Anthropic 测试“龙虾” Conway:支持独立 UI、Webhook 唤醒与自定义扩展标准

marsbit發佈於 2026-04-02更新於 2026-04-02

文章摘要

Anthropic正在开发名为Conway的常驻代理解决方案,旨在为Claude打造始终在线、独立运行的智能环境。Conway将拥有独立UI实例,不再局限于聊天界面,可直接操作浏览器、连接外部服务,并集成Claude Code功能,支持更深度的代码执行与任务处理。该系统还支持通过Webhook被外部服务或事件触发,增强自动化响应能力。 此外,Conway将推出CNW ZIP扩展标准,允许开发者构建自定义工具、UI选项卡和上下文处理程序,形成类似“应用商店”的生态扩展,提升Claude在复杂任务中的灵活性和可扩展性。 Conway被视为Anthropic在AI代理领域的关键布局,目标是将Claude从被动对话工具转变为可持续运行、自主执行多步任务的常驻助手,推动AI代理向“始终在线”方向发展。

Anthropic 正在积极开发一款名为Conway的常驻代理(persistent agent)解决方案,旨在为 Claude 打造一个始终在线、独立运行的智能环境。

据相关信息透露,Conway 将拥有独立的 UI 实例,不再局限于传统聊天界面,而是作为一个独立的代理工作空间运行。它能够直接操作浏览器、连接外部连接器,并集成 Claude Code 功能(可能涉及 Epitax 相关特性),实现更深度的代码执行与任务处理。同时,Conway 支持通过Webhook进行调用,让外部服务或事件能够触发代理工作,提升自动化响应能力。

此外,Conway 还将支持扩展程序系统。Anthropic 即将推出CNW ZIP 标准,开发者可利用该标准轻松构建自定义工具、UI 选项卡以及上下文处理程序,形成类似“应用商店”的生态扩展能力。这将极大增强 Claude 在复杂任务中的灵活性和可扩展性。

Conway 的出现被视为 Anthropic 在 AI 代理领域的关键布局,目标是让 Claude 从被动对话工具转变为能够持续运行、自主执行多步任务的常驻助手。它不仅支持浏览器自动化和事件触发,还通过原生集成 Claude Code,进一步强化代码生成、执行与问题解决能力。

业内认为,Conway 有望成为 OpenClaw 等竞品的强力竞争者,推动 AI 代理向“always-on”(始终在线)方向发展。让 Claude 真正“大显身手”的时代,或许即将到来。

相關問答

QAnthropic正在开发的常驻代理解决方案叫什么名字?

AAnthropic正在开发的常驻代理解决方案叫Conway。

QConway将拥有什么样的UI实例?

AConway将拥有独立的UI实例,作为一个独立的代理工作空间运行,不再局限于传统聊天界面。

QConway支持通过什么方式进行外部调用?

AConway支持通过Webhook进行调用,允许外部服务或事件触发代理工作,以提升自动化响应能力。

QAnthropic将为Conway推出什么扩展标准?

AAnthropic将为Conway推出CNW ZIP标准,开发者可以利用该标准构建自定义工具、UI选项卡和上下文处理程序。

QConway的出现对Claude意味着什么?

AConway的出现意味着Claude将从被动的对话工具转变为一个能够持续运行、自主执行多步任务的常驻助手,强化其代码生成、执行与问题解决能力。

你可能也喜歡

Rubin Ultra大减配,英伟达也扛不住内存涨价了?

知名投研机构SemiAnalysis近日报告指出,英伟达已向主要客户预览了其顶级AI芯片Rubin Ultra的最新规格,但相比此前预期出现显著降配。核心变化包括:算力峰值保持与普通版Rubin相同的35 PFLOPs;显存容量降至8层堆叠的192GB,甚至低于普通版的288GB;显存带宽仅微升1TB/s;芯片功耗反而略有提高。Rubin Ultra的主要升级方向转向“扩展互联规模”,支持通过NVLink将最多576张GPU互联成统一计算域,远高于普通版的72张。 报告分析认为,此次调整主要源于HBM(高带宽内存)价格持续快速上涨。以HBM3为例,其价格已从2025年二季度的低点180-220美元,飙升至目前约700-850美元。HBM成本飙升使得Rubin Ultra单机架的物料成本一度从约660万美元升至800万美元。英伟达因此重新评估设计,通过减少昂贵的HBM配置(成本占比从近40%降至28%),将资源更多投入互联能力等方向,优化整体成本结构。 此消息引发市场对HBM需求见顶的担忧。受冲击影响,韩国存储股开盘大跌,SK海力士、三星股价均下挫约8%。市场解读认为,若英伟达此举成为趋势,意味着AI芯片厂商可能开始通过优化设计来降低对高容量HBM的依赖,这或将限制存储厂商未来的提价空间,标志着AI基础设施的“堆料涨价”时代可能接近尾声。

Odaily星球日报57 分鐘前

Rubin Ultra大减配,英伟达也扛不住内存涨价了?

Odaily星球日报57 分鐘前

生成模型也能端到端训练了?核心竟是一个for循环

长期以来,深度学习在图像分类、检测等任务上凭借端到端训练取得了巨大成功,但生成模型领域却始终是个例外。当前主流的自回归、扩散模型等训练时只学习预测“一小步”,推理时则需要反复展开数百上千步,这种训练与推理的不一致导致了“暴露偏差”等问题,使得生成模型一直未能实现真正的端到端训练。 最近,一篇来自UIUC与哈佛大学的论文提出了“探索式建模(Explorative Modeling,XM)”新范式,其核心是一个简单到近乎朴素的for循环:在每个训练步骤中,模型生成K个候选样本,然后仅选取其中最接近真实数据的一个样本来计算损失和回传梯度。这种做法巧妙地绕开了传统生成模型中因使用重构损失(如平方误差)而导致的“模态模糊”问题——即模型倾向于输出多个可能答案的平均值,而这个平均值往往不属于任何真实的数据模式。 XM通过这种方式,在不拆分生成过程的前提下,直接提升了模型的“生成表达力”,即模型捕捉数据分布中多个独立模式的能力。论文将“探索”验证为继模型参数量、数据量之后的第三根可扩展轴。实验表明,随着模型规模、数据量和计算量的增大,探索带来的性能收益越发显著,在图像、视频、语言等多种任务上均能带来效率与质量的提升。 更重要的是,当探索程度足够时,XM可以实现真正的端到端生成。在机器人控制等任务中,仅需一次网络前向传播的XM策略,其性能可媲美甚至超过需要上百次前向的扩散模型策略,实现了推理效率的飞跃。 尽管“最佳K样本选择”的思想并非全新,但该研究的贡献在于清晰地揭示了这一简单机制如何直接解决生成模型的核心瓶颈,并为实现高效、端到端的生成模型开辟了新的可能性。随着模型规模的持续扩大,探索这一新维度可能将发挥越来越关键的作用。

marsbit1 小時前

生成模型也能端到端训练了?核心竟是一个for循环

marsbit1 小時前

交易

現貨
活动图片