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

🧑‍🏫 這是 Claude 官方影片的後半段。Asana 示範怎麼用 Managed Agents 做出「AI 同事」（AI teammate）。Managed Agents 是 Anthropic 幫忙代管、執行 AI agent 的服務；AI agent 是能自己拆步驟、把工作做完的 AI。影片從改稿、記憶、主管審核一路講到 Q&A，可以具體看到 AI 放進團隊工作流程後實際長什麼樣。

• 12:29 Asana 提供企業情境（enterprise context），由 managed agents 交付成果（outcome）
  ↳ 分工很清楚：Asana 提供企業情境（enterprise context），也就是公司的專案、文件這些背景資料。Managed Agents 負責把事做完，交出成果（outcome）。
• 12:29 以前要寫 brief、交給創意團隊、等 mock-up，要花很多時間；現在從一個點子或任務就能直接產出 landing page
  ↳ 以前做宣傳頁要先寫需求說明（brief），交給設計團隊，再等草圖（mock-up），很花時間。現在只要一個點子或任務，就能直接產出 landing page（單頁宣傳網頁）。
• 12:29 想請 agent 修改時，直接用留言（comments）跟它對話就行
  ↳ 要 agent 修改時不用另外開聊天視窗。直接在任務底下留言（comments），跟回覆同事一樣，agent 會讀留言照著改。
• 13:00 範例：agent 原本選了綠色當主色，使用者在留言說明公司的新主色是藍色，請它改成藍色
  ↳ 舉例：agent 做的頁面用綠色當主色，但公司新的主色是藍色。使用者留言說明這件事、請它改，它就改成藍色。
• 13:00 這個回饋會寫進 agent 的記憶（memory）。之後換別的行銷人員使用，agent 也不會再犯同樣的錯，會記得新主色是藍色
  ↳ 這個修正會存進 agent 的記憶（memory），也就是它會長期記住的資訊。之後換另一位行銷同事用，它也直接用藍色，不必每個人重講一次。
• 13:00 畫面上顯示 campaign brief writer 是代表 Sushi admin 在執行工作
  ↳ 畫面上會標出這個 campaign brief writer（寫活動需求說明的 agent）是代表哪位使用者在做事，這裡是 Sushi admin。這樣大家看得出它是替誰執行。
• 13:30 介面會特別標示「正在建立記憶」，但一般使用者不需要管這件事
  ↳ agent 存記憶時，介面會顯示「正在建立記憶」，讓你知道有這件事。一般使用者照常留言就好，不用自己管理記憶。
• 13:30 示範多人協作（multiplayer）：行銷人員拿到 brief 和 mock-up 後，找團隊其他人來審閱、給回饋
  ↳ 多人協作（multiplayer）是指好幾個人能在同一個任務裡跟同一個 agent 互動。行銷人員拿到需求說明和草圖後，會拉其他同事進來看、給意見。
• 14:01 新加入的人用留言要求做一版更極簡的設計。這是一則真的留言，送出後 managed agent 會在背景執行並產出新版本
  ↳ 新加入的同事留言說「做一版更簡約的」。這是真的送出的留言，不是預錄畫面。agent 在背景跑完之後，就交出新版本。
• 14:31 因為是共享工作空間，人和 AI agent 之間的所有互動都會記錄在任務裡，可以完整稽核（fully auditable）
  ↳ 大家用的是同一個工作空間，所以誰對 agent 說了什麼、agent 回了什麼，全部留在任務紀錄裡，能完整追查（fully auditable）。
• 14:31 需要主管核准時，可以把任務直接轉成 approval。主管看得到所有 prompt，以及 agent 和多位同事之間的往來討論
  ↳ 需要主管同意時，任務可以直接轉成核准（approval）。主管看得到給 agent 的所有指令（prompt），也看得到 agent 和同事們的往來討論。
