结论先行：Claude 的变化不是“多了一个写代码工具”，而是从聊天模型演进成了 Agent 操作系统

如果只看单次问答，Claude Code 确实像“更强的代码助手”；但如果按 Anthropic/Claude 官方博客的时间线看，会发现它真正的变化是：

Claude 正在从 对话模型 → 工具使用模型 → 代码 Agent → 通用 Agent Harness → 多 Agent/托管 Agent 平台 → 企业级 Agent 网络 演进。

也就是说，Claude Code 不是孤立产品，而是 Anthropic 用来验证 Agent 架构的第一块“硬骨头”：代码环境天然有文件、命令、测试、版本控制、可验证结果，所以它最适合训练和产品化“会自己行动、会验证、会迭代”的 Agent。

1. 整体进展脉络

2024：从“模型能力”进入“Agent 架构”阶段

2024-06：Claude 3.5 Sonnet 证明“模型可以做 agentic coding”

Anthropic 在 Claude 3.5 Sonnet 发布时强调，它在内部 agentic coding evaluation 中表现显著提升：当模型被提供相关工具后，可以独立写代码、编辑代码、执行代码，并进行推理和排错[1]。

这一步的重要性是：

  • Agent 不再只是“prompt 工程”；
  • 模型开始具备 规划、工具调用、错误恢复、代码修改 的基础能力；
  • 但此时还缺一个标准化的“连接外部世界”的方式。
2024-11：MCP 发布，解决 Agent 接入外部系统的问题

Anthropic 开源 Model Context Protocol，目标是给 AI 助手连接数据源、业务工具、开发环境提供统一标准[2]。

MCP 的意义很大：

  • 过去每接一个系统都要做一套 custom integration；
  • MCP 把外部系统抽象为标准 server/client；
  • Agent 可以通过 MCP 接 GitHub、Slack、Google Drive、Postgres、浏览器等；
  • 这让“Agent 网络”有了基础协议层。

你可以把 MCP 理解成：

Agent 世界里的 USB-C / HTTP / Plugin Protocol。

没有 MCP，Agent 很难规模化接入企业系统；有了 MCP，Agent 才能真正进入生产工作流。

2024-12：Anthropic 明确提出 Agent 设计原则

在《Building effective agents》中，Anthropic 把 agentic systems 分成两类：workflows 和 agents。Workflows 是预定义代码路径里的 LLM + tools；Agents 则是 LLM 动态决定流程和工具使用[3]。

这篇文章其实是 Anthropic 后续所有 Agent 产品的设计底座。它提出了几个关键模式：

  • Prompt chaining：链式分解任务；
  • Routing：按类型路由到不同处理路径；
  • Parallelization：并行处理/投票；
  • Orchestrator-workers：一个主 Agent 分解任务，多个 worker 执行；
  • Evaluator-optimizer：生成器 + 评估器循环优化；
  • Autonomous agents：模型在环境反馈中多轮行动。

这篇文章还强调一句非常关键的话：成功的 Agent 不是越复杂越好，而是要用最简单、可组合的模式解决问题。

2. Claude Code 线：从 CLI 编码助手到工程 Agent

2025-02：Claude 3.7 Sonnet + Claude Code 研究预览

2025 年 2 月，Anthropic 发布 Claude 3.7 Sonnet，同时推出 Claude Code。官方定义很明确：Claude Code 是一个命令行 agentic coding 工具，允许开发者直接从终端把实质性工程任务委托给 Claude[4]。

Claude Code 当时已经可以：

  • 搜索和读取代码；
  • 编辑文件；
  • 写测试、运行测试；
  • 使用命令行工具；
  • commit / push 到 GitHub；
  • 在过程中让人类保持介入。

这里最关键的不是“它会写代码”，而是它形成了一个闭环：

读环境 → 改环境 → 执行验证 → 根据结果再改。

这和 ChatGPT 式“生成一段代码”是不同物种。

Claude Code 的特殊性：代码是最适合 Agent 的训练场

代码场景有几个天然优势：

  1. 环境清晰：文件系统、依赖、命令、测试、git。
  2. 反馈明确：测试过/不过，编译成/不成。
  3. 任务可拆解：找文件、理解逻辑、改代码、写测试。
  4. 可回滚：git diff、commit、checkpoint。
  5. 可并行：不同分支、不同 worktree、不同任务。

