Code with Claude Tokyo 2026：開幕主題演講（第 3/4 段）

🧑‍🏫 這段主要在介紹 Claude Managed Agents：Anthropic 把「讓 AI 能動手做事」需要的東西打包成一個產品，還用 F1 賽車分析儀表板示範排程、記憶、dreaming 這些新功能。如果你想知道 AI 怎麼從「回答問題」變成「自己把事情做完」，這段講得很具體。最後由 Claude Code 的產品負責人上台，開場談 Claude Code 的使命和團隊怎麼做產品。

• 21:12 故事結尾：修正在團隊醒來前就推給所有使用者，change log 也已寫好；整個過程沒有 standup，也沒有 ticket
  ↳ 前面故事的結局：問題在團隊睡覺時就修好、推給所有使用者，連 change log（記錄這次改了什麼的更新說明）都寫好了。沒開 standup（每日晨會），也沒開 ticket（工作單）。
• 21:12 AI native 公司的定義：不只是員工用 AI 做事，而是工作本身跑在 AI 上，由人決定結果應該是什麼
  ↳ AI native（以 AI 為核心運作）公司的重點不是員工會用 AI，而是實際的工作交給 AI 來跑，人只負責決定要達到什麼結果。
• 21:42 要做到這點需要三個要素：harness、context、infrastructure，三者能把原始智慧轉成真正的商業成果
  ↳ 只有聰明的模型還不夠。要做出成果，還需要 harness（讓模型能動手的工具和環境）、context（給模型的資訊）和 infrastructure（撐住運作的基礎設施）。
• 21:42 Claude platform 提供 agentic harnesses、context management tools 和 production-grade infrastructure
  ↳ Claude platform（Anthropic 給開發者的平台）三樣都有：讓 agent（能自己連續做事的 AI）動手的框架、管理資訊的工具，還有能正式上線的穩定基礎設施。
• 21:42 最近把這些全部整合成新產品 Claude Managed Agents
  ↳ 以前這三樣要自己分開組，現在打包成新產品 Claude Managed Agents，意思是平台幫你代管好的 agent，開發者不用自己拼。
• 22:12 Fable 5 是打造長時間運行 agents 最好的模型，managed agents 是專為 Claude 打造的；兩者搭配能用少很多的力氣得到更好的 agent 成果
  ↳ Fable 5 是 Claude 的模型，官方說它最適合做長時間執行的 agent；Managed Agents 又是替 Claude 量身打造的。兩個一起用，花的力氣少、效果更好。
• 22:12 Harness 讓模型真的能做事，包含工具（tools）、環境（environment）和行動權限；模型不只告訴你怎麼修，而是直接修好
  ↳ Harness 就是讓模型有手腳：有工具、有工作環境，也被允許動手。差別在於以前 AI 只告訴你怎麼修，現在它直接幫你修好。
• 22:42 Managed agents 的 harness 把大腦和手分開：大腦（brain）決定要做什麼，再視需要開 sandbox（手，hands）來執行
  ↳ 設計上把「想」和「做」分開：大腦判斷下一步，要實際動手時才開一個 sandbox（隔離的操作空間，出錯也不會影響外面）當手去執行。
• 22:42 Harness 可以圍繞 outcome 反覆迭代：你指定想要的結果，managed agent 會一直迭代到達成為止
  ↳ 你只要講清楚想要什麼結果，它就會自己做、自己檢查、再修正，一直重複到達標，不是做一次就交差。
• 23:13 Context：模型的表現取決於你給它的 context；提供 1 million context window，agent 讀進大量內容也不會退化
  ↳ 模型表現好不好，很看你給它什麼資料。context window（模型一次能讀進的內容量）有 100 萬 token（模型計算文字的單位），讀大量內容也不會變笨。
• 23:13 提供 memory，讓 agent 記得自己做過什麼
  ↳ memory（記憶）讓 agent 記得之前做過什麼，下次不用從頭來，就像同事會記得上週處理到哪裡。
• 23:13 Agent 可以自己讀寫 skills，補上缺少的知識
  ↳ skills（寫好的做事方法和知識包）agent 可以自己讀，也能自己寫新的。發現自己哪裡不會，就自己補上。
• 23:44 Agent 能夠「dream」：回顧自己過去的 trajectories，找出自我改進的方法
