随时间改进
• 多 Agent 编排，多个 agent 协作完成单一任务

最后一项是最新的。Anthropic 在 2026 年 5 月 6 日的 Code with Claude 活动上宣布了多 Agent 编排。现在你可以在单个问题上并行运行最多 20 个专业 agent。

这不是即将推出。这是已经上线。

第一步：明确你的 Agent 要做什么

在你接触任何技术之前，回答一个问题：

你希望 agent 处理的一个任务是什么？

大多数人失败在这里，因为他们试图构建一个做所有事情的 agent。这就像雇一个员工然后告诉他工作就是「做事情」。你在现实中不会这样做，对 AI Agent 也不应该这样做。

选择一个具体的、可重复的任务。你经常做的、耗时的、但不需要你独特创意判断的事情。

好的例子：

• 每天早上分类新的支持工单，按优先级排序
• 每周扫描竞品网站，总结变化
• 从三个来源拉取数据，合并后创建格式化报告
• 监控 GitHub 仓库，标记符合特定条件的 issue
• 处理收到的文档，提取关键信息到电子表格

任务越具体，agent 表现越好。

第二步：像招聘员工一样定义角色

这是大多数初学者跳过的步骤。也是区分能用的 agent 和产出垃圾的 agent 的关键。

每个优秀的 agent 都从一个清晰的系统提示词开始。把它当作你给新员工第一天的岗位说明书。

你的系统提示词应该包括：

agent 是谁。 给它一个角色。「你是一个专精竞争情报的研究分析师」远比「你是一个有帮助的助手」好得多。

成功是什么样的。 定义输出。「成功意味着一份两页的摘要，包含具体数据点、按类别列出的竞争对手变化、以及建议部分」给了 agent 一个明确目标。

它绝对不该做什么。 边界很重要。「永远不要编造数据。永远不要包含你无法验证的信息。如果不确定，标记为不确定而不是猜测。」

如何处理边界情况。 「如果竞品网站挂了，记录下来继续。不要重试超过两次。在最终报告里注明该竞品的数据可能不完整。」

模糊的提示词得到模糊的 agent。精确的提示词得到可靠的 agent。

第三步：搭建你的 Agent（非技术版本）

如果你使用 Claude 的消费端界面——Claude.ai——你可以通过 Cowork 构建agent，无需写代码。

打开 Claude Desktop 应用。进入 Cowork 标签页。把 Claude 指向你存放相关文件的文件夹。然后用第二步的系统提示词框架给它任务。

例如：

「你是一个周报生成器。每次运行这个任务时，你应该打开 /Reports 文件夹里的三个 CSV 文件，合并数据，识别前五个趋势，在 /Output 创建摘要文档。摘要每个趋势用标题分隔，包含具体数字，最后附上一段建议。」

Claude 会创建一个计划，展示给你，你批准后执行。

这就是你的第一个 agent。花了五分钟。

如果你需要更强的能力——定时运行、API 触发、多 agent 配置——你需要使用 Claude API。但即使是 API 也比你想象的更容易上手。

第四步：给 Agent 配备工具

一个裸 agent 只能思考和写作。有用但有限。

一个强大的 agent 能采取行动。它能搜索网页。它能读写文件。它能编写并执行代码。它能通过 API 和 MCP server 连接外部服务。

Claude Managed Agents 提供完整的开箱工具包：

Bash 执行——你的 agent 可以在安全容器中运行命令。这意味着它能处理数据、运行脚本、安装包和自动化系统任务。

文件操作——读取、写入、创建和组织文件。你的 agent 可以处理文档、生成报告和管理文件系统。

网页访问——你的 agent 可以搜索互联网、获取网页和从实时来源提取信息。

MCP 连接器——这是最强大的部分。MCP（Model Context Protocol）让你的 agent 直接连接 Google Drive、Slack、Gmail、Linear、GitHub 等服务。你的 agent 可以从你的真实工具中拉取数据，并将结果推送回去。

把 agent 连接到 Slack，它可以每天向频道发布摘要。连接到 Google Drive，它可以读取共享文档并更新表格。连接到 GitHub，它可以监控仓库、提交 issue，甚至开启 Pull Request。

