什麼是 Claude Managed Agents？
🏦 台灣Pay 銀行轉帳 💙 PayPal
介紹 Claude Managed Agents 這套 API，並用三個實例示範怎麼大規模建置與部署 agent
- 00:04 Claude Managed Agents 是一套 API，用來大規模建置和部署 agent
- 02:07 報告完成後，Claude 會透過 MCP servers 把連結貼到 Slack，並在 Asana 建立一個審核任務
- 03:38 你定義什麼叫「完成」，Claude 就會一直做到達成為止
💡 你可以怎麼用：以後交代 AI 做事，學影片那樣把「怎樣才算完成」寫清楚。例如寫「摘要不超過 300 字、要列出三個數字、要附來源」，而不是只寫「幫我整理一下」。如果你的團隊有工程師，也可以把每週重複做的查價、整理報告這類工作列出來，一起討論能不能交給這種 agent。
看全部 28 條重點
🧑🏫 這支影片介紹 Claude Managed Agents。它是 Anthropic 給開發者用的服務，讓他們能做出會自己動手完成工作的 AI 助手，並大量上線使用。影片沒有只講概念，而是用三個實際例子，示範 AI 怎麼自己做事、自己檢查、記得上次的結果，還能分工合作：讓網站變快、每週追蹤軟體價格、處理系統警報。看完你會比較清楚，現在的 AI agent 除了聊天，還能接手哪些整段的工作。
- 00:04 Claude Managed Agents 是一套 API，用來大規模建置和部署 agent↳ API 是讓程式跟程式對接的窗口；agent 是能自己分好步驟、把事情做完的 AI 助手。這套 API 讓開發者不用自己搭底層，就能大量做出並上線 agent。
- 00:04 你可以定義 agent 要有哪些 tools、persona 和 capabilities↳ 就像幫新同事安排工作：tools 是它能用的工具，例如搜尋、讀檔；persona 是它的角色設定和說話風格；capabilities 是它被允許做到的能力範圍。
- 00:04 你可以設定 sandbox environment，決定要裝哪些 packages，也可以設定 network controls↳ sandbox 是跟外界隔開的安全工作區。你能決定裡面要裝哪些 packages（別人寫好的現成程式套件），也能用 network controls 限制它可以連哪些網站。
- 00:04 從你自己的應用程式發起 session 之後，Claude 會在隔離的 container 裡工作，能完整存取檔案系統、執行 bash，也能做 web search↳ session 就是一次工作任務的開始；container 是一台隔離的小電腦。Claude 在裡面能讀寫檔案、下 bash 指令（用打字直接操作電腦的方式），也能上網查資料。
- 00:04 例一：講者在 Managed Agents 上面架了一個 Kanban board。把卡片拖到 in progress，就會自動發起一個 session↳ Kanban board 是把「待辦、進行中、完成」分欄排好的任務看板。示範的重點是：卡片拖到「進行中」就等於叫 agent 開工，不用另外下指令。
- 00:34 卡片寫的是「Optimize website performance」。後端建立 session，指向一個預先裝好 Lighthouse 和 Puppeteer 的 environment，並把 GitHub repo 掛載進 container↳ 任務是讓網站變快。Lighthouse 是幫網頁效能打分數的工具，Puppeteer 能用程式自動操作瀏覽器；GitHub repo 是存放程式碼的專案庫，放進來讓 Claude 直接改。
- 00:34 Claude 拿到 code base、tools 和一份 rubric：Lighthouse 分數要超過 90、不能有 render-blocking resources、所有圖片都要 lazy load↳ rubric 就是驗收標準：分數要過 90、不能有 render-blocking（會卡住畫面顯示的檔案）、圖片都要 lazy load（捲到才載入）。標準越具體，越好判斷做完了沒。
- 01:04 Claude 先跑 audit，接著壓縮圖片、把 CSS inline、延後載入 scripts↳ 它像工程師一樣，先做 audit（全面檢查、找出問題），再動手修：把圖片縮小、把樣式碼 CSS 直接寫進網頁、讓不急的程式晚點載入。這些都是讓網頁更快出現的常見做法。
- 01:04 每一次 tool call 都會透過 event stream 即時回傳到看板上↳ tool call 是 Claude 每一次動用工具的動作；event stream 是即時回報的管道。所以你在看板上就能看到它正在做哪一步，不用乾等結果。
