Новый продукт Anthropic: конец эпохи команд по разработке инфраструктуры ИИ-агентов?

Оригинальное название: «Anthropic выпустила новый продукт, из-за которого многие команды по разработке инфраструктуры ИИ-агентов могут остаться без работы»

Автор оригинала: Bayu, инженер по ИИ

Этот продукт называется Claude Managed Agents. Если вкратце: вы сообщаете Anthropic, какой именно ИИ-агент вам нужен, и компания помогает запустить его в облаке, включая всю инфраструктуру и оплату по факту использования. Sentry использовала это решение для внедрения автоматизированного исправления багов за несколько недель, а Rakuten развернула специализированного агента всего за неделю. Раньше на подобные задачи у целой команды инженеров уходили месяцы.

Тем временем годовая регулярная выручка Anthropic превысила $30 млрд, что в три раза больше показателя декабря прошлого года. Основной рост обеспечивают корпоративные клиенты. Уолл-стрит начинает нервничать: по данным WSJ, инвесторы с осторожностью относятся к акциям традиционных SaaS-компаний, опасаясь, что продукты, подобные решению Anthropic, могут сделать некоторые традиционные программные сервисы ненужными.

Что это за продукт? Чем он отличается от Claude Code, которым вы уже пользуетесь? Как это было реализовано технически?

Что это такое? Чем отличается от Claude Code?

Если вы пользовались Claude Code, то знаете, как работают ИИ-агенты: вы даете им задачу, а они автономно планируют шаги, используют инструменты, пишут код, изменяют файлы и выполняют задачу пошагово.

Claude Code работает на вашем компьютере и является инструментом командной строки для индивидуальных разработчиков. Он прекращает работу, когда вы выключаете компьютер.

Managed Agents работают в облаке Anthropic и представляют собой API-сервис для корпоративного использования. Они могут работать непрерывно 24/7, сохраняют прогресс даже при разрыве соединения, а ваш продукт может напрямую интегрировать возможности ИИ-агентов.

Именно так работает Notion: пользователи ставят задачи агентам Claude прямо внутри Notion, агенты работают в фоновом режиме, выполняют задачи и возвращают результаты — и все это без необходимости покидать Notion.

Несколько типичных сценариев использования:

· По событию: система обнаруживает баг, автоматически назначает бота для его исправления и создания pull-запроса без участия человека.

· По расписанию: автоматическая генерация сводки активности в GitHub или краткого отчета о работе команды каждое утро.

· «Запустил и забыл»: поставьте задачу боту в Slack, и он выполнит ее, вернув готовый документ, презентацию или приложение.

· Длительные задачи: выполнение глубокого исследования или рефакторинга кода в течение нескольких часов.

В чем разница между облачными ботами и локальными?

Вы можете разместить их на своих серверах, но это дорого и медленно.

Для запуска интеллектуального бота требуется нечто большее, чем просто «вызов API»: изолированная «песочница» (безопасная среда, где ИИ может запускать код, менять файлы и экспериментировать, не влияя на реальную систему, например, выделенная виртуальная машина), управление учетными данными, восстановление состояния, контроль доступа, сквозное отслеживание и многое другое.

Многим корпоративным клиентам раньше требовалась целая команда инженеров для этих задач. Теперь это работает по принципу «подключил и пользуйся», позволяя инженерам сосредоточиться на основной ценности продукта.

Однако проблемы, которые решают Managed Agents, выходят за рамки просто экономии трудозатрат.

Мэтт Донгсли (@dongxi_nlp) дает лаконичное резюме:

В инженерном блоге Anthropic есть конкретный пример:

Когда Claude Sonnet 4.5 приближается к пределу контекстного окна, он «паникует» и поспешно завершает задачу. Чтобы это исправить, они добавили сброс контекста в планировщик. Однако с выходом Claude Opus 4.5 эта проблема исчезла, и предыдущий патч стал обузой.

