Anthropic 在 7 月 21 日和 22 日连续发布两组功能：7 月 21 日，Claude Cowork 桌面应用上线「Record a Skill」，用户可通过录屏加语音讲解生成可复用的技能草稿；7 月 22 日，Claude Managed Agents 托管平台增加了保存默认推理设置、接收环境和记忆存储变化通知、创建会话时发送初始事件，以及实时预览子 Agent 输出等功能。
两项发布面向不同人群：业务用户可以演示操作，让 Claude 整理成可复用的技能；开发团队则获得更多配置、启动和观察 Agent 运行的工具。
录屏加讲解，让 Claude 整理可复用的操作技能
Claude Skill 是一个可复用的任务指令包，Claude 在相关场景下加载使用。创建自定义 Skill 通常需要整理 SKILL.md 文件，用 Markdown 描述步骤、触发条件、元数据和可选的执行脚本；这些内容也可以请 Claude 协助编写。
这个门槛不低。非技术用户需要像流程设计师一样思考，把隐性经验翻译成显性指令。而专家的判断逻辑——什么情况该跳过、哪个数字需要人工复核——往往最难落笔。
Record a Skill 增加了一种演示操作的创建方式。用户在 Mac 版 Claude 的 Cowork 中点击「+」菜单，选择「Record a skill」，开始录屏并执行任务，同时用语音解释每一步的决策逻辑。录制结束后，Claude 根据屏幕操作（点击、键盘输入）和语音讲解提出 Skill 草稿，由用户查看后保存或修改。
语音讲解能补充画面难以呈现的判断依据。例如，「如果发票总金额为空，跳过这一行」「这个格式是客户 A 的强制要求」，有助于 Claude 区分固定步骤与需要按情况调整的步骤。Eigent 的技术分析指出：「语音讲解的重要性不亚于点击：Claude 学习的是每一步背后的推理，而不仅仅是操作序列。」
按发布时说明，录制功能面向 Mac 版 Cowork 的 Pro、Max、Team 用户，暂不支持 Windows、普通聊天、免费及 Enterprise 套餐。KuCoin/MarsBit 描述了录制后生成并保存 Skill、再通过斜杠命令调用的流程。PCMag 给出的一个典型场景是整理多源数据周报：演示一次，之后让 Claude 依据保存的技能处理同类任务。
录制质量会影响生成结果。逐步说明操作和例外情况，通常比快速而无讲解的演示更有帮助；生成后还应换一组输入试用。官方帮助页也说明，处理后不保留录制的音视频，但会在 Cowork 任务中保留一组截图，删除任务会移除这些截图。
可迁移性则取决于技能内容和执行环境。Claude 的技能采用含 SKILL.md 的目录结构，官方也指向开放的 Agent Skills 规范。OpenAI 于 6 月 18 日加入 Codex 的 Record & Replay 同样将 macOS 操作演示整理为可复用技能。格式可被其他工具读取，与技能能否在另一套工具、权限和应用环境中直接运行，是两个不同的问题。
托管 Agent 可保存推理设置，并通知环境和记忆变化
7 月 22 日的 Managed Agents 升级面向开发团队，重点是简化配置、接收运行通知和检查子任务。Anthropic 在平台更新日志中列出了这些变更，DigitalApplied 也作了技术梳理。
Effort 级别持久化。 开发者熟悉的 Messages API 可通过 output_config.effort 设置推理投入程度。现在 Managed Agents 也可将它保存在 Agent 配置中：创建 Agent 时可在 model 对象中设置 low、medium、high（默认）、xhigh 或 max。协调器 Agent 和每个子 Agent 可以使用不同的默认 effort 级别，具体可选值取决于模型。
这使团队更容易按角色分配推理开销。Anthropic 将 low 用于速度优先的简单任务，包括部分子 Agent；复杂协调任务可选择 high，超过 30 分钟、token 预算百万级的长任务可考虑 xhigh。这些是适用场景建议，实际仍需评测。effort 会影响响应文本、工具调用参数和思考过程的 token 用量，并非固定预算。DigitalApplied 将它与 Google Gemini 的子 Agent 成本安排作比较：团队既可以选择不同模型，也可以调整同一模型的投入程度。
Webhook 生命周期扩展。 6 月 30 日 webhook 已覆盖 Agent、部署和部署运行事件。7 月 22 日新增 7 种事件类型：4 个 environment.*（创建/更新/归档/删除）和 3 个 memory_store.*（创建/归档/删除）。应用可据此响应环境和记忆存储的配置、回收等变化，减少轮询。