- 01:04 rubric 啟動後，會有一個獨立的 grader 在它自己的 context window 裡，拿講者訂的標準來評估結果↳ context window 可以想成 AI 當下能看到、能記住的工作內容。grader 是另一位獨立的評分者，不受 Claude 做事過程影響，只照你訂的標準驗收，避免自己改自己的考卷。
- 01:04 Claude 讀了 grader 的回饋，回頭把漏掉的地方修好再重新提交，分數最後拉到 96↳ 它會自己來回修：評分者指出哪裡沒達標，Claude 修好後再交一次，直到過關。最後分數到 96，超過原本設定的 90。
- 01:04 第一張卡片還在跑的時候，可以再拖第二張進來↳ 不用等前一件做完。第一個任務還在跑，你就能再丟第二個任務進去。
- 01:36 兩個 session、兩個 container，兩個不同的任務平行執行↳ 每個任務都有自己獨立的工作空間，互不干擾，所以兩件完全不同的事可以同時進行。
- 01:36 例二：這個 agent 負責追蹤公司付費使用的每個 SaaS 工具的價格和方案變動，並在 stand-up 前把報告準備好↳ SaaS 是線上使用、按月或按年付費的軟體服務，像 Slack 就是。stand-up 是團隊每天的簡短晨會。這個 agent 負責在晨會前，把各工具漲價、改方案的狀況整理好。
- 01:36 Claude 會上網搜尋目前的定價頁面、檢查方案等級有沒有變動，並標出可能影響合約的新功能↳ 它會自己上各家官網看最新價格，比對方案有沒有變，還會特別標出可能影響合約的新功能，省掉人工一家一家查。
- 01:36 接著在 sandbox 裡用 Python 做成本分析，再用一個 Excel spreadsheet skill 寫出 executive summary↳ Python 是常用來處理數據的程式語言，這裡在安全工作區裡算成本；skill 是預先包好的能力模組，這裡用來產出 Excel 格式的主管摘要（executive summary）。
- 02:07 報告完成後，Claude 會透過 MCP servers 把連結貼到 Slack，並在 Asana 建立一個審核任務↳ MCP 是讓 AI 連接外部服務的共通接口。透過它，Claude 把報告連結貼到團隊聊天工具 Slack，也在專案管理工具 Asana 開一個待審核的任務。
- 02:07 這個 agent 會讀寫 memory store：開始前先看上週查到什麼，結束後把這次的變動存起來↳ memory store 是 agent 的筆記本。每次開工前先翻上週的紀錄，收工時把這次發現的變化寫進去，下次就接得上。
- 02:07 所以下週一的報告會寫「Cloud compute 比上週低 15%」，而不是把同樣的靜態價格資料再列一次↳ 有了記憶，報告講的是「跟上週比變了什麼」，不是每週重貼一次同樣的價目表。這種比較才是主管真正想看的。
- 02:07 例三：監控系統觸發了一則警報。後端用 custom tool 接收警報的 payload，當成 tool result 送進一個新的 session↳ custom tool 是開發者自己寫的工具；payload 是警報裡附帶的內容資料。系統一出狀況，警報內容就直接交給新開的 session，agent 自動開始處理。
- 02:38 這個 session 用的是 multi-agent coordination：coordinator agent 收到警報後，分派給三個 specialist↳ multi-agent coordination 就是多個 agent 分工合作。coordinator 像組長，收到警報後把調查工作拆給三位 specialist（專員）分頭去查。
- 02:38 每個 specialist 各自在自己的 context window 裡工作，但共用同一個檔案系統↳ 每位專員只專心處理自己那一塊，想法不會互相干擾；但檔案放在同一個地方，別人查到的資料也拿得到。
- 02:38 specialist 回報之後，coordinator 把大家的發現整合成一份 incident summary↳ 專員查完回報，組長再把大家的結果整理成一份 incident summary，也就是事故摘要：發生了什麼、查到了什麼。
- 02:38 要把更新貼到 Slack 之前，permissions policy 會觸發：講者在畫面上看到草稿，核准後訊息才送出↳ permissions policy 是權限規則，規定哪些動作要先經過人同意。這裡是對外發訊息前，先讓人看草稿，按下核准才真的送出，避免 AI 自己亂發。
- 03:08 Memory 把這些串在一起：coordinator 查了 memory store 裡過去的事故，發現模式跟 2 週前一次 DNS resolution 問題很像，那次的原因是 TTL 設定錯誤↳ 有記憶就能對照過去：這次跟兩週前一次 DNS（把網址轉成伺服器位置的系統）的問題很像，那次的原因是 TTL（這筆紀錄要暫存多久的設定）設錯了。
