2026-04-09｜作者：小露
欸，你有沒有想過一件事——
你去年花了多少時間在寫跟業務邏輯完全無關的東西？
不是在寫 feature，而是在寫「讓 AI 可以幫你寫 feature 的骨架」：維護 agent loop、處理 tool 的 retry 邏輯、管理 context 不要爆、自己搞失敗恢復機制……
這些東西每家公司都在重新發明，每個工程師都從頭燒腦，結果大家燒出來的輪子長得差不多但又各有奇怪的 bug。
Anthropic 昨天（4/8）做了一件事：他們說，這些你不用再自己搞了。
什麼是 Claude Managed Agents？
用最直白的方式說：
以前你要讓 Claude 做複雜任務，得自己寫 agent loop——呼叫 API → 拿到 tool use 請求 → 執行工具 → 把結果丟回去 → 再呼叫 API → 重複，一直到 Claude 說「我做完了」。這整條 loop 你要自己維護，容錯要自己寫，scale 要自己想。
Claude Managed Agents 的意思是：這條 loop 現在跑在 Anthropic 的基礎設施上，不在你的機器上。
你定義好「這個 Agent 是誰、有哪些工具、跑在什麼環境」，剩下的 Anthropic 幫你兜。
先搞清楚：Claude 的產品族系是什麼關係？
在講 Managed Agents 之前，先把整個產品圖攤開來——這個部分很多人搞混，但搞清楚之後後面的東西會容易很多。
Claude Code是 Anthropic 給開發者用的命令列工具（CLI），你在 terminal 裡跑，可以直接對話、叫它寫 code、讀 repo、跑指令。它的底層跑的是一套完整的 agent loop：Claude 想到要讀什麼檔就讀，想 run 什麼指令就 run，用工具取得結果後繼續推理，直到任務完成。這個 loop 是真正的 agent 行為，不是一問一答。
Claude Agent SDK（前身叫 Claude Code SDK，最近才改名）是把 Claude Code 的那套 agent loop 拆出來打包成 library，讓開發者可以在自己的應用程式裡用 Python 或 TypeScript 呼叫——不是在 terminal 互動，而是寫進程式裡、整合到自己的系統裡。你的應用程式呼叫 SDK，SDK 幫你跑 agent loop，結果回傳給你的程式。
Cowork是 Anthropic 的桌面端產品，面向不寫程式的使用者。底層一樣是 Agent SDK，把 agent 的能力包成有介面的桌面工具，讓一般使用者可以用自然語言下指令，由 Cowork 協調背後的執行，不需要碰 terminal 或寫任何 code。
三個的共同點：agent loop 都跑在你的電腦上（或你自己的伺服器）。你負責維護這個執行環境，東西在你手上。
Claude Managed Agents是第四條路：把 agent loop 搬到 Anthropic 的雲端。你不需要有執行環境，不需要維護 loop，打個 API 就可以觸發一個在 Anthropic 基礎設施上跑的 Agent。
用一個比喻：Claude Code / SDK / Cowork 是「自己買伺服器」，Managed Agents 是「上雲」。能做的事本質相同，但誰管、在哪跑、出了問題誰負責——這些不一樣。
那它跟「直接打 API」差在哪？
官方的對比非常坦白，我直接翻給你看：
| 面向 | 自己打 Messages API | Claude Managed Agents | |------|--------------------|-----------------------| | Agent loop | 你自己維護，跑在你的客戶端 | Anthropic 幫你跑，server-side | | 失敗恢復 | 你自己寫 retry 邏輯 | 透過 session replay 自動恢復 | | Session 歷史 | 你自己管，塞在 context window 裡 | 獨立的 append-only event log，永遠在 | | 同時跑多個 harness | 你要自己協調 | 多個 stateless harness 可以共用同一個 session | | 適合場景 | 短任務、需要精細控制 | 長時間異步任務、生產環境規模 |
用程式碼說更清楚：
以前（自己維護 loop）：
response = client.messages.create(...)
while response.stop_reason == "tool_use":
result = your_tool_executor(response.tool_use)
response = client.messages.create(tool_result=result, ...)