工具给得越多，agent 越自主。

第五步：测试、破坏和修复

你的第一个版本不会完美。这很正常。

运行 agent 五次。观察它做什么。找出它失败的模式。

常见失败模式：

agent 做太多。 它过度解读你的指令，添加你没要求的步骤。修复方法：在提示词中添加明确约束。「只执行上面列出的步骤。除非明确要求，不要添加额外分析。」

agent 做太少。 它过早停止或产出浅薄的输出。修复方法：更具体地定义「完成」是什么样子。添加好输出的示例作为参考。

agent 产生幻觉。 它编造数据或引用不存在的来源。修复方法：添加验证步骤。「在包含任何数据点之前，对照源材料验证。如果无法验证，排除它并注明缺失内容。」

agent 被边界情况搞混。 出现意外情况，它要么崩溃要么产出无意义内容。修复方法：添加明确的错误处理指令。「如果 [特定场景]，则 [特定行动]。」

每次失败都是让提示词更聪明的机会。构建优秀 agent 的人不是第一次就对的人，而是迭代最快的人。

第六步：设置定时任务，然后走开

一旦 agent 稳定运行，下一步是自动化。

如果你使用 Cowork，可以用 /schedule 命令设置定时任务。让 agent 每天早上 7 点运行、每周五运行，或任何合理的频率。

如果你使用 Claude Code，全新的 Routines 功能让你配置在 Anthropic 云基础设施上运行的自动化。你的笔记本电脑不需要开着。你一次性设置好提示词、时间表和连接器——它就自己跑。

人们现在正在运行的真实案例：

每夜 Bug 分拣——agent 从 Linear 拉取新 issue，分类、设定优先级，在团队起床前发摘要到 Slack。

每周竞品分析——agent 扫描五个竞品网站，识别变化，编写报告，保存到 Google Drive。

每日内容研究——agent 监控 X 上特定领域的热门话题，识别表现最好的帖子，提取钩子和结构，创建简报。

这就是 agent 变成 7×24 小时员工的样貌。

第七步：扩展有效的东西

一个每周帮你省两小时的 agent 值得构建。

三个每周帮你省十小时的 agent 值得围绕它构建系统。

第一个 agent 稳定后，为不同任务构建第二个。然后第三个。每一个遵循相同流程——定义角色、设置提示词、连接工具、测试、迭代、自动化。

现在从 AI 获得最大杠杆的人，不是使用最多工具的人，而是在一个平台上深入并围绕它构建 agent 系统的人。

多 Agent 编排上线后，你甚至可以构建协作的 agent。研究 agent 把数据喂给分析 agent，分析 agent 把洞察喂给报告 agent，报告 agent 每天早上把成品文档送到你邮箱。

这不是科幻。这是 2026 年 5 月的 Claude Managed Agents。

诚实的话

构建第一个 agent 不到一小时。

构建一个优秀的 agent 需要迭代。需要测试。需要几周内不断优化提示词直到输出始终优秀。

但把 AI 当聊天机器人用的人，和把 AI 当自主劳动力用的人之间的差距，即将成为技术领域最大的竞争优势。

六个月后，今天开始构建 agent 的人将拥有在睡觉时也能产出真实结果的系统。

其他人还在从聊天窗口复制粘贴。

工具免费。基础设施就绪。唯一缺的是你的第一次构建。

初学者常犯的三个最大错误

错误一：构建做太多事情的 agent。 你的第一个 agent 应该只处理一个任务。一个。不是五个。不是「什么都做」。一个定义明确的任务。把它做到完美。然后为下一个任务构建第二个 agent。试图把通用 agent 作为第一个项目，是最快走向沮丧和放弃的路径。

错误二：没有给足够的上下文。 一个产出有用输出的 agent 和一个产出泛泛垃圾的 agent 之间最大的区别就是上下文。你的 agent 需要知道你是谁、你所在什么行业、你的标准是什么、输出应该长什么样。两段话的系统提示词永远比不上两页纸的系统提示词。花时间写一份详尽的简报。

错误三：不迭代。 你的第一个版本不会完美。第二个也不会。构建优秀 agent 的人把每次运行都当作反馈。他们观察输出，找出问题，更新提示词，再运行。五到十次迭代后，agent 从「大致有用」变成「稳定优秀」。试一次得到平庸结果就下结论说「agent 不行」的人，是错过整个机会的人。

Agent 生态正在爆发

Anthropic 不是唯一的玩家。但他们目前在 agent 基础设施方面处于最佳位置。

Claude Managed Agents 于 2026 年 4 月 8 日上线。多 Agent 编排在 5 月 6 日上线。Dreaming——agent 在会话间自我改进——同日发布。Routines——自主定时工作流——处于研究预览阶段。Anthropic 刚刚为 Pro、Max 和 Enterprise 用户翻倍了 Claude Code 速率限制。

生态发展速度快到今天「先进」的东西三个月后就是标准操作。现在开始构建的人将在其他人赶上时拥有数月的复合经验和优化。

这才是真正的优势。不是技术。而是使用技术的经验。

今天就开始。本周真正构建第一个 agent 的人，将理解世界其他人一年后才会搞明白的东西。