cwc-workshops —— Anthropic 推出的 Claude 工作坊项目

这是什么

anthropics/cwc-workshops 是由 Anthropic 官方维护的 Code with Claude 工作坊 教学材料集合。项目托管在 GitHub，主语言为 TypeScript，目前获得约 1500 颗星。仓库包含多个独立的 workshop 模块，每个模块聚焦一个特定的 AI 编程实践场景，覆盖从模型选择、多智能体编排、评估驱动开发到生产级 Agent 部署等主题。所有材料均以 Apache 2.0 许可证开源，但项目明确标注为“不再维护且不接受贡献”，定位为教学参考而非持续更新的产品。

解决的问题

传统 AI 开发教程往往停留在调用 API 或简单的 prompt 工程，而实际生产中需要面对模型选择、成本-性能权衡、多智能体协作、系统可观测性、评估闭环等问题。这些 workshop 针对以下具体痛点：

• 模型选型模糊：开发者不清楚如何在不同模型和推理参数（如 extended thinking、effort）之间找到质量、成本、速度的最佳平衡点。
• 多智能体系统缺乏模式：手动编排多个 Agent 时容易写出冗余、难以维护的代码，且缺少验证手段。
• 评估靠感觉：Agent 行为的改进缺乏量化指标，prompt 修改后只能凭主观感受判断效果。
• 记忆与状态管理缺失：Agent 跨会话时表现出“失忆”，无法利用历史对话改进行为。
• 生产级部署知识脱节：从原型到可监控、可调试的生产系统缺少可复用的架构参考。

每个 workshop 都针对一个具体问题，提供可运行的代码、脚手架和评估套件，帮助开发者快速理解并复现最佳实践。

核心功能

仓库包含 9 个独立的 workshop 模块，每个模块聚焦一个场景：

| 模块 | 核心功能 | |------|----------| | rightmodel/ | 使用 Claude Code 的 SKILL 功能，自动扫描 LLM 评估套件，遍历不同模型和推理参数（extended thinking、effort），找出质量-成本和质量-秒的最佳配置。 | | agent-decomposition/ | 将一个 400 行的库存管理 Agent prompt 拆解为 skills + code execution + callable_agents 组合，部署在 Claude Managed Agents 上，每一步都有评估验证。 | | how-we-claude-code/ | 三阶段产品工作流演示：从需求访谈→规格说明，到四种设计探索的静态 HTML，再到 Vite + React 应用——组件输出机器可读的 DOM 契约，供 Agent 或 CI 运行时验证。 | | ship-your-first-managed-agent/ | Streamlit 事件监控面板，包含离线 SRE Agent 聊天面板。用户通过实现 agent.py 中的 7 个函数（每个函数调用一次 Claude Managed Agents API），让 Agent 能在沙箱中 grep 7 万行日志、调用本地工具，并找出错误提交。 | | agent-battle/ | 45 分钟竞赛：配置 Claude Managed Agent（system prompt、skills、MCP 服务器、模型），使其通过 MCP 驱动本地游戏机器人，争夺钻石最高分。快速评估循环（~30 秒）允许快速迭代配置。 | | agents-that-remember/ | 从“金鱼记忆”的 Agent 开始，逐步添加记忆存储（跨会话持久化）和 Dreaming Service（整合历史对话），45 分钟内实现从“金鱼”到“同事”的转变。 | | eval-driven-agent-development/ | 迭代一个 PPTX 生成的 Managed Agent，通过 6 个变体（朴素→视觉→排版→配色→密度→QA 循环），每个变体用 10 任务套件评分，评分器包括程序化 .pptx XML 指标和 LLM-as-judge 对渲染幻灯片的评估。 | | production-ready-agent/ | Deal Desk：一个多智能体 M&A 研究团队，协调器委托给 4 个并行研究子 Agent，从记忆存储读取历史交易教训，通过 MCP 集成 Linear，输出有评分的投资分析报告，UI 流式显示所有事件和门控工具调用。 | | research-desk/ | SEC 文件研究团队，部署在自托管 Next.js 控制台上：从基础 Agent 开始，逐步升级为研究主管，按股票代码分派分析师会话，通过自定义工具、edgartools Skill、评分卡、共享记忆存储和每周备忘录部署。 |

亮点 / 与同类相比

• 来自 Anthropic 官方，技术深度高：直接使用 Claude Managed Agents、Claude Code SKILL、MCP 等底层能力，比第三方教程更接近真实生产路径。
• 评估驱动而非直觉驱动：多数 workshop 内置评估套件（如 eval-driven-agent-development 的双层评分器），要求每次修改都有量化反馈，而非仅靠 prompt 调优。
• 端到端可运行：每个模块都提供完整代码和运行说明，可立即在本地或云端复现，适合动手学习。
• 覆盖多种 Agent 架构模式：从单 Agent 技能、多 Agent 编排、记忆层、MCP 工具集成到生产级监控，一站式展示主流模式。
• 竞赛与游戏化设计：agent-battle 和 agents-that-remember 采用限时挑战或渐进式提升，降低学习门槛，增强参与感。
• 与同类项目相比：不同于 LangChain 或 AutoGPT 的通用教程，这些 workshop 深度绑定 Claude 平台特性，更像“官方最佳实践手册”，专注解决具体工程问题，而非泛泛的 Agent 框架教学。

适合谁用 / 上手

• 有经验的 AI 应用开发者：希望快速掌握 Claude Managed Agents 的高级用法、多智能体编排、评估驱动开发等核心模式。
• 技术团队负责人：需要评估或迁移到 Claude 平台，想通过官方示例了解最佳实践和成本-性能调优方法。
• AI 教育者或讲师：可直接使用这些 workshop 材料组织线下或线上工作坊，每个模块设计为 45-60 分钟的教学活动。
• 对 Agent 系统有好奇心的工程师：想理解“如何从零构建一个生产级 Agent”或“如何让 Agent 记住对话历史”，仓库提供了清晰的逐步指引。

上手建议：

1. 克隆仓库：git clone https://github.com/anthropics/cwc-workshops.git
2. 阅读每个模块的 README.md，了解前置条件（通常需要 Claude API 密钥、Python 3.10+ 或 Node.js）。
3. 从 ship-your-first-managed-agent/ 或 how-we-claude-code/ 开始，它们对新手更友好，有明确的函数占位和测试。
4. 如果对评估感兴趣，直接跳到 eval-driven-agent-development/，体验“每个改动都被测量”的开发流程。
5. 注意项目已不再维护，但代码仍可运行，遇到问题可参考 Anthropic 官方文档或社区讨论。