所以 Claude Code 本质上是 Anthropic 的 Agent 原型场：先在代码里把“自主行动 + 工具调用 + 环境反馈 + 验证闭环”跑通。

3. Agent 设计线：从单 Agent 到多 Agent

2025-06：多 Agent Research 系统

Anthropic 在《How we built our multi-agent research system》中公开了 Claude Research 的多 Agent 架构：一个 lead agent 规划研究过程，再创建多个 subagents 并行搜索信息，最后综合结果[5]。

这个架构非常关键：

Lead Agent = orchestrator
Subagents = workers
每个 subagent 有自己的 context window
最终只把压缩后的关键结果返回给 lead agent

它解决的是单 Agent 的三个瓶颈：

  1. 上下文瓶颈：一个 Agent 的上下文窗口会爆。
  2. 速度瓶颈：单线程搜索太慢。
  3. 路径依赖：一个 Agent 搜错方向后容易越走越偏。

多 Agent 的收益来自并行、隔离、压缩。Anthropic 的内部评估显示，多 Agent research 系统在某些宽度优先研究任务上比单 Agent Opus 4 高 90.2% 表现[5]。

但它也指出代价：多 Agent 系统消耗 token 很快，multi-agent systems 大约是普通 chat 的 15 倍 token 消耗。因此适合高价值、强并行、信息量超单窗口的任务。

这就是“Agent 网络”的雏形。

4. Claude Agent SDK 线：Claude Code 的 harness 被抽象成通用 Agent 框架

2025-09：Claude Code SDK 更名为 Claude Agent SDK

Anthropic 后来明确说：Claude Code 背后的 agent harness 不只适合 coding，也可以驱动其他类型 Agent，因此 Claude Code SDK 更名为 Claude Agent SDK[6]。

这篇文章给出了一个非常重要的设计原则：

Give your agents a computer.

也就是说，不只是给模型 API，而是给它一个可以操作的计算环境：

  • 文件系统；
  • Bash；
  • 脚本执行；
  • 搜索；
  • MCP；
  • subagents；
  • compaction；
  • verification loop。

Anthropic 把 Agent loop 总结为：

gather context → take action → verify work → repeat

这就是 Claude Code 的底层循环，也成为通用 Agent SDK 的设计模板。

所以 Claude Code 的真正价值不是“代码助手产品”，而是：

它证明了一套 Agent Harness 可以把 Claude 变成可执行数字工作的通用 Agent。

5. Claude Code 产品线：从本地终端到云端并行

2025-10：Claude Code on the web

Claude Code on the web 允许用户从浏览器直接委托多个 coding tasks，这些任务运行在 Anthropic-managed cloud infrastructure 上，每个 session 在隔离环境中执行，并支持自动 PR 创建和变更摘要[7]。

这一步的意义是：

  • Claude Code 不再只是本地 CLI；
  • 它变成云端异步执行器；
  • 用户可以同时发起多个任务；
  • 每个任务有隔离 sandbox；
  • 结果可以直接进入 GitHub PR 流程。

这其实已经接近“软件工程任务队列 + Agent worker pool”。

2026-04：Claude Code Desktop 为并行 Agent 重新设计

Claude 官方博客显示，桌面版 Claude Code 重新设计为支持 parallel agents：新 sidebar 管理多个 session，支持拖拽布局、集成 terminal 和 file editor[8]。

官方描述很直白：现在 agentic coding 的真实体验是：

many things in flight, and you in the orchestrator seat.

