用 Claude Managed Agents 打造 Asana AI teammates（第 1/2 段）

🧑‍🏫 這支影片是專案管理工具 Asana 的分享：他們怎麼用 Anthropic 的 Claude Managed Agents，做出能跟整個團隊一起工作的 AI 同事，並現場示範操作。值得看的原因是它點出現在多數人用 AI 的盲點：大家都是一個人各自問 AI，知識沒有留下來，團隊也沒辦法一起參與。

• 00:17 講者是 Asana 的 Arnauld，分享 Asana 如何在 Claude Managed Agents 上打造 AI teammates
  ↳ 講者是 Asana 的 Arnauld。Asana 是一套團隊專案管理工具。他要分享 Asana 怎麼用 Claude Managed Agents（Anthropic 讓 AI 完成多步驟任務的工具），做出 AI teammates，也就是當成團隊成員的 AI。
• 00:17 Asana 的願景是 agentic enterprise：人和 AI agent 一起完成複雜的多步驟工作。AI agent 是系統中的一個行動者，具備很多 skills 和所需的 context
  ↳ Asana 的目標是 agentic enterprise：公司裡人和 AI agent（會自己動手做事的 AI 助手）一起完成複雜工作。agent 在系統裡算一個角色，有各種 skills（技能），也拿得到做事需要的 context（背景資料）。
• 00:48 Agent 能和人一起完成多步驟工作，例如核准、端到端的完整 workflow，並產出真實成果
  ↳ 重點是 agent 不只是回答問題，而是跟人一起把整串事情做完，例如送核准、從頭到尾跑完一個 workflow（工作流程），最後交出真的能用的成果。
• 00:48 Asana 的 AI teammates 從 3 月起正式開放使用（generally available）
  ↳ Asana 的 AI teammates 從 3 月起 generally available，意思是已經正式開放，一般客戶都能用，不再只是測試版。
• 00:48 目前企業幾乎都在實驗和打造 AI agent，但多數仍是 single player 用法：一個人跟 agent 互動拿到結果，再交給別人完成後續流程
  ↳ 現在企業大多還在試 AI agent，但多半是 single player（單人）用法：一個人自己問 AI、拿到結果，再交給同事接手。AI 只參與了其中一小段。
• 01:18 single player 用法的問題：知識不會累積，沒有共享的 enterprise memory，也沒有多人、多個 human-in-the-loop 的真正 multiplayer 互動
  ↳ 單人用法的問題：問完就沒了，知識不會累積；公司也沒有大家共用的 enterprise memory（團隊共享的 AI 記憶）；而且不會有好幾個人在過程中一起參與、把關（human-in-the-loop）。
• 01:48 Asana 的目標是完全的 multiplayer 模式：agent 是系統中真正的行動者，和新進員工一樣有分享與權限控管，能和多人合作、接受多人的 nudge，完成端到端工作
  ↳ Asana 要做的是 multiplayer（多人）模式：agent 像新同事一樣，有權限設定管誰能看什麼，能跟很多人合作、接受不同人的 nudge（提醒或調整方向），把工作從頭做到尾。
• 02:20 例子：一位後來到 Anthropic 工作的前 Asana 員工，做了一個「競爭情報研究員」AI teammate。他離職後團隊仍每天使用
  ↳ 舉例：一位前 Asana 員工（後來去了 Anthropic）做了一個「競爭情報研究員」AI teammate，專門研究競爭對手。他離職以後，團隊到現在還是每天在用。
• 02:20 這位同事過去回覆 RFP 競爭提案時累積的互動、context 和知識都保留在這個 agent 裡，越多人加入、使用，它就越好用
  ↳ 他以前回覆 RFP（客戶公開徵求提案，廠商要提出方案競爭）累積的經驗和背景資料，都留在這個 agent 裡。用的人越多它越好用；人走了，知識也沒跟著帶走。
• 02:51 Asana 讓 agent 拿到企業運作的完整 context：誰在什麼時間前做什麼、為什麼，還有過去的決策、核准紀錄
  ↳ Asana 能把公司怎麼運作的完整背景交給 agent：誰負責什麼、期限是什麼時候、為什麼要做，還有以前做過哪些決定、誰核准過什麼。
• 03:21 例如 campaign brief 或專案計畫從來回討論到最終核准的過程都記錄在 Asana，提供給 teammate 時會兼顧安全、guardrails 和可稽核性（auditability）
  ↳ 例如一份 campaign brief（行銷活動企劃摘要），從來回討論到最後核准都記在 Asana。把這些交給 AI 時，會設 guardrails（限制 AI 能做什麼的防護措施），也保留 auditability（事後查得到誰做了什麼）。
• 03:21 Asana 定位為工作的「system of action」，是串接一切的那一層。導入 agent 後，可以像對待團隊中的人一樣對待它們
  ↳ Asana 把自己定位成工作的「system of action」（實際推動工作的系統），負責把各種工具和流程串起來。在這一層放進 agent，就能像對同事一樣分派工作給它。
