Anthropic обновляет Claude Managed Agents: Dreaming, outcomes и многоагентная оркестрация для корпоративных решений

Dreaming — фоновый процесс для улучшения памяти агентов

Одним из самых значимых нововведений является функция Dreaming — фоновый процесс, который перерабатывает память агента между рабочими сессиями. Эта функция разработана для решения одной из самых сложных проблем в агентных системах: неспособность эффективно переносить опыт с одной задачи на другую.

Как работает Dreaming

Dreaming работает по принципу планового анализа прошлых сессий агента и его хранилищ памяти. Этот процесс:

• Просматривает историю взаимодействий агента
• Выявляет повторяющиеся шаблоны поведения
• Извлекает выводы из успешных и провальных решений
• Обновляет внутреннюю память агента на основе этих инсайтов

Разработчики имеют возможность выбрать между двумя режимами работы:

• Автоматическое обновление памяти без вмешательства человека
• Предварительная ручная проверка предлагаемых изменений перед их применением

Практические преимущества Dreaming

Реальные бизнес-сценарии показывают, что Dreaming может значительно повысить эффективность агентов. Например:

• В юридической платформе Harvey после внедрения Dreaming показатель завершения задач вырос примерно в шесть раз
• Агенты научились запоминать эффективные обходные приемы при работе с различными форматами файлов
• Разработчики отмечают улучшение качества обработки сложных документов за счет накопления опыта

Важно отметить, что функция Dreaming находится в статусе research preview (предварительный исследовательский доступ) и предоставляется по запросу через Claude Platform. Это означает, что Anthropic еще тестирует эту функцию и собирает обратную связь от ранних пользователей.

Outcomes — система оценки качества работы агентов

Вторым значимым обновлением является система outcomes, которая выступает в роли внешнего оценщика с собственным контекстом. Эта функция позволяет разработчикам задавать четкие критерии качества, по которым будет оцениваться работа агента.

Как работает система outcomes

Процесс оценки outcomes включает следующие шаги:

1. Разработчик определяет рубрику качества: какие требования должен удовлетворять результат
2. Устанавливает планку качества и критерии соответствия
3. Отдельный оценщик проверяет ответ агента в изолированном контекстном окне
4. Если результат не соответствует критериям, оценщик указывает на необходимые исправления
5. Агент делает новую попытку с учетом полученных рекомендаций

Применение outcomes в реальных сценариях

Особенно полезна outcomes в тех областях, где важны:

• Полнота и структурированность информации
• Соответствие внутренним правилам и стандартам
• Точность и надежность данных

Типичные примеры использования:

• Создание отчетов и презентаций
• Подготовка юридических документов
• Разработка редакционных материалов
• Автоматизация технической документации

Эффективность outcomes

Согласно внутренним тестам Anthropic, внедрение outcomes привело к значительному улучшению качества результатов:

• Для генерации файлов docx — прирост успешности на 8,4%
• Для создания презентаций pptx — улучшение на 10,1%

Стоит отметить, что эти данные предоставлены самим разработчиком, и независимой проверки в публичном доступе пока нет.

Многоагентная оркестрация — распределение задач между специализированными агентами

Третьим важным компонентом обновления является многоагентная оркестрация, которая позволяет одному главному агенту управлять несколькими специализированными подагентами.

Принципы многоагентной работы

Ключевые особенности подхода:

• Разбиение сложной задачи на более мелкие подзадачи
• Назначение каждой подзадачи специализированному агенту
• Параллельная работа нескольких агентов
• Централизованное объединение результатов

Практический пример оркестрации

Anthropic приводит пример использования оркестрации для расследования технической проблемы:

1. Главный агент получает запрос о сбое в системе
2. Одновременно отправляет нескольких подагентов для сбора информации:
   • Один агент анализирует историю деплоев
   • Второй изучает журналы ошибок
   • Третий проверяет метрики производительности
   • Четвертый просматривает обращения в техподдержку
3. Все агенты работают параллельно в общей файловой среде
4. Главный агент собирает результаты и выделяет закономерности

Важность трассировки действий

В Claude Console разработчики могут отслеживать:

• Какие действия выполнил каждый агент
• В каком порядке выполнялись задачи
• По какой причине были приняты те или иные решения

Эта прозрачность критически важна для корпоративных внедрений, так как:

• Предотвращает превращение агентной автоматизации в «черный ящик»
• Позволяет быстро находить и исправлять ошибки
• Обеспечивает аудиторский контроль за действиями агентов

Реальные кейсы внедрения

Anthropic приводит несколько примеров успешного использования обновленных функций Managed Agents в реальных компаниях.