Если вы создаете свой планировщик, вам придется обновлять его при каждом выходе новой модели. Делегируйте это Anthropic; они оптимизируют его за вас, фактически оптимизируя то, что они вам продают.

Кто это использует и как?

Notion позволяет пользователям делегировать такие задачи, как написание кода, создание презентаций и работа с таблицами, напрямую Claude внутри рабочего пространства. Можно выполнять десятки задач параллельно, а вся команда работает над одним результатом. Продакт-менеджер Notion Эрик Лю отметил, что пользователи могут делегировать сложные задачи с открытым финалом, не покидая Notion.

Sentry внедрила полностью автоматизированный процесс «от обнаружения бага до отправки исправления». Их ИИ-инструмент для отладки Seer после выявления первопричины позволяет Claude напрямую писать патчи и открывать PR (pull-запросы). Директор по инжинирингу Индраги Карунаратне заявил, что они смогли запуститься за несколько недель, избавившись от затрат на поддержку собственной инфраструктуры.

Atlassian интегрировала решение в Jira, позволив разработчикам напрямую назначать задачи Claude AI.

Asana создала AI Teammates — ИИ-коллег для управления проектами, которые могут брать на себя задачи и подготовку результатов.

General Legal (legal tech компания) использует наиболее интересный подход: их ИИ может временно создавать инструменты для поиска данных на основе запросов пользователей. Раньше нужно было предугадывать каждый запрос и заранее разрабатывать инструмент поиска, а теперь ИИ генерирует их по требованию. Технический директор компании сообщил, что время разработки сократилось в 10 раз.

Rakuten развернула специализированных ИИ-агентов в отделах инжиниринга, продукта, продаж, маркетинга и финансов, каждый из которых был запущен в течение недели. Они получают задачи через Slack и Teams и выдают готовые результаты: таблицы, презентации и приложения.

Технический принцип: отделение «мозга» от «рук»

Инженерная команда Anthropic опубликовала статью «Масштабирование Managed Agents: отделение мозга от рук», где обсуждается архитектурная эволюция этого решения.

Изначально они помещали всё в один контейнер: цикл вывода ИИ, среду выполнения кода и журнал сессии. Преимуществом была простота, но недостатком — риск потери всего: если контейнер падал, сессия прерывалась, а отдельные части нельзя было заменить по отдельности.

Позже они произвели ключевое разделение:

· «Мозг» — это Claude и его планировщик, отвечающие за мышление и принятие решений.

· «Руки» — это «песочница» и различные инструменты, отвечающие за выполнение конкретных операций.

· «Память» — это независимый журнал сессии, записывающий всё происходящее.

Все три компонента независимы: если один выйдет из строя, это не повлияет на остальные.

Это разделение принесло несколько практических преимуществ:

Скорость

Не для каждой задачи нужно запускать полноценную «песочницу». Теперь она запускается только тогда, когда ИИ действительно нужно выполнить код. Медианная задержка первого ответа снизилась примерно на 60%, а в экстремальных случаях — более чем на 90%.

Безопасность

Код, сгенерированный ИИ, выполняется в «песочнице», а учетные данные для доступа к внешним системам хранятся в защищенном хранилище вне ее, с физической изоляцией с обеих сторон. Например, для доступа к Git-репозиторию система клонирует код при инициализации, и ИИ взаимодействует с git push/pull обычным образом, но сам токен ему не виден. Сервисы вроде Slack и Jira доступны через протокол MCP: запросы проходят через прокси-слой, который извлекает учетные данные из хранилища, и ИИ никогда не получает к ним прямого доступа.

Гибкость

«Мозгу» неважно, что представляют собой «руки». В блоге есть интересная фраза: планировщик не знает, является ли «песочница» контейнером, мобильным телефоном или эмулятором Pokémon. Ему нужно лишь следовать интерфейсу «ввод имени — получение строки».

Это также означает, что несколько «мозгов» могут использовать одни «руки», а один «мозг» может передать управление другим, что закладывает основу для взаимодействия нескольких агентов.