• 03:51 Asana 打造 work graph 超過 17 年：公司的使命與願景由 goals 追蹤，goals 放在 portfolios 裡，portfolios 由多個 projects 交付，每個 project 有 tasks，tasks 可內含核准、workflow 等
  ↳ Asana 花了 17 年多建 work graph（工作之間的關係圖）：公司使命往下是 goals（目標），目標放在 portfolios（專案組合）裡，組合由多個 projects 完成，project 裡是 tasks，任務裡還能放核准和流程。
• 04:22 這個 context graph 同時為人和 AI agent 設計：人透過 UI 理解工作怎麼推進，agent 能在其中代表自己、取得 context，並依企業要求的安全與 guardrails 和多人協作
  ↳ 這張關係圖人和 AI 都能用：人從畫面看工作推進到哪；agent 能以自己的身分在裡面做事、拿背景資料，並照公司的安全規定跟多人協作。
• 04:53 Asana 使用 Claude Managed Agents 的地方，是靠 Anthropic 的工具來完成多步驟的動作
  ↳ Asana 在需要 AI 連續做好幾個步驟的地方用 Claude Managed Agents，交給 Anthropic 的工具來執行。
• 04:53 Demo 情境：行銷人員要推出新 campaign，除了寫 brief，還要做幾版 landing page mock-up，讓團隊判斷能不能上線
  ↳ 示範情境：行銷人員要推新活動，除了寫企劃，還要做幾版 landing page（活動網頁）的 mock-up（示意草稿），讓團隊判斷能不能上線。
• 05:24 這個工作包含：用正確的企業 context 產出複雜文件，以及為公開網站的 landing page 產生多個版本（產生 HTML），屬於多步驟動作
  ↳ 這件事不是一步就能完成：要帶入正確的公司背景寫出複雜的文件，還要替公開網站做出好幾版活動網頁（直接產生 HTML，也就是網頁原始碼）。
• 05:24 Managed Agents 的好處一：降低 prototyping 成本，actions 和 skills 的 prototyping 快很多
  ↳ 好處一：prototyping（先做出雛形試試看）的成本變低。想試新的動作或技能，速度快很多。
• 05:55 好處二：內建 verification loop，確保最後產出的內容品質高
  ↳ 好處二：內建 verification loop（驗證迴圈），AI 做完會自己檢查、修正，確保最後交出來的東西品質夠好。
• 05:55 好處三：內建 grader。Asana 把想要的 outcome 傳給 Claude Managed Agents 後，grader 會針對這個 outcome 反覆迭代多次，確保產出品質
  ↳ 好處三：內建 grader（評分機制）。Asana 告訴它想要的 outcome（期望結果），grader 會拿成果跟目標對照，反覆改好幾輪，確保品質達標。
• 05:55 這讓 Asana 能專注在自己獨有的部分：協調多人的人機介面、context 系統、安全機制
  ↳ 這些底層的功能交給 Anthropic，Asana 就能專心做別人做不來的部分：讓多人和 AI 協作的介面、提供背景資料的系統，還有安全機制。
• 06:25 安全機制的例子：不同人使用同一個 agent，但處於不同 work graph 物件或專案時，agent 不會把資訊洩漏到另一方
  ↳ 安全機制的例子：不同的人用同一個 agent，但各自在不同專案裡，agent 不會把 A 專案的資料透露給 B 專案的人。
• 06:57 相較之前使用的 Messages API：prototyping 更快，因為不必自己手動建 agent loop、檔案管理和程式碼執行
  ↳ 以前用 Messages API（直接呼叫 Claude 的基本介面）時，要自己寫 agent loop（讓 AI 做事、檢查、再做的循環），也要自己管檔案、跑程式碼。現在這些都內建，雛形快很多。
• 06:57 相較 Messages API：內建的驗證流程明顯更好，也能讓多個 agent 平行獨立工作，許多知識工作需要多個 agent 平行產出完整計畫並迭代
  ↳ 還有，內建的驗證明顯比較好，也能讓好幾個 agent 同時分頭工作。很多知識工作需要多個 agent 平行做出完整計畫，再一起修改。
• 07:29 目前 Asana 有超過 21 個 pre-built agent（稱為 AI teammates），依理想客戶輪廓設計，涵蓋 PMO、行銷、IT、HR、R&D
  ↳ Asana 現在有 21 個以上 pre-built agent（做好就能直接用的 AI teammates），照理想客戶的樣貌設計，涵蓋 PMO（專案管理辦公室）、行銷、IT、人資、研發。
• 07:29 Pre-built teammates 能協助：launch 規劃、撰寫 specs、goal 管理、資源管理與產能規劃
  ↳ 這些現成的 AI 同事能幫忙：規劃產品上市、寫 specs（規格文件）、管理目標、分配人力，以及估算團隊還有多少產能。
• 08:00 它們使用 Asana 既有的結構（追蹤 portfolio goals、timeline 更新）並實際執行動作，也能在下游系統執行
  ↳ 它們直接用 Asana 原本的結構，例如追蹤目標、更新時程，而且會真的動手做，不只給建議；在串接的其他系統裡也能執行。
• 08:00 能從 Google Drive 和 Office 365 拉資料並在其中執行動作，未來幾週還會加入更多整合
