产品

Claude 四件套 GA:Computer Use、Skills、Files API、Browser Use 同日上线

Anthropic 把 Computer Use、Skills、Files API 一起推 GA,新增 Browser Use,把 Agent 的读、写、操作、记忆四个角补齐。

字号

Claude 四件套 GA:Computer Use、Skills、Files API、Browser Use 同日上线

Anthropic 把 Computer Use、Skills API、Files API 一起推 GA,外加一个新成员 Browser Use。一天四件,把一个完整工作闭环的四个角补齐了。

之前用 Claude 做实际业务的人都有体会:模型再强,单点能力再花哨,缺一环就跑不通。这一次 Anthropic 想解决的是「能独立交付一个完整任务」,不是「在 demo 里点几下让人惊呼」。

四件套不是「四个新功能」,是一个工作闭环

拆开看就是四个动作:

  • Read:Files API 读入上下文
  • Load:Skills 按需注入领域知识
  • Act:Computer Use / Browser Use 操作外部系统
  • Write:Files API 把结果写回

跑过生产 Agent 的人最头疼的是「状态散落」。文件丢在 S3。知识藏在 Confluence。网页要重头爬。截图再喂回模型。四件套把这条链路收敛到同一个工具栈里——文件、记忆、操作、产出都能挂在 Files API 上,Agent 有了自己的「工作盘」。

为什么这件事重要?因为以前 Agent 在 demo 里很酷,进了生产就露馅——上传一次文件要重新 base64 编码、每跑一次都从头读、知识永远塞不进 system prompt 的 token 限制。Files + Skills 这套组合,等于把「会话」和「持久化」分开。

Computer Use 的「一轮多操作」才是真正的杀手锏

Computer Use GA 最大的变化不是「能用」——上 beta 那阵儿就能用——而是 single-turn multi-action:一次模型响应里可以连续点击、键入、提交,中间不等模型回话。

以前是「点一下 → 等模型 → 再点一下」,延迟全部堆在模型往返上。现在一次响应里塞多个动作,循环里靠模型持续产出动作序列。Anthropic 自己披露的数据:一家医疗理赔客户,最长那条工作流从 32 分钟压到 13 分钟,单任务成本下降约 30%,完成率 100%。

我自己在 Claude Code 里跑过类似场景。没优化前,一个表单 5 个字段要 5 轮往返,单轮延迟 2-3 秒就是 15 秒白等。multi-action 之后这些延迟几乎抹平,体验完全是两个产品。

另外这次同步上线了 HIPAA 合规支持。Computer Use 能进医疗后台操作、还能合规,这件事以前没人敢想——理赔、EMR、患者登记这类系统现在可以交给 Agent 跑。

Browser Use 不再「瞎点坐标」:DOM + 视觉才是正解

早期 Computer Use 走纯视觉路线,截图 + 像素坐标点击。这套在 demo 视频里很惊艳,进了生产就崩——网页一改版、广告 banner 一弹、字号一变,模型点偏 5px 就把「删除订单」点成「取消订单」。

Browser Use 的核心变化是引入 DOM 结构 + 视觉双通道定位(来源:Anthropic 官方)。先读 DOM 拿元素 ID/class/text,再叠加视觉模型确认位置。两种信号相互校验:元素没变就靠 DOM(稳定、快、可验证),元素动了再回退到视觉(容错)。

官方说法是「更稳定、更适合生产」。从工程视角看:DOM 信号解决的是「知道点什么」,视觉信号解决的是「知道在哪点」。两者分离才能各自独立升级。这件事对生产 Agent 团队尤其重要——以前每次前端发版都要担心 Agent 罢工,现在有了 DOM 这个稳定锚点。

Skills API:Anthropic 给「企业知识」造的容器

Skills 不是又一个 prompt 模板市场。Anthropic 给的定义是:带版本管理的 Skill 单元,按需加载,只在需要时进上下文。

对比一下几种传统做法:

方案 问题
system prompt 里硬写知识 吃 token,污染所有对话
RAG 检索 适合文档,不适合 SOP / 操作手册
工具调用文档 散落在工具描述里,难维护
Skills 「这是一种能力,需要时调用」,可版本化

举个具体场景:医保理赔的 Skill 包,可能包含「HIPAA 合规字段映射」「ICD-10 编码规则」「保险公司 API 调用模板」。Agent 处理新案件时按需加载这个 Skill,不是每次都把整套手册塞进 context。

这本质上是把 Claude 的「能力边界」从 prompt 层下沉到文件系统层。对企业用户的意义是:知识有了正式的家,可以像代码一样管理(版本、分支、灰度)。

Files API 的数字会说话:5 倍速率、1 TB、500 MB

Files API GA 后几个关键数字(来源:Anthropic 官方):

  • 速率限制提升 5 倍
  • 每组织 1 TB 存储
  • 单文件上限 500 MB
  • 支持 1 小时到 90 天自动过期

对长流程 Agent 来说,「上传一次多次引用」是刚需。以前每个会话重新上传文件,光 base64 编码 + 网络往返就要几秒。多轮对话里 Agent 想回头看历史文件,Files API 直接给引用,免去重传。

自动过期也很关键。生产 Agent 经常跑一些「定期任务」(日终对账、周报生成),过期策略避免了手动清理,也满足合规要求。

风险面 Anthropic 自己写了:隔离容器、域名白名单、最小权限、人工确认

Browser Use + Computer Use 能操作真实浏览器和桌面,这件事的副作用清单 Anthropic 没回避,列得很清楚:

  • 提示注入:网页上的恶意指令劫持 Agent
  • 越权访问:Agent 跑出预期范围
  • 数据泄露:截图 / 文件携带出隔离环境
  • 误操作:点错按钮造成业务损失

官方给的四种防护姿态:

  1. 隔离容器:Agent 跑在沙箱里(Docker / 虚拟机),不接触生产环境
  2. 域名白名单:只允许访问特定域名,不让 Agent 自由冲浪
  3. 最小权限:API key / 数据库账号严格按需授权
  4. 人工确认:关键操作前弹窗让人确认(Claude 现在支持 confirmation 模式)

我的判断是:能操作浏览器的 Agent 在生产环境不是「开箱即用」,是要「装在笼子里」。这件事 Anthropic 自己也承认了——风险面文档写了一整页。

顺带提一嘴:Claude Code v2.1.237

同一天 Claude Code 推了 v2.1.237,两个变化值得说:

  • 官方 Concise 输出风格:之前 Agent 老爱口述「我将要做 XXX…」「我正在做 YYY…」之类的废话,新风格直接输出动作命令,节省 token 也减少噪音
  • 修复 prompt caching 对 LLM gateway 的支持:之前通过 LiteLLM / Portkey 这类网关走 Claude,缓存命中率会掉。这次修复之后企业用户走网关也能享受 caching 的成本优势

两件事都不大,但对企业部署 Claude Code 的团队来说是真有用——前者省 token,后者省钱。

一点个人看法

四件套 GA 之后,Agent 开发的基础设施大致齐了。下一步拼的不是「能不能做」,是「做得稳不稳」——

  • 可观测性:Agent 跑了 13 分钟,中间每一步是不是预期路径?谁来审计?
  • 成本模型:一次任务消耗多少 token、文件存储多少、Skills 加载频次——这些数据目前还比较黑盒
  • 评测体系:单任务完成率不够看,需要看长流程的稳定性、SLA、失败模式

Anthropic 这一波解决的是「Agent 能干活」,下一波要解决的是「Agent 能稳定干活」。后者更难。


参考资料:Anthropic Agent Tools GA 公告

来源: https://www.anthropic.com/news/agent-tools-ga