Anthropic PM 的 Agentic 工作流¶

Ch04.383 Anthropic PM 的 Agentic 工作流¶

📊 Level ⭐⭐ | 6.4KB | entities/anthropic-pm-agentic-workflow.md

概述¶

Anthropic PM Jess Yan 在 Claude Managed Agents 上构建的 agentic 工作流——PM 自己开多个 agent 完成任务，从"等排期"变为"直接交付"。

核心机制¶

Claude 三件套分工¶

工具	用途
Claude	开放式研究和探索，持续对话
Claude Cowork	知识工作（邮件、收件箱、待办、slides、Slack）
Claude Code	定制 agent，底层跑在 Managed Agents 上

PM 自建三个 Agent¶

数据分析 agent（Adoption analytics）—— 接内部数据库 + 理解 schema 的 skill，带 memory 沉淀发现
开发者舆情监控 agent—— 内置 web search，按域名清单扫开发者反馈，支持 fan-out 并行
Demo 构建 agent—— 接 GitHub 仓库 + 品牌素材，生成会议版/客户版 demo

API 设计范式转变¶

传统：文档评审（多周）→ spec → 构建 → 遇具体问题就崩 新范式：不写 spec 写原型——在 Claude Code 里直接拿 pre-production API spec 跑 agent，一个下午 hello world → 端到端原型。产品发布前就改完 API abstraction 和 UX。

Claude Managed Agents¶

四个核心能力（2026 年 4 月 8 日公开 beta）：

生产级 agent sandbox：鉴权、工具执行托管
长会话：自主跑几小时，掉线保留进度
多 agent 协作：agent 拉起其他 agent 并行（research preview）
可信治理：scoped 权限、身份管理、tracing 默认配 定价： token 单价 + $0.08/session-hour active runtime

Memory for Managed Agents¶

2026 年 4 月 23 日开 beta。文件系统型 memory，agent 用 bash/code execution 直接读写，所有改动有 audit log。 Rakuten 数字：

first-pass 错误 -97%
成本 -27%
延迟 -34%

效率提升¶

METR 测出 41x（16 个月）：Sonnet 3.5 (new) 21 分钟 → Opus 4.6 的 12 小时人类等价时长。

"能拿自己的产品做实验，抬升了你能想象出来的下个版本的天花板。"

深度分析¶

PM 手艺的回归 vs 协调内卷 传统 PM 工作流中，协调工作（跨部门会议、进度汇报、backlog 管理）占据大量时间，真正的产品设计思考被挤压。Jess Yan 的案例展示了一种反转：通过 AI 替代协调性工作，让 PM 重新掌握"手艺时间"。这是 AI 提升生产力的更深层逻辑——不是让单个任务跑得更快，而是让人的注意力从低价值活动转移到高价值创造。 API 设计范式的根本转变 从"文档评审 → spec → 构建 → 遇问题崩"到"不写 spec 写原型"——这个转变的实质是把 API 设计的反馈循环从几周压缩到几小时。在 Claude Code 里直接用 pre-production spec 跑 agent，一个下午完成 hello world 到端到端原型，产品发布前已迭代多轮 API abstraction 和 UX。这意味着产品设计可以更早地与技术实现耦合，而不是在真空中设计后强加给工程。 多 Agent 分工的结构性优势 三个 Agent（数据分析、舆情监控、Demo 构建）的分工不仅仅是效率提升，关键是形成了"并行 + 记忆"的工作模式：

数据分析 Agent 带 memory，沉淀发现，下一轮在上一轮基础上推进
舆情监控支持 fan-out 并行扫描多个域名
Demo 构建 Agent 独立于人类工作流运行，PM 可以走开做别的事，回来发现已发布这种模式让 PM 从"等排期"变为"直接交付"。

实践启示¶

从协调者转型为架构师：PM 的核心价值不再是传递信息和管理进度，而是定义问题和验证解决方案。用 AI 处理信息传递，自己聚焦在产品逻辑上。
先用原型定义 API，再写文档：传统的 spec-first 流程在 AI 时代已过时。在 Claude Code 里跑通原型，用实际运行结果定义 API contract，文档自然同步。
给每个 Agent 配 memory：Rakuten 的 -97% first-pass 错误率很大程度来自 memory 的积累。没有记忆的 Agent 每次都从零开始，有了记忆才能真正提升。
从小处实验，建立信心：Jess 的起点是"能拿自己的产品做实验"——先用成熟产品验证工作流，再扩展到核心业务。这种渐进式采用降低了风险。