  ↳ 能從 Google Drive 和 Office 365 拉資料，也能直接在裡面操作。未來幾週還會加入更多串接。
• 08:00 能製作簡報、加留言、產生完整 HTML。這些能力之所以做得到，是因為投資了 Managed Agents，能跑 verification loop 和多步驟 workflow
  ↳ 能做簡報、加留言、產生完整網頁。講者說做得到這些，是因為投資了 Managed Agents，才能跑驗證迴圈和多步驟流程。
• 08:31 Asana 內部已 dogfooding 好幾個月。講者為產品管理團隊（他和直屬部屬）建了一個「product thought buddy」agent，裡面有取捨決策的原因、策略等 context
  ↳ Asana 內部已經 dogfooding（公司自己先用自家產品）好幾個月。講者替產品團隊做了一個「product thought buddy」agent，裡面有他們做取捨的理由和策略。
• 09:01 例子：行銷團隊籌備 Work Innovation Summit London，想請產品團隊看 keynote 講稿草稿，做法是在 Asana 建一個 task 並指派給這個 agent
  ↳ 例子：行銷團隊在準備倫敦的 Work Innovation Summit，想請產品團隊看 keynote（主題演講）的講稿草稿。做法就是在 Asana 開一個 task，指派給這個 agent。
• 09:01 Agent 掌握取捨決策、目前的 roadmap，以及 roadmap 在 Asana 裡怎麼運作的 context，會產出計畫和一組 keynote 回饋
  ↳ 這個 agent 知道團隊為什麼這樣取捨、目前的 roadmap（產品規劃路線圖），也知道 roadmap 在 Asana 裡怎麼運作，所以能產出一份計畫和一組講稿回饋。
• 09:31 因為用的是即時 context，這些回饋很貼合團隊的工作方式，而且正確
  ↳ 因為它讀的是當下最新的資料，不是過時的資訊，給的回饋很貼近團隊實際做事的方式，內容也正確。
• 09:31 整個過程是 multiplayer 的：產品團隊每個人都看得到回應並能反應、給 nudge，agent 會在多次執行之間記住這些
  ↳ 整個過程是多人參與的：產品團隊每個人都看得到 agent 的回覆，都能回應或給調整方向，agent 下次執行時會記得這些意見。
• 10:02 Demo 開始：行銷人員在 Asana 的 Kanban board 上建立新 task，準備規劃新的 campaign brief，背後用的是 Claude Managed Agents
  ↳ Demo 開始：行銷人員在 Asana 的 Kanban board（用卡片分欄看進度的看板）上開一個新 task，要規劃新的活動企劃，背後是 Claude Managed Agents 在跑。
• 10:32 這個 task 要建立 campaign brief 並做出 landing page prototype，不只是文件，還有 landing page 成品
  ↳ 這個任務要的不只是一份企劃文件，還要做出活動網頁的雛形，也就是看得到的成品。
• 10:32 沒用過 AI teammates 的人可以到 teammate gallery，挑一個已內含行為指引（behavior guidance）和描述的 pre-built teammate
  ↳ 沒用過 AI teammates 的人，可以到 teammate gallery（AI 同事的選單庫）挑一個現成的，裡面已經寫好它該怎麼做事的指引和介紹。
• 11:03 依自己用途客製化時，系統會自動抓取相關的 work graph 物件（例如先前的 campaign projects 或 portfolios）放進 teammate 的記憶，讓產出更好
  ↳ 照自己的需求調整時，系統會自動找出相關資料，例如過去的行銷專案或專案組合，放進這個 AI 同事的記憶，讓它做得更好。
• 11:03 Teammate 會先規劃回應，再產出一份 campaign brief 文件
  ↳ AI 同事會先想好怎麼回應、規劃步驟，再產出一份活動企劃文件。
• 11:33 Teammate 還產生了一個 HTML 檔，就是這次新 campaign 的 landing page mock-up。只要流程都在 Asana 追蹤，就會自動抓到這些 context
  ↳ 它還產生了一個 HTML 檔，就是新活動網頁的示意版。只要工作流程都記在 Asana 裡，這些背景它會自己抓到，不用人一份一份提供。
• 11:33 在 console 裡，Asana 把 outcome 傳給 Managed Agents，可以看到各次 runs，顯示 Managed Agents 正在跑 grader，確保 verification loop 完成、outcome 符合要求
  ↳ 在 console（開發者用的後台）裡，Asana 把期望結果交給 Managed Agents，可以看到每次執行的紀錄，顯示 grader 正在評分，確認驗證跑完、成果符合要求。
• 12:04 這個組合讓開發團隊能確保高品質成果，兌現 Asana 對客戶的承諾：權限控管的安全好處、agent 是系統中真正的行動者、完整的企業 context（本段在此結束）
  ↳ 這套組合讓開發團隊能確保成果品質，兌現 Asana 對客戶的三個承諾：有權限控管的安全、agent 是系統裡真正的角色、有完整的公司背景資料。

根據講者說法，Asana 目前有多少個 pre-built 的 AI teammates？