今天跑通了 Console + SDK ，还试着做了一个论文阅读 Agent 。分享下体验。

它是什么

一句话：Anthropic 帮你把 Agent 的基础设施全包了。你定义 Agent 做什么（ model + system prompt + tools ），它帮你搞定 agent loop 、沙箱、tool 编排、错误恢复、部署。

四步走：创建 Agent → 配 Environment （云端容器）→ 启动 Session → 发消息流式收结果。Python SDK 不到 30 行代码。

真正好的地方

Console 可视化调试。 右边 Debug 面板实时显示 Thinking → Tool Call → Result → Token 用量，每一步都清清楚楚。以前用 LangGraph 搭 Agent 要接 LangSmith 才能看到类似信息，现在内置了。 Web 调好 → 一键拿代码。 在 Console 里反复测试 Agent 行为，确认没问题后直接生成 SDK 代码拿到本地跑。调试成本砍掉一大半。

prompt caching 内置。 多轮对话时自动复用上下文缓存，token 显示 cache read 远大于 cache write ，省钱。

错误恢复能力不错。 我让 Agent 抓 arXiv 论文，第一次被限流 403 ，它自动换 HTML 版本，又失败就转搜索引擎，最终成功拿到信息。不需要我写任何重试逻辑。

不行的地方

读不了本地文件。 这是最大的限制。Agent 跑在 Anthropic 的云端容器里，无法访问你的本地文件系统。我想做一个读 Obsidian 知识库 → 分析知识空白 → 推荐论文的 Agent ，直接卡在第一步。

容器冷启动慢。 第一次启动 Session 要等 30-60 秒 provision 容器。如果你要做快速交互的工具，体验不好。

Console Beta 不稳定。 Preview 面板偶尔完全没有事件输出就 session closed ，只能切到本地 SDK 跑。

Memory 还在 research preview 。 跨 session 的记忆持久化需要单独申请，目前不可用。也就是说 Agent 每次新 session 都是"失忆"的。

文件只存在云端。 Agent 生成的文件在容器里，你没有直接的方式下载。要么让 Agent 把内容 cat 出来，要么通过 API 读取。

所以它适合谁

适合：企业内部的长时间运行任务、需要云端沙箱隔离的场景、不需要访问本地文件的自动化流程。Notion/Rakuten/Asana/Sentry 这些早期客户的用法都是企业级 workflow 。

不适合：个人开发者的本地工具、需要读写本地文件系统的场景、追求快速交互的轻量应用。

我的判断

MA 本质上是 Anthropic 从"模型提供商"到"Agent 平台"的战略转型。对于已经在用 LangGraph/CrewAI 的个人开发者来说，短期内不需要迁移。但如果你在企业做 Agent 相关的工作，值得关注。

Agent 开发的竞争焦点正在从"能不能搭 agent loop"上移到"能不能设计好的 Agent 行为"。基础设施被平台吃掉是早晚的事。