产品

Claude Duet 上线:多 Agent 协作不是多开聊天框

Anthropic 发布 Claude Duet,重点不只在多一个 Agent 入口,而在任务分配、信息交接和结果验收能否被用户看清并干预。

字号

Anthropic 上线 Claude Duet。它值得关注的不是多了一个聊天窗口,而是把多个 AI Agent 的任务分配、信息交换和结果验收放进了同一条协作链。

Anthropic 发布了 Claude Duet 产品页面。

公开新闻摘要把 Claude Duet 归为面向用户的 Agent 产品,而不是一次单纯的模型能力更新。它的看点也不是再加一个聊天窗口。

更准确地说,Anthropic 想把多个 AI Agent 的协作过程,直接交给用户安排。

这件事值得拆开看。

先看产品,不急着下结论

“Duet”通常让人想到双角色协作。但产品名不是技术文档。

仅凭“Duet”这个名称,可以推测它涉及协作、双角色或多个执行者之间的互动;不能据此确认具体实现方式,更不能直接写成“两个 Claude Agent 已经以某种固定拓扑运行”。

目前可确认的信息主要有三类:

  • Anthropic 发布了 Claude Duet 产品页面。
  • 公开新闻摘要将它描述为面向用户的 Agent 产品。
  • 它不是一次单纯的模型能力更新。

现有素材没有提供 Claude Duet 的定价、发布日期、性能数据或技术实现细节。因此,现在判断它究竟采用了消息总线、状态图、任务队列,还是某种产品层的代理编排,都太早。

这个边界需要先划出来。否则文章很容易把产品命名当成交付事实。

Duet 的反共识:协作不是并行聊天

多开几个聊天框,不等于多 Agent 协作。

并行聊天解决的是“同时问几个问题”。真正的协作要处理四类问题:

  1. 任务怎么拆。
  2. 中间结果怎么传。
  3. 不同 Agent 的结论冲突时怎么办。
  4. 最终结果由谁验收。

假设要做一个 Agent 编排 Demo。通常可以把任务拆成“读取代码”“设计测试”“执行验证”三部分。

下面是一段可以运行的 Python 示例。它不依赖 Claude Duet,但能说明普通单助手与多 Agent 工作流的差别。

from dataclasses import dataclass
from typing import Callable

@dataclass
class Task:
    name: str
    run: Callable[[str], str]

def plan(task: str) -> str:
    return f"计划:{task}"

def implement(plan_text: str) -> str:
    return f"实现依据:{plan_text}\n代码:print('ok')"

def verify(code: str) -> str:
    return "验证通过:输出为 ok"

tasks = [
    Task("plan", plan),
    Task("implement", implement),
    Task("verify", verify),
]

state = "把任务实现并验证"
for task in tasks:
    state = task.run(state)
    print(f"[{task.name}] {state}")

这段代码仍然是固定流水线。状态按顺序传递,冲突由程序逻辑预设,而不是 Agent 临场协商。

Claude Duet 如果确实把多 Agent 协作交给用户安排,关键也不应是增加调用次数,而是让下面三件事变得可见、可干预:

  • 谁接了哪个任务。
  • 它依赖谁提供的信息。
  • 谁负责检查交付结果。

多 Agent 的麻烦通常不在“会不会调用工具”。工具调用是局部动作。交付才是系统级问题。

从单助手到协作代理

普通 Claude 对话更像这样:

用户提出任务 → Claude 规划并执行 → 用户检查最终结果

Claude Duet 代表的产品方向更接近:

用户分配任务 → 多个 Agent 交换信息 → 用户审阅冲突与结果

可以按三步理解。

1. 分配任务

不要只说“帮我完成这个项目”。先拆出边界清楚的交付物。

例如:

