刚刚,Anthropic分享构建高效Agent自动化最佳实践
PaperAgent 2026-11-16 11:30 湖北
![]()
大家好,我是PaperAgent,不是Agent!
让 Agent 定时运行并不难,难的是让它每天稳定交付,而且不重复、不遗漏、不越权。
![]()

Anthropic最近连发了2篇常驻高效的Agent自动化技术blog,第二篇给了完整场景参考实现,很有价值:每日简报。它按 schedule 读取 Slack 和 GitHub,跟踪上次运行后的变化,再把值得行动的内容投递到 Slack。

可参考的Code已开源,提供的文件包括Agent、其环境、内存存储、存储库和部署。

它把一次模型调用,变成一条可持续运转的工作流。
一、先搭闭环,再谈智能
这套系统由六个部件组成:信息源、唯一投递目标、Agent、调度、记忆和护栏。调度负责唤醒,Agent 负责判断,记忆负责衔接每次运行,护栏则约束权限与成本。

这个划分很关键。自动化不是把提示词交给模型就结束,而是让读取、筛选、投递和记录形成闭环。模型只是其中一环,可靠性来自整条链路。
来源(Sources)—— 一个带名称的读取位置列表
目标位置(Destination)—— 智能体可写入的唯一位置
智能体(Agent)—— agent.md 中的模型、工具和运行步骤
调度(Schedule)—— 一个 cron 调度
记忆(Memory)—— 你的偏好以及智能体自身的记忆
防护措施(Guardrails)—— 在智能体仅进行读取的地方提供只读访问,并设置每次运行的花费上限二、读取信息,必须知道读到了哪里
很多简报 Agent 会直接读取过去 24 小时。看似合理,实际运行一晚就会出问题:任务延迟会漏掉内容,提前运行又会重复推送。

Anthropic 的做法是给每个信息源维护一个书签。每次只记录已读内容的最新时间戳,下次从书签继续,读取窗口随实际运行情况伸缩。
异常也不能静默处理。某个来源读取失败时,书签保持不动,其他来源照常生成简报,同时明确标注本次哪些内容不可读。凭据则放在 Vault 中,沙箱只接触占位符,真实令牌仅在访问白名单主机时注入。
三、投递成功,才能推进状态
自动推送最容易制造两类事故:没有送达却更新进度,导致信息永久丢失;不确定是否送达就重试,导致读者收到重复简报。

这里的顺序非常严格。Agent 先检查当天标题是否已经存在,再向唯一的 Slack 频道投递。只有 Slack 返回成功状态和消息 ID,才更新书签与已报告账本。
如果结果无法确认,运行记录会标记为可能已经投递,其他状态保持不变。这不是多一步记录,而是在用确认机制守住信息不丢失、不重复的底线。
四、Agent 的核心工作,是筛选与复核
在 Managed Agents 中,Agent 是一份带版本的配置,包含模型、系统提示和工具,每次按既定步骤运行后停止。参考实现还特意关闭了通用网页搜索与抓取,让注意力集中在指定来源。

筛选标准也很克制:只有今天需要行动,或者会改变既定决策的信息,才值得占据一行。不确定就舍弃,仍在等待的事项只更新进展,不当作新闻重报。
agent.md![]()
更重要的是,投递前还要重新检查实时状态。已经解决的内容直接移除,发生变化的内容及时修正,无法确认的内容不再断言。链接也来自原始数据字段,避免手工拼接。
五、调度不只管几点,还要管时间语义
Agent 配置本身不会自动运行,真正启动它的是 Deployment。每次触发都会创建全新会话,并挂载指定的环境、凭据、记忆和预算。

一个容易被忽略的细节是时区必须出现两次:调度字段决定何时唤醒,输入指令还要告诉 Agent 用哪个时区理解今天和昨天。否则服务器时间正确,简报日期仍可能算错。
deployment.md![]()
这也说明,生产级自动化需要明确每次运行的上下文,而不是依赖模型猜测环境。
六、记忆要分权,简报要报变化
全新会话意味着上次反馈不会自然保留,但把所有历史都塞回提示词,又会放大过期信息。参考实现因此拆成两类记忆。

Preferences 由读者维护,Agent 只读,保存来源、排除规则、篇幅和停止条件。每次运行都重新读取;读不到就停止,而不是退回旧默认值。
State 由 Agent 读写,保存书签、已报告账本、运行记录和来源特性。账本通过稳定 ID 识别同一事项,后续只报告状态变化。记忆由此成为增量协作的基础,而不是重复内容的仓库。
七、边界写进系统,自动化才值得托付
后台运行没有人工逐步确认,权限就必须预先收紧。GitHub 令牌和偏好存储保持只读,网络只访问白名单主机。Slack 令牌兼顾读取与投递,因此机器人只加入确有必要的频道。
成本同样需要硬约束。初始预算可设为正常运行的3 至 5 倍,再依据真实消耗收紧。触及上限时任务会暂停而非报错,所以还要监测运行状态,避免把暂停误当成无事可报。
这套实践给出的答案很清晰:高效 Agent 自动化并不取决于模型做了多少,而取决于系统是否把读取进度、投递确认、记忆权限和失败边界都设计清楚。让每次运行可接续、每条规定可执行、每个结果可确认,才是从 Demo 走向日常生产力的分水岭。

Building effective agent automations
https://claude.dev/blog/building-effective-agent-automations/
https://github.com/anthropics/claude-quickstarts/tree/main/managed-agents/daily-brief动手设计AI Agents:(编排、记忆、插件、workflow、协作)
已经读到这了,不妨点个👍、❤️、↗️三连,加个星标⭐,不迷路哦~