也就是说，人类开发者的角色开始变化：

  • 过去：人写代码，AI 辅助；
  • 后来：AI 写一段，人审一段；
  • 现在：人像 PM/tech lead 一样调度多个 coding agents。

2026-05：Agent view in Claude Code

Agent view 进一步把多个 Claude Code session 统一管理起来：可以启动新 agents、把它们放到后台、只在 Claude 需要输入时跳进去[9]。

这说明 Claude Code 的产品重心已经从“一个终端里的助手”转向：

多个后台 Agent 的控制台。

这就是你说的“Agent 网络”的产品化入口。

6. Managed Agents 线：从工具到平台

2026-04：Claude Managed Agents

Claude 博客中出现 Claude Managed Agents：目标是让开发者更快把 Agent 上生产环境。到 2026 年 5 月，Managed Agents 加入了 memory、dreaming、outcomes、multiagent orchestration、webhooks、自托管 sandbox、MCP tunnels 等能力。

其中几个概念很关键：

Built-in memory

Managed Agents 有内置 memory，让 Agent 在多次 session 之间保留上下文，而不是每次从零开始。

Dreaming

Dreaming 是一个定期过程：回顾过去的 agent sessions 和 memory stores，抽取模式，整理记忆，让 Agent 随时间自我改进[10]。

这很像“组织级经验沉淀”：

  • 哪些错误反复出现；
  • 哪些 workflow 最有效；
  • 团队共享偏好是什么；
  • Agent 应该如何修正长期行为。
Outcomes

Outcomes 允许开发者写一个 rubric，描述“成功长什么样”，Agent 会围绕这个 outcome 工作[10]。

这比传统 prompt 更像任务契约。

Multiagent orchestration

Managed Agents 开始提供多 Agent 编排能力，意味着 Anthropic 不只是让你手动开多个 Claude Code session，而是在平台层支持 Agent 之间协作。

Self-hosted sandboxes + MCP tunnels

2026 年 5 月，Claude Managed Agents 支持 self-hosted sandboxes 和 MCP tunnels。官方说明是：agent loop 仍在 Anthropic 基础设施上处理 orchestration、context management 和 error recovery，但 tool execution 可以移动到用户自己的配置环境中[11]。

这一步非常企业化：

  • Agent 的“脑”在 Anthropic；
  • 工具执行环境可以在企业自己基础设施；
  • 通过 MCP tunnels 接入私有系统；
  • 兼顾能力、隔离、安全、合规。

7. Skills 线：从 prompt 到可复用专业能力包

2025 年 10 月，Claude 发布 Agent Skills。Skills 是包含 instructions、scripts、resources 的文件夹，Claude 会在相关任务中按需加载[12]。

Skills 的几个关键词：

  • Composable：多个 skills 可以组合；
  • Portable：同一格式可用于 Claude apps、Claude Code、API；
  • Efficient：只在需要时加载，避免污染上下文；
  • Powerful：可以包含可执行代码。

这解决了一个长期问题：如果把所有团队规范、业务知识、工具说明都塞进 system prompt 或 CLAUDE.md，上下文会爆，而且模型会忽略重点。Skills 的思路是：

专业知识不常驻上下文，而是按任务动态加载。

这其实是 Agent 走向企业级部署的关键，因为企业 Agent 不可能只靠一个超长 prompt，而需要模块化能力包。

8. 大型代码库实践线：Agent 如何真正进入复杂工程

Claude Code 在大型代码库中的最佳实践强调几件事：CLAUDE.md、hooks、skills、plugins、subagents、context 管理、verification[13]。

这些看似琐碎，但本质上是 Agent 工程化的核心：

CLAUDE.md：项目长期记忆

告诉 Agent：

  • 如何 build；
  • 如何 test；
  • 代码风格；
  • repo 特殊约定；
  • 常见坑。

Hooks：确定性约束

比如每次编辑后必须跑 eslint，或者禁止写 migrations 文件夹。Hooks 比 prompt 更强，因为它是确定性执行，不靠模型“记得”。

Skills：按需专业知识

例如 API 规范、发布流程、设计系统、特定业务域知识。

Subagents：隔离探索

让一个 subagent 去读大量文件、调查问题，然后只返回总结，避免主上下文被污染。

Verification：让 Agent 自证

官方最佳实践说，给 Claude 一个验证方式是最高杠杆：测试、截图、预期输出、lint、build command[14]。

这其实就是 Agent 和普通 chatbot 的分水岭：

Chatbot 给答案；Agent 必须能验证答案。

9. “三条主线”