• 14:31 這樣主管更有信心：該問的問題都問過了（例如有沒有考慮極簡版、為什麼改成藍色），也少了很多來回溝通
  ↳ 主管不用再一個個問「有沒有試過簡約版？」「為什麼改藍色？」，答案都在紀錄裡。這樣審核更放心，也少了很多來回。
• 15:01 teammate 的詳細頁面會記錄誰擁有、管理這個 AI agent，這些人稱為 agent sponsors（Demo 中沒有實際展示）
  ↳ 每個 AI 同事都有一個詳細頁，記錄誰擁有、管理它，這些人叫 agent sponsors（agent 負責人）。這部分只有口頭說明，沒有實際示範。
• 15:32 agent sponsors 可以刪除記憶，也能調整 agent 可存取的 Asana context graph 範圍，確保它之後表現一致
  ↳ 負責人可以刪掉 agent 的記憶，也能調整它可以讀取的 Asana 資料範圍（Asana context graph），讓它之後的表現保持一致。
• 15:32 目前已正式上線（generally available）的功能：多步驟動作、完整記錄所有過程、多人協作
  ↳ 已經正式上線（generally available，所有客戶都能用）的功能有三項：連續做好幾個步驟、完整記錄整個過程、多人協作。
• 15:32 未來方向是更強大的多步驟工作流程，例如整個產品上市的規劃流程
  ↳ 下一步是更強的多步驟流程，例如把整個產品上市的規劃流程一次串起來。
• 16:02 其他未來方向：跨數百人的資源管理與產能規劃、動態儀表板、風險報告，以及自動提醒使用者可以怎麼修正問題
  ↳ 其他規劃：幫幾百人的團隊分配人力、估算產能，自動更新的儀表板，風險報告，還有主動告訴使用者問題可以怎麼修正。
• 16:02 Asana 正與 Anthropic 合作，讓 agent 更快從團隊模式（team patterns）和 agent skills 中學習
  ↳ Asana 正在跟 Anthropic 合作，讓 agent 更快學會團隊的做事模式（team patterns），也更快學會 agent skills，也就是讓 agent 會做某類工作的能力包。
• 16:32 正在開發主動性（proactivity）：AI teammate 就算沒被指派任務，看到專案或 Kanban 看板上的事也會主動說「我可以接這個」
  ↳ 主動性（proactivity）就是不等人指派。AI 同事看到專案或 Kanban 看板（用卡片分欄追蹤進度）上有工作，會自己說「這個我可以接」。
• 16:32 它也可能主動提醒：「我在別的專案看過這個問題，可以這樣解決。」
  ↳ 它也可能主動提醒：「這個問題我在別的專案看過，可以這樣解決。」等於把一個專案的經驗帶到另一個專案用。
• 16:32 這讓 Asana 能專注在自家強項，例如讓行銷、PMO、IT 團隊用人看得懂的方式定義多步驟流程
  ↳ 這樣 Asana 就能專心做自己擅長的事：讓行銷、PMO（專案管理辦公室）、IT 這些團隊，用人看得懂的方式寫出多步驟流程。
• 17:03 跟這些 agent 互動很像帶新同事：透過專案或文件給它背景資訊、給它回饋，而且多人都能使用
  ↳ 用 AI 同事很像帶新人：給它專案或文件讓它了解背景，做錯了就給回饋。而且整個團隊都能用它、教它。
• 17:03 就算某位同事已經離開 Asana，他做過的工作和累積的記憶，團隊其他人仍可重複使用，讓工作更快、更好
  ↳ 就算某位同事已經離開 Asana，他做過的工作和教給 agent 的記憶都還在，其他人可以接著用，不必從頭來。
• 18:41 Q&A：被問到 Anthropic 端的驗證會不會放入 Asana 的領域知識。回答是 Asana context 會放在 outcome 定義裡傳進去
  ↳ Q&A 有人問：Anthropic 那端檢驗成果時，會不會用到 Asana 的領域知識？回答是 Asana 會把背景資料寫進 outcome 定義（說明怎樣算完成）一起傳過去。