Harvey — юридическая платформа

Компания Harvey протестировала Dreaming на обработке длинных юридических документов и черновиков. Агенты научились:

• Запоминать эффективные приемы работы с различными форматами файлов
• Развивать шаблоны взаимодействия с конкретными инструментами
• Улучшать качество обработки сложных юридических документов

Результат: показатель завершения задач вырос примерно в шесть раз.

Netflix — платформенная команда

Инженеры Netflix построили агента для анализа логов из сотен сборок программного обеспечения. В этом сценарии ценность представляют не отдельные сбои, а:

• Поиск повторяющихся проблем
• Выявление паттернов, затрагивающих тысячи приложений
• Оптимизация процесса поиска и устранения ошибок

Многоагентная схема позволяет распараллелить разбор логов и выделять только значимые паттерны.

Spiral — платформа Every

Компания Spiral использует оркестрацию и outcomes для создания пишущего агента в своих API и CLI. Архитектура решения:

• Ведущий агент работает на модели Haiku
• Задает уточняющие вопросы пользователя
• Передает черновики подагентам на модели Opus
• Качество проверяется по редакционным принципам Every

Особенность: система подтягивает голос пользователя и стиль из памяти для соответствия брендбуку.

Wisedocs — платформа для проверки качества документов

Компания Wisedocs внедрила агента для автоматической проверки качества документации. Результаты внедрения:

• Проверки документов выполняются на 50% быстрее
• Сохраняется точность соответствия внутренним правилам команды
• Сокращается время на ручную модерацию контента

Эволюция Claude Managed Agents

Claude Managed Agents вышли в public beta 8 апреля 2026 года как набор API для создания облачных агентов с управляемой инфраструктурой. Ключевые компоненты платформы:

• Песочница для безопасного выполнения кода
• Поддержка длительных рабочих сессий
• Система управления разрешениями
• Трасировка действий агента
• Набор инструментов для взаимодействия с внешними системами

23 апреля 2026 года Anthropic добавила встроенную память для Managed Agents в виде файлов, которые разработчики могут экспортировать, читать и изменять через API. Майское обновление надстраивается над этой памятью, позволяя агенту периодически возвращаться к накопленному опыту и обновлять память самостоятельно.

Сдвиг в подходе Anthropic

В обновлении Managed Agents виден стратегический сдвиг в подходе Anthropic:

• От «умного чат-бота» как отдельного продукта
• К инфраструктурному слою для длительной агентной работы

Ключевые элементы этого слоя:

• Память для сохранения опыта между сессиями
• Система контроля качества работы
• Механизмы распределения задач
• Уведомления о важных событиях
• Аудит действий агента

Открытые вопросы и перспективы

Несмотря на впечатляющие результаты, остаются вопросы и зоны для дальнейшего развития.

Вопросы к эффективности

Приведенные в анонсе цифры (шестикратный рост Harvey, приросты outcomes) выглядят убедительно, но:

• Завязаны на конкретные сценарии использования
• Зависят от настроек и методики измерения
• Могут отличаться в широком применении

Управленческие риски

Автоматическое обновление памяти несет потенциальные риски:

• Агент может закреплять как успешные, так и ошибочные практики
• Требуется тщательный мониторинг и контроль за изменениями
• Важно сохранение баланса между автоматизацией и человеческим контролем

Ручной режим проверки изменений в Dreaming может оказаться важнее, чем предполагается в маркетинговых материалах.

Будущее развитие

Для разработчиков главный сигнал ясен: конкуренция в области агентных платформ смещается с мощности модели к качеству инфраструктурного слоя вокруг нее. Ключевые направления развития:

• Улучшение механизмов памяти и обучения
• Развитие систем оценки качества работы
• Упрощение процессов оркестрации множества агентов
• Усиление прозрачности и контроля действий

Anthropic делает ставку именно на этот слой инфраструктуры, который позволит ИИ-агентам эффективно работать в корпоративной среде в течение длительного времени, решая сложные задачи и постоянно улучшая свои на основе накопленного опыта.