A. Agent 设计主线

从 2024 到 2026，Anthropic 的 Agent 设计逐渐清晰：

  1. Augmented LLM：LLM + retrieval + tools + memory。
  2. Workflow patterns：chain、route、parallel、orchestrator、evaluator。
  3. Autonomous agent loop：环境反馈中的多轮工具使用。
  4. Context engineering：文件系统、memory、compaction、subagents。
  5. Multi-agent orchestration：lead agent + worker agents。
  6. Production harness：sandbox、checkpoint、observability、权限、webhooks。
  7. Self-improvement：memory + dreaming + outcomes。

B. Claude Code 主线

Claude Code 的演进是：

  1. 2025-02：CLI research preview
    从终端委托工程任务。

  2. Best practices 阶段
    探索 → 计划 → 实现 → 验证；CLAUDE.md、hooks、permissions、skills。

  3. SDK 抽象阶段
    Claude Code SDK 变成 Claude Agent SDK，说明 coding harness 被泛化。

  4. Web/cloud 阶段
    从浏览器委托多个任务，云端 sandbox 执行，自动 PR。

  5. Desktop/Agent view 阶段
    多个 parallel agents 的工作台，人类成为 orchestrator。

C. Agent 网络/企业平台主线

这条线从 MCP 开始：

  1. MCP：统一连接外部系统。
  2. Integrations / Connectors：Claude 连接工作应用。
  3. Skills：专业能力模块化。
  4. Managed Agents：托管 agent loop、memory、outcomes、webhooks。
  5. Self-hosted sandboxes：企业自己控制工具执行环境。
  6. MCP tunnels：安全接入内部工具。
  7. Multiagent orchestration：平台层编排多个 Agent。

这就是 Agent 网络的基本形态：

模型 + 工具协议 + 能力包 + 运行环境 + 记忆 + 编排 + 企业管控。

10. 为什么这比“会写代码”特殊？

如果只看“Claude 给我写了一个函数”，确实没什么特殊。但 Claude Code / Claude Agent SDK 特殊在 6 个层面。

1. 它有环境

普通模型只在文本里工作。Claude Code 在真实工程环境里工作：

  • 文件；
  • shell；
  • git；
  • tests；
  • package manager；
  • logs；
  • browser/computer；
  • MCP tools。

2. 它有行动闭环

不是一次性输出，而是：

读 → 改 → 跑 → 报错 → 修 → 再跑。

这就是 Agent。

3. 它有验证机制

代码任务可以被测试验证，UI 可以截图验证，数据任务可以脚本验证。验证让 Agent 从“看起来对”变成“可证明更接近对”。

4. 它有上下文工程

通过 CLAUDE.md、Skills、memory、subagents、compaction、filesystem，把上下文变成可管理资源。

5. 它能并行

从 subagents 到 Claude Code on the web，到 Agent view、Desktop parallel agents，再到 Managed Agents multiagent orchestration，Anthropic 明确在把单 Agent 变成 Agent 群。

6. 它正在企业化

权限、sandbox、self-hosted execution、MCP tunnels、admin controls、observability，这些不是 demo，而是企业级 Agent 平台需要的底座。

11. 一张简化时间线

时间 关键节点 本质变化
2024-06 Claude 3.5 Sonnet 强化 agentic coding 模型具备更强代码推理和工具使用基础
2024-11 MCP 发布 Agent 连接外部系统有了标准协议
2024-12 Building effective agents Anthropic 明确 Agent 架构模式
2025-02 Claude 3.7 Sonnet + Claude Code 从模型能力进入 CLI coding Agent
2025-06 Multi-agent Research 从单 Agent 进入 orchestrator-workers 多 Agent
2025-09 Claude Agent SDK Claude Code harness 泛化为通用 Agent SDK
2025-10 Skills 专业能力模块化、按需加载
2025-10 Claude Code on the web Coding Agent 云端化、并行化、PR 化
2026-04 Claude Code desktop parallel agents 人类成为多个 coding agents 的 orchestrator
2026-05 Agent view in Claude Code 多 session / 后台 Agent 控制台
2026-05 Managed Agents memory/dreaming/outcomes/orchestration Agent 平台具备长期记忆、自我改进、成功标准、多 Agent 编排
2026-05 Self-hosted sandboxes + MCP tunnels 企业级 Agent 执行环境和内部系统接入