• 19:12 預先做好的功能正式推給客戶前，Asana 內部的工程團隊還會再做一層 QA
  ↳ 預先做好的功能正式交給客戶之前，Asana 內部的工程團隊還會再做一輪品質檢查（QA）。
• 19:12 系統高度 human in the loop：客戶的情境資料如果不夠完整，使用得越多、越多人給修正提示（nudges），效果會累積並持續變好
  ↳ 這套系統高度 human in the loop，意思是人一直參與修正。客戶資料不完整也沒關係，用得越多、越多人給小修正（nudges），效果就累積得越好。
• 19:43 這些回饋會記錄在 Asana 裡，每次呼叫執行 managed agent 時都會一起傳回去
  ↳ 這些修正都存在 Asana 裡，每次叫 managed agent 做事時都會一起帶過去，所以以前教過的事它不會忘。
• 20:45 Q&A：怎麼寫 outcomes grader 的 rubric？回答是當成一般 prompt 來處理，因為提供給模型的所有文字都是某種形式的 prompt
  ↳ 有人問評分標準（rubric）怎麼寫。outcomes grader 是照 rubric 替成果打分的機制。回答是當一般 prompt 來寫，因為給模型看的文字都算 prompt。
• 20:45 不同目標要用不同的評估方式來檢驗 outcome；只要像其他東西一樣做好量測（instrument），就能快速迭代、有信心地做決策
  ↳ 不同目標要用不同的方法檢驗成果。只要像其他系統一樣做好量測（instrument，也就是記錄數據），就能快速調整，做決定也有根據。
• 21:47 Q&A：skill 怎麼長期維護？Asana 是給知識工作者用的產品，目標是讓客戶部署和使用越簡單越好
  ↳ 有人問 skills 怎麼長期維護。Asana 的立場是：使用者是一般知識工作者，所以要讓客戶部署和使用越簡單越好。
• 21:47 由 Asana 決定哪些 skills 要內建在正式版產品裡，並依據理想客戶輪廓（ideal customer profiles）和底層模型的進展來反推設計
  ↳ 所以哪些 skills 內建在正式版裡，由 Asana 決定。依據是理想客戶輪廓（ideal customer profile，最適合的客戶類型），加上模型能力的進步，反推要做什麼。
• 22:17 新功能會依照「要完成的工作」（job to be done）來行銷，例如產出 Figma 設計；AI teammate 是包裝好、開箱即用（shrink-wrapped）的產品
  ↳ 新功能用「幫你完成什麼工作」（job to be done）來推廣，例如產出 Figma 設計稿。AI 同事是包裝好、開箱即用（shrink-wrapped）的產品。
• 22:47 未來可能開放客戶自己設計 skills、高度客製化 AI teammate，但目前主要做法是由 Asana 預先設計
  ↳ 以後可能會開放客戶自己設計 skills、深度客製 AI 同事。不過現在主要還是由 Asana 預先設計好。
• 22:47 這樣 R&D 端可以掌控品質、決定哪些功能推出，以及管理生命週期
  ↳ 由 Asana 研發團隊主導，就能把關品質、決定推出哪些功能，也能管理功能從上線、更新到淘汰的整個過程（生命週期）。
• 23:48 Q&A：第三方工具整合在兩個層級都做：一是直接整合進 Asana 自家 AI teammates 的 agent loop，二是在 MCP 層級整合給 managed agents
  ↳ 第三方工具在兩個層級都有整合：一是接進 Asana 自家 AI 同事的 agent loop（agent 反覆思考、行動的執行迴圈）；二是透過 MCP 接給 managed agents。
• 24:19 目的是不管有沒有使用 managed agents，agent 都能拿到需要的所有背景資訊
  ↳ 目的只有一個：不管有沒有用 managed agents，agent 都拿得到做事需要的完整背景資料。

根據講者說法，Asana 怎麼處理第三方工具的整合？