Anthropic 智能体技术全面升级，国产 AI 融资上市潮涌

要点速览

Anthropic 智能体技术体系全面进化

Anthropic 提出通过代码执行模式重构 MCP（Model Context Protocol）框架，将工具集成从“全量加载”转变为“按需调用”。具体做法是将 MCP 服务器包装为代码 API，让智能体在独立的执行环境中处理数据，只将最终结果返回给模型。

深度解读 & 洞察：

核心痛点解决：传统方式下，每个工具的定义、中间计算结果都会挤占宝贵的上下文窗口（即 LLM 的“注意力预算”），导致成本飙升、性能下降。新方案将这一开销几乎归零。
效率飞跃：实测显示，Token 消耗减少高达 98.7%，这直接意味着运行成本的大幅降低和复杂任务处理能力的提升。
能力扩展：该模式天然支持更复杂的控制流（如循环、条件判断）、数据过滤、隐私保护（敏感数据不进模型）和技能状态的持久化积累。
权衡取舍：此方案依赖于一个安全、可靠的代码执行沙箱环境，增加了系统架构的复杂性和潜在的安全风险，需要精心设计。

Anthropic 推出 Agent Skills 开放标准，允许开发者为 AI 智能体创建模块化的“技能包”。这些技能包包含特定领域的指令、脚本和资源，并采用“渐进式信息披露”机制，确保智能体只在需要时才加载相关内容。

深度解读 & 洞察：

Anthropic 将原有的 Claude Code SDK 正式升级为 Claude Agent SDK，标志着其战略重心从“辅助编程”转向“构建通用人工智能代理”。新 SDK 围绕“收集上下文-采取行动-验证工作”的三步循环，提供了一整套开发工具。

深度解读 & 洵察：

核心理念：“给 Claude 一台计算机”，赋予其主动感知、操作和验证现实世界的能力，而不仅仅是被动回答问题。
功能完备：支持多种上下文获取方式（文件搜索、子代理等）、多种行动手段（工具调用、代码生成、MCP 集成）和多种验证机制（规则、视觉反馈、LLM 裁判），为开发者提供了强大的灵活性。

Anthropic 提出“上下文工程”概念，认为在 LLM 时代，构建高效 AI 系统的关键已从传统的“提示词工程”转向对整个上下文资源的精细化管理。

深度解读 & 洞察：

注意力即资源：LLM 的上下文窗口是有限且昂贵的“注意力预算”，必须像管理财务预算一样精打细算。
方法论：文章提出了三大策略应对长周期复杂任务：1) 压缩（提炼关键信息）；2) 结构化笔记（建立长期记忆）；3) 多代理架构（分工协作）。
终极目标：用最小的、高信号的 Token 集合，最大化期望的输出结果。