  • Agent A:分析现有 API 和数据结构。
  • Agent B:实现接口与单元测试。
  • Agent C:从调用方视角做验收。

每个任务最好都有输入、输出和验收条件。

2. 交换信息

协作代理的关键不是各自聪明,而是能否把上游产物可靠地交给下游。

Agent B 需要的是 API 契约和约束,不是 Agent A 的整段聊天记录。Agent C 需要的是可执行结果和验收清单,也不该重新猜一遍需求。

这也解释了为什么“共享上下文”常被说得太轻松。真正需要管理的是:哪些信息向下游传递,哪些过程留在上游,哪些敏感内容不能进入下一棒。

3. 检查结果

多 Agent 系统会制造一种错觉:步骤很多,所以结果更可靠。

实际相反。Agent 越多,错误越容易被包装得更像结论。

工程师需要检查的不是谁说了什么,而是最终交付物能否通过测试、满足约束,并且与原始需求一致。

如果 Claude Duet 的产品设计能让用户直接介入任务交接、处理冲突和审阅输出,它的价值就不在模型参数,而在工作流控制面。

热度背后,开发者仍在追问边界

素材提到,Claude Duet 的 Hacker News 条目获得 203 分和 175 条评论。

这个讨论热度说明开发者关心多 Agent 协作。但热度不是采用率,更不是产品成熟度证明。

开发者大概会追问这些问题:

  • 多个 Agent 是并行执行,还是按阶段交接?
  • 上下文如何传递?会不会重复消耗 token?
  • Agent 之间如何解决冲突?
  • 用户能否回退、重跑或修改某个中间步骤?
  • 有没有权限隔离、工具沙箱和审计日志?
  • 定价如何计算?是按 Agent、步骤,还是按总调用量?

目前公开新闻摘要没有给出定价、发布日期、性能数据或技术实现细节。也就是说,社区现在讨论的仍是产品方向,而不是可复现的工程指标。

现阶段没有足够材料做 benchmark,也不能负责任地比较它与 LangGraph、AutoGen 或 CrewAI。拿 Hacker News 的 203 分和 175 条评论当性能证明,是把关注度误当成技术结果。

Duet 会不会变成新的 Agent 控制台

如果 Claude Duet 持续强化任务分配、Agent 交接和结果审阅,它可能成为 Anthropic 体系里的 Agent 控制台。

这里的“控制台”不是 IDE。它更接近一个工作台:

  • 左边是任务与执行者。
  • 中间是 Agent 之间的交接过程。
  • 右边是产物、测试结果和待确认问题。

这对 Claude API 也有影响。开发者可能先在 Claude Duet 里跑通流程,再把稳定步骤下沉到 API;原本在 LangGraph 状态图里手工管理的部分,也可能变成产品内置能力。

但这里也有一个反共识:

Claude Duet 不一定需要比 Claude Code 更强的“编码执行能力”,也能形成重要产品价值。

代码执行只是交付链的一环。任务交接是否清楚、失败能否定位、冲突能否回退、最终结果是否可审阅,往往更接近企业采用 AI Agent 的实际瓶颈。

它对现有 Agent 框架的挑战也不是替代。框架擅长代码化编排、自由选择模型和部署服务。Claude Duet 如果胜在产品体验与闭环,可能吸走的是试验阶段和人工审阅密集型任务,而不是所有工程。

目前还无法判断 Claude Duet 会不会成为新控制台。缺少定价、发布日期、性能数据与实现细节时,最容易犯的错,就是先画一张理想架构图,再把产品往里面塞。

编辑思考

Claude Duet 值得关注,不是因为 Anthropic 又做了一个多 Agent 入口。多聊天窗口、并行调用早已不稀奇。真正重要的是,它把协作过程从后台脚本提到了用户面前:任务如何分、信息如何传、冲突由谁处理、结果由谁验收。

我的判断是,多 Agent 的下一道瓶颈会从“会不会调用工具”转向“能不能可靠地交付结果”。模型能写代码、调 API,并不代表多个 Agent 组合起来就能稳定工作。企业真正要买的,可能是交接记录、失败定位、人工介入点和可审计性。

这次和过去的单 Agent 产品不同,Claude Duet 把协作本身变成产品对象。但公开信息仍缺定价、发布日期、性能数据和技术实现,暂时不能判断成熟度。它现在更像一个值得持续观察的工作流方向,而不是已经可下结论的生产方案。

来源:Claude Duet 产品页

来源: https://claude.com/product/claude-duet