Anthropic 在 7 月第三个周末完成了两波互为补充的发布：7 月 21 日，Claude Cowork 桌面应用上线「Record a Skill」，用户通过录屏加语音讲解即可自动生成可复用 Skill；7 月 22 日，Claude Managed Agents 平台级升级落地——effort 级别可持久化到 Agent 配置、webhook 覆盖环境与记忆存储完整生命周期、会话可通过种子事件一键启动、子 Agent 线程支持独立流式预览。
两项发布面向不同人群，但指向同一个方向：Claude 正在从对话式 AI 向 Agent 操作系统转型，而竞争焦点也从模型性能转向平台可运维性与开发者生态锁定。
Record a Skill：Skill 创建从「写」变成「演示」
Claude Skill 是 Anthropic 建立 Agent 能力生态的核心机制——一个可复用的任务指令包，Claude 在相关场景下自动加载执行。此前创建自定义 Skill 的唯一方式是手写 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 改变了这个等式。用户在 Claude 桌面应用点击「+」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 自动将屏幕操作（点击、键盘输入）和语音讲解合成为结构化 Skill。
从技术角度看，语音讲解是这一功能的关键差异化因素。单纯的点击流记录只能复现机械操作序列；语音中嵌入的判断——「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」——才是 Skill 可泛化的核心。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。」
功能目前对 Pro、Max、Team 订阅用户开放，免费层不可用。KuCoin/MarsBit 的实测反馈显示流程直观——录制完成后 Claude 短暂处理即生成可保存的 Skill，通过斜杠命令在对话中激活。PCMag 给出了一个典型场景：手动整理多源数据的周报，录制一次后即可让 Claude 重复执行。
但限制同样存在。Pro 用户有每 5 小时仅 1 次录制的配额；录制质量直接决定 Skill 质量——静默的快速演示产出远弱于带讲解的逐步操作；隐私和数据留存的具体策略尚未详细公开。
更重要的问题在于可迁移性。Record a Skill 目前生成的是 Claude 生态内的 Skill，而非可跨平台的标准格式。6 月 24 日 OpenAI 发布的 Codex Record & Replay 功能采用了类似的「观察-复用」路径——监视 macOS 工作流并输出可复用的 SKILL.md 文件。两家公司从同一需求出发，但 Anthropic 的方案更彻底地将产出锁定在自己的生态内。
Managed Agents 运维升级：从胶水代码到平台原语
如果说 Record a Skill 降低的是"创建 Agent 能力"的门槛，那么 7 月 22 日的 Managed Agents 升级解决的是"运维 Agent 集群"的门槛。这组更新没有独立博客公告，全部内容存在于 Anthropic 平台 release notes 中——DigitalApplied 的技术分析称之为「最容易被误读的更新」。
Effort 级别持久化。 此前 effort 只能在 Messages API 的每次请求中设置（output_config.effort）。现在 effort 成为 Agent 配置的一等字段：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 可以携带不同的默认 effort 级别。
这带来的实际变化是成本路由：Anthropic 明确建议子 Agent 使用 low（更快、更便宜），协调器使用 high 或 xhigh（用于超过 30 分钟、token 预算百万级别的长期任务）。effort 影响的是响应的全部 token——文本、工具调用参数和思考过程——而不仅仅是"思考深度"，因此它是一个真正的成本杠杆。DigitalApplied 指出，这恰好呼应了 Google Gemini 侧的「低成本子 Agent 经济学」——两家公司分别从配置级和模型定价级走向了 Agent 集群的成本精细化控制。
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）。环境和记忆存储的配置与回收可以完全由事件驱动，不再需要轮询。
但交付语义需要仔细理解：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。负载仅包含事件类型和对象 ID，接收方必须自行 GET 当前状态。端点一旦返回 3xx 或指向非公网 IP 即自动禁用。
会话种子事件。 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——哪个卡住了、哪个产出垃圾、哪个已静默完成。
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。」这正是基础设施成熟的标志：平台在吸收早期用户各自独立编写的胶水代码。
500 Skills：被误读的既存上限
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。多家媒体和聚合器在报道中将这个既存数字与 Managed Agents 升级捆绑在一起，制造了「新功能」的错觉。
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」。
因此 500 是集群容量的上限保证，而非单个 Agent 的推荐负载。在 Managed Agents 的 Multi-Agent 场景下，这个数字意味着即使是大型 Agent 集群也不容易触及天花板——但它对单 Agent 工作流并没有实质性的效率改善。
平台竞争的转折点
两波发布放在竞争格局中看，Anthropic 的路径选择更加清晰。
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。Google 赌的是「最简表面积」——让团队以最少配置获得一个可运行的托管 Agent。
Anthropic 选了相反的方向：组合式原语。effort、webhook、session seeding、thread previews——每项都是可独立使用的控制点，可以插入自托管沙箱（自 5 月 19 日起支持 Cloudflare、Daytona、Modal、Vercel）或 Anthropic 托管环境。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。」
而 6 月 24 日 OpenAI Codex Record & Replay 的加入使竞争维度又多了一层：在 Skill 创建门槛上，OpenAI 和 Anthropic 同时选择了「观察-复用」路径，但 OpenAI 的产出是开放的 SKILL.md 文件，Anthropic 的产出留在 Claude 生态内。
三方的共同趋势是明确的：Agent 平台竞争正在从模型能力转向可运维性和生态锁定。谁先让 Agent 从「demo 能跑」走到「生产可运维」，谁就掌握下一阶段的定价权和开发者流向。
对使用 Agent 集群的团队而言，7 月 22 日升级后的行动清单是具体的：按 Agent 角色配置 effort（协调器 high，子 Agent low）；用 webhook 替代轮询驱动运维系统；用线程级流预览做逐子 Agent 调试；用种子事件一键启动完整会话。每一项都是将 Agent 从实验推向系统所必需的工程实践。
尚未解答的问题包括：Record a Skill 生成的 Skill 是否具备足够的跨会话一致性；Anthropic 未公开录制数据的保留和隐私策略；effort 级别的实际 token 消耗差异需要更多生产环境数据验证。以及最重要的——Google 和 OpenAI 的下一步动作会如何重新定义平台竞争的基线。