Ограничения

Managed Agents не всемогущи. Стоит учесть несколько моментов:

Некоторые функции находятся на стадии предварительного ознакомления. Возможности взаимодействия нескольких агентов, продвинутые инструменты памяти и самооценка (позволяющая агенту оценивать качество выполнения задачи и итеративно улучшать результат) пока не полностью открыты и требуют подачи заявки.

Привязка к платформе. Выбор Managed Agents означает, что инфраструктура ваших агентов привязана к экосистеме Anthropic. Если вы планируете сменить модель или платформу в будущем, не стоит игнорировать расходы на миграцию.

Управление контекстом остается сложной задачей. Хотя журналы сессий хранятся отдельно, решение о том, какую информацию сохранить, а какую отбросить при выполнении длительных задач, все еще требует необратимых решений. Это постоянная проблема, и текущий подход разделяет хранение контекста и управление им: хранение обеспечивает сохранность, а политики управления адаптируются по мере развития моделей.

Предсказуемость затрат. $0,08 за час сессии может звучать разумно, но для сложных задач, требующих работы агента в течение нескольких часов, с учетом потребления токенов и времени выполнения, общая стоимость может оказаться значительной. Компаниям необходимо соответствующим образом оценивать свои бюджеты.

Managed Agents показывают, что большинству компаний еще предстоит пройти долгий путь, прежде чем они смогут «полностью положиться на ИИ-агентов в работе».

Хотя барьер входа в инфраструктуру снизился, Managed Agents не могут помочь в постановке правильных задач, проектировании рабочих процессов или установлении доверия, необходимого для доступа ИИ к основным бизнес-данным.

«Момент AWS» для инфраструктуры ИИ-агентов

Managed Agents, похоже, идут по пути, который выбрала AWS на ранних этапах: сначала предоставление вычислительных мощностей, затем инкапсуляция среды выполнения.

Десять лет назад компании спорили, стоит ли «переходить в облако»; теперь спор идет о том, «разворачивать инфраструктуру агентов самостоятельно или использовать управляемые сервисы». Исторический опыт показывает, что большинство компаний в итоге выбирают управляемые сервисы, так как инфраструктура никогда не является их основной компетенцией. OpenAI также запустила свою платформу для агентов Frontier, и конкуренция в этой сфере только начинается.

С технологической точки зрения архитектурный подход «разделения мозга и рук» заслуживает внимания. Он позволяет каждой части системы развиваться независимо: обновите модель — смените «мозг»; нужен новый инструмент — добавьте «руку»; измените решение для хранения — замените слой памяти.

Хорошая аналогия из инженерного блога: команда read() в операционной системе не заботится о том, работает ли она с диском 1970-х годов или современным SSD; уровень абстракции стабилен, что позволяет легко менять базовую реализацию.

С точки зрения использования, если вы корпоративный разработчик и хотите внедрить возможности ИИ-агентов в свой продукт, Managed Agents могут сэкономить вам несколько месяцев работы над инфраструктурой.

Поддерживаются SDK для шести языков (Python, TypeScript, Java, Go, Ruby, PHP). Если вы уже используете Claude Code, обновитесь до последней версии и введите /claude-api managed-agents-onboarding, чтобы начать.

Если вы обычный энтузиаст ИИ, то самое заметное изменение, которое вы почувствуете: в SaaS-продуктах, которыми вы пользуетесь, будет работать всё больше фоновых ИИ-агентов, и, скорее всего, они будут работать на базе Managed Agents.

Справочная информация по ценам: стоимость токенов основана на стандартных тарифах API Anthropic, стоимость выполнения составляет $0,08 за час сессии (время простоя не тарифицируется) и $10 за тысячу поисковых запросов в интернете.

Как вы думаете, будет ли инфраструктура для ИИ-агентов в конечном итоге доминировать несколькими крупными игроками, подобно тому, как это происходит сегодня с облачными вычислениями?

Ссылка на оригинальную статью