但通知的送达规则需要留意：Anthropic 最多尝试 3 次递送（抖动指数退避，5–120 秒），失败后事件丢弃且无重放，事件之间不保证顺序。通知提供事件标识、时间和资源标识等信息，不携带完整资源对象，接收方须自行 GET 当前状态；如需发现漏掉的变化，还要通过 API 核对资源。端点一旦返回 3xx 或指向非公网 IP 即自动禁用。
创建会话时发送初始事件。 POST /v1/sessions 现在可接受最多 50 个 initial_events（user.message 和 user.define_outcome 类型）。非空列表在同一调用中启动 Agent 循环，免去了此前必须先创建会话再单独发送事件的两步流程。配置完整的会话——包括结果定义——变成一次 API 调用。
线程级事件预览。 6 月 30 日的 event_deltas[] 仅支持会话级流的文本预览。7 月 22 日将其扩展至单个子 Agent 线程：调用者可以实时观察一个子 Agent 生成文本。在 Multi-Agent 运行中，会话级流提供协调器视角，线程级流提供逐个子 Agent 的诊断窗口——哪个任务停滞、哪个结果偏离要求、哪个已经完成。预览只是显示辅助，完整消息事件仍是最终记录。
DigitalApplied 将这组更新总结为一种模式：「每一项都在把控制权从调用应用转移到平台——effort 从请求代码到 Agent 配置，生命周期感知从轮询循环到 webhook，会话配置从多步流程到一次调用。」这些平台功能减少了应用自行维护配置和状态同步代码的工作。
每会话 500 个技能是已有上限，并非本次新增
关于本轮发布的一个广泛传播的说法是「单会话 Skill 上限从 20 跃升至 500」。这需要修正。
DigitalApplied 的技术分析明确指出：500 Skills/会话是 Anthropic 平台文档中记录的既存上限，并非 7 月 22 日 changelog 条目。Release notes 中没有任何关于 500 Skills 的变更记录。将这个已有数字与本次更新并列介绍，容易让读者误以为上限刚刚提高。
但上限本身值得理解。Skill 分为两类：Anthropic 预构建的文档 Skill（pptx、xlsx、docx、pdf）和用户上传的自定义 Skill。两者都可以按版本锁定或使用 latest。Anthropic 文档同时警告：每个 Skill 会消耗会话上下文窗口，挂载更多 Skill 会增加沙箱启动时间——「只为每个 Agent 挂载其任务所需的 Skill」。
500 指一个会话内所有 Agent 所用技能去重后的总上限，并非给每个 Agent 分配 500 个技能的建议。团队仍应按角色挂载所需技能，在容量、上下文开销和启动时间之间作取舍。
Google、Anthropic 和 OpenAI 都在简化 Agent 的创建与运行
其他平台也在改进 Agent 的创建和运行方式。
5 月 19 日，Google 在 I/O 2026 上推出 Antigravity 2.0 及其 Managed Agents API：一次 POST /v1beta/interactions 即可部署 Gemini 3.5 Flash Agent 到独立 Linux 沙箱，内置代码执行、Google 搜索和 URL 上下文工具。这降低了搭建运行环境的工作量，让团队用较少配置启动托管 Agent。
Anthropic 此轮更新则增加了一组可分别配置的功能：effort、webhook、会话初始事件和线程预览。团队还可选择自托管沙箱（自 5 月 19 日起支持 Cloudflare、Daytona、Modal、Vercel）或 Anthropic 托管环境，按各环境支持的功能搭建系统。DigitalApplied 的评价是：「Google 赌多数团队想要最简表面积；Anthropic 赌生产集群想要对成本、事件和托管的精细控制。」
6 月 18 日推出的 OpenAI Codex Record & Replay，则与 Claude 的录制技能功能回应了同一种需求：让熟悉业务的人先演示，再由 AI 整理操作方法。生成的技能是否容易检查、修改和迁移，会影响团队长期维护它们的成本。
这几项产品变化表明，模型能力之外，平台也在争取降低创建、部署和维护 Agent 的成本。能否让任务稳定运行、让开发者及时发现问题，会影响团队选择哪套平台。
对使用多个 Agent 的团队而言，可先按角色评测 effort，再保存合适的默认值；用 webhook 接收通知，并保留必要的状态核对；通过线程级预览排查子任务；用初始事件在一次请求中启动会话。是否采用这些功能，取决于现有系统需要简化哪部分工作。
后续还需要通过实际任务观察：录制生成的技能能否在更换输入后稳定执行，不同 effort 设置会怎样影响质量和成本，以及团队能否持续维护所积累的技能与运行配置。