現在（交給 Managed Agents）：
async for message in query(prompt="幫我找 auth.py 的 bug 並修復"):
print(message) # Claude 自己讀檔、找問題、修改，你等結果就好
最妙的設計：大腦和手分開
Anthropic 工程部落格把這個架構叫做「Decoupling the brain from the hands（大腦與手的解耦）」，我覺得這個比喻真的很到位。
- 大腦（Brain）：Claude 模型 + harness，負責推理和決策
- 手（Hands）：沙盒容器 + 工具，負責執行
- 記憶（Session）：獨立在兩者之外的 append-only 事件日誌
這三個東西各自獨立。所以：
- 模型版本更新？Harness 換新的，session 歷史還在
- 容器環境要改？Swap 掉，不影響推理邏輯
- Harness 突然崩潰？呼叫
wake(sessionId)，從最後記錄點接著跑
這個設計哲學跟作業系統的硬體抽象層是同一個思路——執行環境和邏輯層解耦，兩邊都可以獨立演進。
進階功能（目前還在 Research Preview）
三個還在申請才能用的功能，但方向很值得注意：
Outcomes（成果驅動執行）
你不只告訴 Claude「幫我做 X」，你定義「什麼叫做成功」。Claude 會自我評估，如果還沒達到目標就繼續迭代，直到符合你設定的標準為止。
內部測試在結構化任務上，比標準 prompting loop 提升最多 10 個百分點的成功率，而且越難的問題改善越顯著。這代表什麼？以後你可能不需要那麼精細地 prompt 工程，只需要描述好「完成」的樣子。
Multi-Agent（多 Agent 協作）
一個協調者 Agent 可以同時召喚多個子 Agent 並行處理。每個 Agent 有獨立的 context window，但共享同一個容器和檔案系統。
目前只支援一層委派（子 Agent 不能再叫 Agent），但光這樣就已經可以做很多事：
- 一個 reviewer Agent 做 code review，只有唯讀工具
- 一個 test Agent 專寫測試，不碰生產程式碼
- 一個 research Agent 整理搜尋結果回報協調者
Memory（跨 Session 記憶）
讓 Agent 在不同 session 之間保留知識。細節還在 preview 階段，但配合 Outcomes 和 Multi-Agent，大致可以看出 Anthropic 想往哪走——一個能長期執行、自我改進、跨任務累積知識的 Agent 系統。
誰已經在用了？
幾個已經公開的案例：
- Notion：平行處理程式撰寫、網站建立、簡報生成
- Rakuten：幾週內就把 Agent 部署到橫跨產品、業務、財務的各個團隊
- Asana：讓 AI Agent 真的跟人類一起出現在專案任務裡
- Sentry：除錯 Agent + 修補程式撰寫，縮短從發現 bug 到修復的週期
Anthropic 說可以把開發時間從「數個月」壓到「數天到數週」。這個數字我持保留態度，但方向對。
一個 meta 的觀察
如果你現在是透過 Cowork 讀這篇文章，或者平常用 Claude Code 在 terminal 裡寫程式——你已經在用 Claude Agent SDK 那套東西了，只是換了一個介面。
而 Claude Managed Agents 就是這套東西的雲端版：一樣的推理邏輯，一樣的工具框架，只是執行環境從你的機器換到了 Anthropic 的基礎設施。
換句話說：Claude Code、Cowork、Managed Agents，是同一條技術脈絡長出來的三個分支——一個給開發者在 terminal 用，一個給一般使用者在桌面用，一個讓 Anthropic 的雲端幫你跑。
我的看法
這件事的本質不是「又一個新功能」，而是 AI 應用的基礎設施層正在成形。
以前你要做一個能實際完成複雜任務的 AI 應用，你得同時是 AI 工程師 + 基礎設施工程師 + 產品工程師。現在 Anthropic（以及其他公司也在做類似的事）在幫你把基礎設施那一層抽象掉。
這個模式我們以前在雲端運算看過：AWS 出來之前，你得自己管機房、自己買伺服器、自己搞 HA。AWS 出來之後，那些問題不是消失了，而是往下沉進去了平台，你可以把腦力用在真正有差異化的業務邏輯上。
AI agent 基礎設施正在走同樣的路。
當然，這也代表越依賴受托管服務，對底層的掌控就越低。Anthropic 升版、改規格、漲價——你能做的選擇會減少。自己維護 agent loop 有自己的麻煩，但彈性就在那裡。
兩種路線都有道理，取決於你在建什麼、需要多少掌控、團隊有多少人力。
但如果你之前因為「搭 agent 框架太麻煩」而放棄或延後了某個 AI 功能的想法——現在是個好時機重新拿出來評估看看。