- Claude 平台在过去半年从一个「API 推理服务」进化到提供 Managed Agents、memory、outcomes 等全栈智能体基础设施
- 控制层正在变薄：模型智能提升后，过去复杂的业务流程编排（if-else 规则网）可以被逐步拆除，让模型自主决策
- 对抗式多智能体策略兴起：两个智能体互相挑战来求解，或 advisor 模式——模型遇到难题时「呼叫一个更聪明的朋友」
- ROI 衡量建议从个体效率出发：先看一个人的速度提升，扩展到团队生产率，最后才考虑全公司级 120 个流程的 agent 化
- 安全与合规是企业智能体落地的最大阻碍，eval 体系是第二瓶颈，Anthropic 认为需要修订沿用了 20 年的安全假设清单
一场关于智能体基础设施的圆桌讨论：Claude 平台团队说了什么
这场圆桌的主角是 Claude 平台的三位核心产品负责人：Claude Managed Agents 的产品经理 Jess Yann、Claude 平台工程负责人 Katelyn Lesse、以及 Claude 平台产品负责人 Angela Jiang。她们在这场讨论中回答了同一个核心问题——当智能体从「你 prompt 的工具」进化为「运行你业务的基础设施」时，技术栈和团队形态会发生什么变化。
讨论的核心判断有三条：第一，模型变聪明了，过去那些复杂的 if-else 编排框可以拆掉了，控制层正向更薄的方向演进。第二，多智能体策略正在从「一个模型干活」进化到「两个模型互相挑战」「遇到难题呼叫外部智能体」等复合架构。第三，ROI 不要先盯着 120 个流程清单，应该从一个人的速度提升开始。
更薄的控制层：模型智能提升如何重构了智能体架构
Angela Jiang 提出的核心论点是——控制层（harness）正在变得越来越薄。
六个月前，团队构建智能体系统的方式是绘制复杂的业务流程图：「先走步骤 A，步骤 A 只能到 B，当且仅当某个条件成立时才跳转到 C」。这种做法造成了一个脆弱且难以维护的规则网络，而且它天然压制了模型本应发挥的智能——人试图用规则框住非确定性系统，结果两头不讨好。
模型变聪明之后，这个矛盾开始松动。Angela 和 Katelyn 都观察到，随着模型工具调用更精准、推理更深入，开发者可以逐步拆除那些限制性的编排代码。不需要告诉模型「先做这个再做那个」，只需要给一个目标、一些工具、以及合理的护栏，模型就能自己规划执行路径。
Katelyn 补充了一个关键背景：不仅模型更强了，基础设施也让智能体能够「持久存在」——智能体可以在工作区内保持待命状态，被某个事件触发后独立运行一段较长时间的工作，完成后才回来报告。这种异步工作模式在六个月前几乎是不可行的。
Angela 认为控制层变薄不代表不需要控制层，而是控制层正在从「流程编排」转向「策略组合」——她称之为元控制层（meta-harness），或者用她的话说「未来的马鞍」。这些元控制层不再规定每一步要做什么，而是组合更宏观的策略。
对抗式智能体与 advisor 模式：多智能体架构的新形态
Angela 描述了几种正在被验证的多智能体协同策略，这是整场讨论中最具实操洞察力的部分。
第一种是对抗式策略：同时启动两个智能体，一个负责生成方案，另一个扮演对抗角色来挑战它。双方在竞争中逼近更优解。这与人类团队中的红蓝对抗机制如出一辙——不是用一个模型找到正确答案，而是让两个模型互相质疑，直到收敛。
第二种是 advisor 模式：主智能体在推理过程中遇到无法判断的问题时，主动「呼叫一个更聪明的朋友」来协助。这个被呼叫的 advisor 智能体专门负责解决特定类型的难题，然后把结果带回主智能体。Angela 说这个模式已经被实际部署并取得了相当好的效果。
这两种策略的共同特征是——它们不是在模型外面堆一层更厚的规则，而是利用模型本身的推理能力来组织协作。这呼应了「控制层变薄」的判断：规则被模型取代，编排被策略取代。
智能体 ROI 怎么算：从个体效率到全流程的递进路径
整场讨论中最具体的框架来自 Angela Jiang 关于如何衡量智能体 ROI 的分析。她的核心主张是——从个体开始，而不是从流程清单开始。
她观察到很多企业犯的错误是：列出 120 个旧流程，想一次性完成全公司的智能体化改造。这不仅难度极高，而且回报周期长到无法支撑组织内部的持续投入。
Angela 建议的三阶段路径：
第一阶段：衡量个体速度。一个开发者、一个运营、一个分析师——她在智能体辅助下做同一件事需要多长时间？这个指标听起来「不够高级」，但它是所有 ROI 计算的起点。一个人变快了，才能推到一个团队。
第二阶段：衡量团队生产率。当团队中每个人都被加速后，关注的不再是个人输出，而是团队协同的节奏——从需求到交付的周期有没有缩短？跨角色的协作瓶颈有没有被智能体拆掉？
第三阶段：流程级改造。只有在个体和团队层面验证了智能体确实提升了速度，才值得去碰那些跨团队、跨部门的大流程。Angela 特别指出，一个大流程通常涉及多个团队、多种 SOP、不同领域的专业知识——这些东西本来就不可能一次性自动化。
在这个框架下，ROI 的核心指标应该是速度（speed）和生产率（productivity），而不是直接跳到财务指标或用户指标。速度和生产率是领先指标，财务和用户指标是滞后指标。
失败模式：过度独立与智能体蔓延
Angela 提出了两个值得警惕的失败模式。
第一个是「虚假的超级独立」。当一个组织里的每个人都能像建乐高一样快速搭建十个原型时，容易出现的问题是——不再思考「哪个方案最好」，而是「十个都上线，看哪个跑出来再说」。这个思维本身没有问题，但它会带来协调成本的急剧上升。质量来自于系统性的整体思考，但十个独立启动的智能体项目之间缺乏统一的架构方向。
第二个是「智能体蔓延」。与微服务架构的服务蔓延类似，当任何人都可以低成本地启动一个智能体时，组织会快速积累大量无人维护、彼此冲突的智能体实例。这和工具蔓延、微服务蔓延是同一类管理问题，只是换了一层包装。
未来图景：智能体作为不可见的基础设施层
Katelyn Lesse 描绘了智能体的终极形态——不是你今天主动去打开的一个工具，而是一个不可见的基础设施层（invisible substrate）。
在她描述的愿景中，智能体是主动的、常驻的、事件驱动的。你不需要走到工具面前说「帮我看一下这个」，而是智能体主动来找你：「我注意到某个服务宕了，我查了日志，修好了，这是 PR，你要不要审核一下？」甚至，在更成熟的阶段，你可以告诉它「这种小事下次不用问我，直接修」。这个形态下智能体不再是工具，而是操作系统级别的常驻服务。
Angela 补充了一个重要的概念迭代：团队化的智能体。不是「有一个智能体是一个团队成员」，而是「你和我之间有一个智能体，它理解我们两个人的协作偏好」。三个人组成的团队可以有一个共享智能体，它长期学习这个团队的协作模式，主动填补流程中的缝隙。
Anthropic 平台团队正在通过 outcomes 和 budget 这两个概念推动这个愿景。outcome 是「告诉 Claude 好的结果长什么样，给它一个评分标准」，budget 是「你最多能迭代多少次来达成这个结果」。用 Angela 的话说，最终的目标是让用户说出「我要这个结果，这是预算，去做吧」，然后就不再需要想别的了。
完整讨论见：（Building the future of agentic infrastructure, Claude Platform 团队圆桌, 2026年7月）