  ↳ 「dream」（做夢）指 agent 回頭看自己過去的 trajectories（每次執行的完整過程），找出哪裡可以做得更好，讓自己進步。
• 23:44 Infrastructure：長時間自主運行的 agent 需要極大規模和高可靠性，這是最難做好的部分之一
  ↳ 要讓 agent 長時間自己跑，背後的系統得撐得住大量工作又不能出錯，這是整件事最難做好的部分之一。
• 23:44 Managed agents 會自動開關 sandboxes，必要時產生多個 agentic fleets，讓 agent 可靠又能持續運作
  ↳ 平台會自動開關 sandbox，需要時一次派出多組 agent（agentic fleets，一整隊 agent）分工，讓工作不中斷、穩定跑完。
• 24:15 很多公司在 managed agents 上建 agentic systems，速度快了 10 倍，因為不必自己做 harness、管 context 或架基礎設施
  ↳ 很多公司在上面做自己的 agent 系統，開發速度快了 10 倍，因為 harness、context、基礎設施這三件最麻煩的事都不用自己做。
• 24:15 Notion 用 managed agents 在產品裡做 agent orchestration，使用者能在 workspace 裡直接把複雜的長時間工作交給 Claude
  ↳ Notion（常見的筆記協作工具）用它做 agent orchestration（協調多個 agent 分工），使用者在 Notion 裡就能把複雜又耗時的工作直接丟給 Claude。
• 24:46 ASA（字幕原文）用 managed agents 打造 AI teammates：在專案裡和人協作的 AI agents，能接任務、完成交付物
  ↳ 字幕寫作 ASA 的公司用它做「AI 隊友」：把 AI 放進專案和人一起工作，能領任務、交出成品，不只是回答問題。
• 25:17 今年 2 月，Claude 成為 Atlassian Williams F1 車隊的官方 thinking partner
  ↳ 今年 2 月，Claude 成為 Atlassian Williams F1 車隊的官方「思考夥伴」，也就是陪車隊分析、一起想問題的 AI。
• 25:17 F1 除了要有熟悉賽道的車手，還要有工程師和研究團隊，打造時速將近 400 km 的車
  ↳ F1 不只靠車手，背後還有大批工程師和研究人員，要打造時速將近 400 公里的車，分析工作量非常大。
• 25:47 Demo：和虛構車隊 Shankiro Racing 合作，做了一個分析賽車的 dashboard
  ↳ 示範：和虛構車隊 Shankiro Racing 合作，做了一個分析賽車的 dashboard（儀表板，把資料集中在一個畫面上顯示）。
• 25:47 Dashboard 有四個研究專案：aerodynamics、tire temperature、power unit、driver safety，每個背後都是一個 managed agent
  ↳ 儀表板上有四個研究題目：空氣力學、輪胎溫度、動力單元（引擎系統）和車手安全，每一個都由一個 managed agent 負責。
• 26:18 每個專案的目標是讓 agent 找出車子需要改哪裡，才能進一步優化
  ↳ 每個 agent 的任務都一樣：找出這台車還有哪裡可以改，讓性能更好。
• 26:18 用到 outcomes 功能：用 rubric 定義什麼算好，agent 反覆迭代直到把工作做得很好
  ↳ 用到 outcomes（成果）功能：先用 rubric（評分標準）寫清楚怎樣才算做得好，agent 就會一直改到符合標準，像先發評分表再讓人交作業。
• 26:49 任一 agent 都能手動啟動一次 run（示範用的是 driver safety）
  ↳ 除了自動執行，也可以手動讓任何一個 agent 馬上跑一次。示範時按的是車手安全那個。
• 26:49 Dashboard 完全由 AI 驅動：問「車子現在多重、重量怎麼分配？」畫面就會更新，顯示 800 kg 大致分布在 power unit、電池和其他零件
  ↳ 儀表板本身也由 AI 驅動：直接問「車多重、重量怎麼分配」，畫面就會更新，顯示 800 公斤大致分在動力單元、電池和其他零件上。
• 27:19 開發者把 developer console（字幕作 claw developer console）當成工作基地，裡面有開發生產力、observability 和建立 managed agents 需要的工具
  ↳ 開發者平常在 developer console（開發者後台）工作。裡面有提升效率的工具、observability（看得到 agent 在做什麼的監控功能），也能建立 agent。
