Anthropic 发布 Agent 基础设施对谈：脚手架变薄、ROI 从个人开始

Anthropic 平台工程负责人 Katelyn Lesse 指出，几个月前构建 Agent 需要大量过程控制代码，包括分支、条件判断等复杂编排；随着模型推理和工具调用能力的提升，这些编排层正在迅速变薄。开发者不再需要规定每一步，只需给出目标和基本边界，让模型自主决策如何完成。

与此同时，更高层的编排模式开始涌现：多个 Agent 同时求解并择优；一个 Agent 提出方案，另一个负责挑错；或在 Agent 卡顿时，邀请更强模型提供建议。重点正从“控制每一步”转向“设计 Agent 之间如何协作”。

这一转变源于模型能力的边际提升：更强的推理使得对步骤的拆解可以由模型本身完成，而工具调用精度的提高减少了外围兜底代码的必要性。

产品负责人 Angela Jiang 建议企业不要一开始就规划上百个自动化流程，而是先衡量一个具体的人：使用 Agent 后其工作速度和产出提升了多少。通过单点验证效果后，再从中推广到团队，最后处理跨部门流程。

她强调，前期指标应聚焦速度和生产力，待应用成熟后再评估收入、成本及用户指标。许多企业的 AI 转型失败，正因急于绘制宏大蓝图，导致涉及多部门规则时落地阻力大增。从个人着手，更容易看到成效并持续推动。

Katelyn Lesse 观察到，Anthropic 工程团队在半年来人员构成变化不大，但协作方式已显著不同。过去往往由技术负责人决定架构，其他工程师领取任务编码；现在更多工程师参与产品和架构决策，然后指挥 Claude 完成具体工作。

她举例介绍了 Shopify 的 River 系统，该系统已将需求文档、开发环境、代码实现和 QA 测试串联为端到端 Agent 工作流。这表明 Agent 的用途已不限于生成代码，而是贯穿软件交付全链路。

产品经理 Jess Yann 强调，Agent 降低了开发与试错成本，但同时也可能带来新问题：过去团队会先讨论再选择最值得做的方案，现在每个人可以快速做出十个原型甚至全部上线，让市场决定胜者。

这种模式虽然极速，但缺乏统一方向容易导致产品无序扩张。Agent 能显著放大个人能力，却不会自动解决团队的协调、取舍与决策问题。这要求组织在引入 Agent 时同时强化对齐机制。