12. Anthropic 的真实战略

Anthropic 不是单纯在做 Claude Code，而是在做一套 Agent Runtime / Agent OS。

Claude Code 是第一个成熟场景，因为代码最可验证；MCP 是连接协议；Skills 是能力包；Agent SDK 是开发框架；Managed Agents 是托管运行时；Claude Code Web/Desktop/Agent view 是人类调度 Agent 的交互层。

可以抽象成：

用户 / 企业任务
  ↓
Claude App / Claude Code / Cowork / API
  ↓
Agent Harness
  - context management
  - tool use
  - planning
  - memory
  - compaction
  - subagents
  - verification
  - checkpoints
  ↓
Tools / MCP / Skills / Files / Browser / Shell
  ↓
Sandbox / Enterprise infra / GitHub / SaaS / internal systems
  ↓
Artifacts
  - PR
  - report
  - dashboard
  - document
  - automation result

所以“特殊能力”不在模型单点，而在系统组合：

Claude Code = Claude + 工具 + 文件系统 + shell + git + 测试 + 权限 + 上下文管理 + 子代理 + sandbox + PR 工作流。

这就是从“AI 会回答”到“AI 能完成任务”的分界线。

References

  1. Introducing Claude 3.5 Sonnet - Anthropic
  2. Introducing the Model Context Protocol - Anthropic
  3. Building Effective AI Agents - Anthropic
  4. Claude 3.7 Sonnet and Claude Code - Anthropic
  5. How we built our multi-agent research system - Anthropic
  6. Building agents with the Claude Agent SDK
  7. Claude Code on the web | Claude
  8. Redesigning Claude Code on desktop for parallel agents | Claude
  9. Agent view in Claude Code
  10. New in Claude Managed Agents: dreaming, outcomes, and …
  11. New in Claude Managed Agents: self-hosted sandboxes and MCP …
  12. Introducing Agent Skills | Claude
  13. How Claude Code works in large codebases: Best practices and …
  14. Best practices for Claude Code
# 人工智能 # 机器学习 # AIGC # 低代码
Logo
openEuler 社区

openEuler 是由开放原子开源基金会孵化的全场景开源操作系统项目，面向数字基础设施四大核心场景（服务器、云计算、边缘计算、嵌入式），全面支持 ARM、x86、RISC-V、loongArch、PowerPC、SW-64 等多样性计算架构

更多推荐

2026年腾讯云OpenClaw/Hermes Agent配置Token Plan安装保姆级

OpenClaw并非传统的聊天机器人，而是一款本地优先、云端适配的AI自动化代理——它以大语言模型为“大脑”，以Skills插件生态为“手脚”，能理解自然语言指令，自主完成网页操作、邮件管理、文档处理、多平台协同等具象化任务，无需编写复杂的自动化脚本。零代码门槛：通过自然语言下达指令，无需掌握Python/Java等编程技能；多端适配：支持阿里云服务器、本地设备、无影云电脑等多环境部署；生态扩展：

avatar openEuler 社区

2026年腾讯云OpenClaw/Hermes Agent配置Token Plan集成新手友好

OpenClaw并非传统的聊天机器人，而是一款本地优先、云端适配的AI自动化代理——它以大语言模型为“大脑”，以Skills插件生态为“手脚”，能理解自然语言指令，自主完成网页操作、邮件管理、文档处理、多平台协同等具象化任务，无需编写复杂的自动化脚本。零代码门槛：通过自然语言下达指令，无需掌握Python/Java等编程技能；多端适配：支持阿里云服务器、本地设备、无影云电脑等多环境部署；生态扩展：

avatar openEuler 社区

2026年阿里云OpenClaw/Hermes Agent配置Token Plan保姆级指南

OpenClaw并非传统的聊天机器人，而是一款本地优先、云端适配的AI自动化代理——它以大语言模型为“大脑”，以Skills插件生态为“手脚”，能理解自然语言指令，自主完成网页操作、邮件管理、文档处理、多平台协同等具象化任务，无需编写复杂的自动化脚本。零代码门槛：通过自然语言下达指令，无需掌握Python/Java等编程技能；多端适配：支持阿里云服务器、本地设备、无影云电脑等多环境部署；生态扩展：

avatar openEuler 社区