• 27:19 Console 裡能看到過去每次 run 的 sessions，點開後可以看到 agent 的回應、tool calls，以及何時完成工作
  ↳ 後台看得到每次執行的 session（單次執行紀錄）。點進去就能看到 agent 回了什麼、用了哪些工具（tool calls），還有什麼時候做完。
• 27:49 從今天起可以排程 agents，頻率隨你設定：按 create deployment，例如用 safety agent 做夜間安全檢查，排在每天早上 9:00
  ↳ 新功能：agent 可以排程了。按 create deployment（建立部署，設定什麼時候自動執行），例如讓安全 agent 每天早上 9 點自動做檢查。
• 28:19 Agent 不只要好做、好跑，也要夠強大
  ↳ 光是好做、好跑還不夠，agent 本身也要夠強。接下來講的就是讓它變強的功能。
• 28:19 Memory：agent 工作時可以自己決定把發現和心得寫進 file system，之後執行時再回頭參考這些決策和發現，把工作做得更好
  ↳ 記憶的做法：agent 一邊工作，一邊自己決定把發現寫進 file system（檔案系統，就是存檔案的地方），下次執行時翻出來參考，越做越好。
• 28:49 Dreaming：memory 是工作時即時寫入；dreaming 則是回顧所有過去的 sessions，更新 memory 和 skills
  ↳ 兩者的差別：memory 是工作當下隨手記；dreaming 是事後把所有過去的紀錄從頭看一遍，再整理、更新記憶和 skills。
• 28:49 在 dashboard 按「dream」按鈕，會啟動一個新 agent，回顧舊 agents 的所有 sessions，並把發現寫進 memory 和 skills
  ↳ 示範時按下儀表板上的「dream」按鈕，會開一個新的 agent，專門去看舊 agent 的所有紀錄，再把心得寫進記憶和 skills。
• 29:21 Outcomes、scheduled deployments 和 dreaming 今天起在 Claude platform 上可用；開發者現在就能用 Fable 5 和 managed agents 開發
  ↳ outcomes、排程和 dreaming 三個功能今天起在 Claude platform 開放，開發者現在就能用 Fable 5 搭配 managed agents 開發。
• 29:21 Claude Code 產品負責人（head of product）Cat Woo 上台
  ↳ 接著換 Claude Code（Anthropic 給工程師寫程式用的 AI 工具）的產品負責人 Cat Woo 上台。
• 30:08 Claude Code 把同樣的槓桿帶給開發者本身：不是交給客戶的 agents，而是幫你 ship code 的 agents
  ↳ 前面講的 agent 是企業拿去服務客戶的；Claude Code 則是把同樣的能力用在開發者自己身上，幫忙寫程式、讓產品上線（ship）。
• 30:08 感謝在 Sonnet 3.7 還是前沿模型、產品還很粗糙時就信任 Claude Code 的開發者
  ↳ Cat Woo 感謝早期的使用者：當時最強的模型還是 Sonnet 3.7、產品也很陽春，這些開發者就願意信任 Claude Code。
• 30:38 Claude Code 的使命：縮短「一個想法」到「上線產品」之間的距離
  ↳ Claude Code 的目標是把「我有個點子」到「產品真的上線」之間的距離縮到越短越好。
• 30:38 做法是打造能引出模型前沿智慧的工具，並讓每位 builder 都用得到
  ↳ 做法是打造能把模型最強能力發揮出來的工具，而且讓每個想做東西的人都用得到，不只給少數專家用。
• 31:09 團隊不覺得自己有一份完成的 roadmap，比較像和大家一起攀登沒人完整畫過地圖的地形，邊走邊找出什麼可行
  ↳ 團隊坦白說手上沒有一份完整的計畫，比較像和使用者一起爬一座沒人畫過地圖的山，邊走邊試哪條路走得通。
• 31:09 團隊隨著 AI 能力提升和大家一起成長，協助應對新出現的挑戰
  ↳ AI 越來越強，團隊也跟著使用者一起學、一起調整，協助處理新冒出來的問題。
• 31:41 Cat Woo 回憶：去年交任務給 Claude Code 時，會逐一 review 每個 edit，並給很詳細的指示（本段到此截斷）
  ↳ Cat Woo 回想去年用 Claude Code 時，每個修改都要自己一條一條檢查，指令也要寫得非常細。（影片這段到這裡截斷）

在 Shankiro Racing 的 demo 裡，outcomes 功能用什麼來定義「什麼算好」，讓 agent 反覆迭代？