- 03:08 這樣下次再有類似警報，agent 就能帶著這些背景開始處理，不用從頭診斷↳ 就像有經驗的值班人員記得以前的案例，下次遇到類似警報，能直接從可能的原因查起，不用每次從零開始。
- 03:08 Managed Agents 包含 agents、sessions、environments、tools、MCP、memory、outcomes 和 multi-agent coordination，讓開發者能提供全託管、有狀態（stateful）的 agent 體驗↳ 這條是總整理：前面示範的功能都包在這套服務裡，outcomes 指你要它達成的結果。全託管是底層環境交給官方代管；stateful 是會記得之前做到哪，不會每次重來。
- 03:38 你定義什麼叫「完成」，Claude 就會一直做到達成為止↳ 核心精神是：你只要講清楚怎樣才算做完，例如分數要過 90，Claude 就會自己做、自己檢查、自己修，一直做到達標為止。
📘 術語
sandbox environment（沙盒環境）：可以設定要裝哪些 packages 和 network controls 的執行環境
session（工作階段）：從自己的應用程式發起，Claude 會在隔離的 container 裡執行任務
container（容器）：隔離的執行空間，能完整存取檔案系統、執行 bash 和做 web search
rubric（評分標準）：你訂的完成條件，例如 Lighthouse 分數要超過 90
grader（評分者）：在自己的 context window 裡獨立運作，依標準評估結果
context window（上下文視窗）：字幕沒有定義，只說 grader 和各個 specialist 都在各自的 context window 裡運作
event stream（事件串流）：把每一次 tool call 即時回傳到看板上的管道
MCP servers（MCP 伺服器）：示範中 Claude 透過它們貼文到 Slack、在 Asana 建立任務
memory store（記憶庫）：agent 開始前先讀、結束後寫入，用來記住上次的結果和過去的事故
multi-agent coordination（多 agent 協作）：coordinator agent 把工作分派給多個 specialist，再整合他們的發現
permissions policy（權限政策）：發文到 Slack 前會觸發，要人看過草稿並核准後才送出
stateful（有狀態的）：字幕只說 Managed Agents 提供全託管、stateful 的 agent 體驗
session（工作階段）：從自己的應用程式發起，Claude 會在隔離的 container 裡執行任務
container（容器）：隔離的執行空間，能完整存取檔案系統、執行 bash 和做 web search
rubric（評分標準）：你訂的完成條件，例如 Lighthouse 分數要超過 90
grader（評分者）：在自己的 context window 裡獨立運作，依標準評估結果
context window（上下文視窗）：字幕沒有定義，只說 grader 和各個 specialist 都在各自的 context window 裡運作
event stream（事件串流）：把每一次 tool call 即時回傳到看板上的管道
MCP servers（MCP 伺服器）：示範中 Claude 透過它們貼文到 Slack、在 Asana 建立任務
memory store（記憶庫）：agent 開始前先讀、結束後寫入，用來記住上次的結果和過去的事故
multi-agent coordination（多 agent 協作）：coordinator agent 把工作分派給多個 specialist，再整合他們的發現
permissions policy（權限政策）：發文到 Slack 前會觸發，要人看過草稿並核准後才送出
stateful（有狀態的）：字幕只說 Managed Agents 提供全託管、stateful 的 agent 體驗
✏️ 小考一題
在 Kanban board 的「Optimize website performance」例子裡，rubric 對 Lighthouse 分數的要求是什麼？
A. 超過 96B. 超過 90C. 剛好 100D. 超過 80看答案
答案：B。[00:34] rubric 寫的是「Lighthouse score above 90」；96 是 Claude 最後達到的分數（[01:04]），不是 rubric 的要求
💛 覺得有幫助？支持一下
課本免費、沒有廣告，支持與否都能照常讀 🐰