Claude Managed Agents = 雲端版的 AI Agent 託管服務
- Anthropic 官方提供的 Agent 建置服務，不用自己處理基礎架構
- 四個核心概念：Agent、Environment、Session、Events
- 定價：標準 API token 費 + 每小時 $0.08 主動運行費
Claude Managed Agents 是什麼？
簡單講就是一套 API，讓你可以在 Anthropic 的雲端建立和跑 AI Agent（Anthropic Console）
不用自己架伺服器、處理容器、處理工具整合這些基礎架構的事
Managed Agents 把這套能力開放成 API，讓大家可以自己打造各種 AI Agent
四大核心概念
| 概念 | 說明 |
|---|---|
| Agent | 定義模型、System Prompt、工具、MCP Server |
| Environment | Agent 跑的雲端容器，可設定 plugins 和網路存取 |
| Session | Agent 在環境中執行任務的一個實例 |
| Events | 應用程式和 Agent 之間傳遞的訊息流 |
把它想成：
- Agent 員工，有特定的技能和知識
- Environment 員工的辦公室，裝了什麼軟體、能不能上網
- Session 是他接到一個任務開始工作的過程
- Events 是整個工作過程的完整紀錄，包括對話、工具使用、思考過程
為什麼需要 Managed Agents？
現在要自己從零做一個能用的 AI Agent 真的很麻煩
你需要處理一堆跟「AI 本身」無關的事：
- Agent 要跑在哪裡？（自己的電腦 or 伺服器）
- 跑到一半掛了怎麼辦？（錯誤恢復）
- Key 怎麼保管才安全？（安全性）
Managed Agents 把這些雜事全包，你只要專心定義「Agent」就好
Anthropic 官方宣稱可以把開發時間從幾個月縮短到幾天
Console
登入 Anthropic Console 後，左側選單多了一個 Managed Agents 區塊，標著 New
底下有五個子項目：
- Quickstart — 引導式設定 Agent
- Agents — 管理所有 Agent 設定
- Sessions — 查看 Session
- Environments — 管理雲端環境
- Credential vaults — 管理 API 金鑰等敏感資料
Quickstart 實測：從零建立第一個 Agent
Quickstart 的引導做得蠻好的，會一步步帶你建立一個 Agent
整個過程我大概花了 10-15 分鐘
Step 1：建立 Agent Config
第一步是設定 Agent 的定義，一開始會跳出 Browse Templates 讓你選
我先選擇用 Deep Researcher 這個 Template
設定是用 YAML 格式，主要幾個欄位：
| name | Deep researcher |
| model | claude-sonnet-4-6 |
| system_prompt | 指示 Agent 怎麼做研究（分解問題、搜尋、閱讀、綜合） |
| tools | agent_toolset_20260401（內建工具包） |
| template | deep-research |
System Prompt 的設計，它會要求 Agent：
- 把問題分解成 3-5 個子問題
- 搜尋權威來源
- 完整閱讀來源內容（不是只看摘要）
- 綜合成有引用的報告
設定網路存取層級
因為 Deep Researcher 需要上網查資料，所以會問你要什麼程度的網路存取
三個選項：
- Unrestricted — 完全不限制（測試的時候可以先選這個）
- Limited — 有限制的存取
- Something else — 自訂
Step 2：建立 Environment
接下來是建立 Agent 要跑的雲端環境
確認 Environment is ready 就可以進下一步
Step 3：建立 Session 並送出訊息
現在有了 Agent 和 Environment，就可以建立 Session 開始跑了
收到 session.status_idle 事件就代表 Agent 做完了
送出訊息後，Agent 會自動開始工作：
- 分解問題
- 用 Web Search 搜尋相關資料
- 用 Web Fetch 讀取完整內容
- 綜合成報告回覆
Step 4：看結果 — Debug 和 Transcript
跑完之後可以在 Console 的 Preview 頁面看到完整紀錄
Transcript 分頁
Transcript 會顯示：
- User 的輸入
- Agent 使用哪些 tools
- 每個步驟的 token 消耗量
- Agent 的回覆
我測試問了「什麼是 Claude Managed Agents」，整個流程大約 1 分 18 秒完成
Debug 分頁
Debug 分頁更詳細，會列出每個事件的時間軸：
| 事件 | 說明 |
|---|---|
| Session running | Session 啟動 |
| User 輸入 | 收到使用者訊息 |
| Model request | 開始推理 |
| Thinking | 思考過程（Extended Thinking） |
| Tool 呼叫 | web_search × 2、web_fetch × 1 |
| Model 輸出 | 產生回覆 |
| Session idle | 等待下一個輸入 |
每個事件都有精確的時間戳和 token 消耗（input/output/cache read/write），對 debug 和成本監控很有幫助
官方 Template 範本
除了 Deep Researcher，Anthropic 還提供了不少 Template 讓你快速開始
| Template | 用途 |
|---|---|
| Deep researcher | 多步驟網路研究，自動搜尋和引用來源 |
| Structured extractor | 把非結構化文字轉成 JSON |
| Field monitor | 掃描軟體 blog，產生變更摘要 |
| Support agent | 客服自動回覆 |
| Incident commander | Sentry 警報 → Linear issue → Slack 通知 |
| Feedback miner | 從 Slack/Notion 分類使用者回饋 |
| Sprint retro facilitator | 從 Linear 拉 sprint 資料，綜合成回顧文件 |
| Support-to-eng escalator | 讀 Intercom 對話，重現 bug 並建 Jira issue |
| Data analyst | 資料分析 |
| Blank agent config | 空白起點，自己從頭寫(可以用 prompt 對話建立) |
技術架構：大腦與雙手解耦
Anthropic 部落格分享了一個蠻有趣的設計哲學：Decoupling the brain from the hands
把 Agent 拆成三個獨立的部分：
- 大腦（Brain）：Claude 模型 + Harness（呼叫模型的循環邏輯）
- 雙手（Hands）：沙箱容器 + 工具執行環境
- Session Log：持久化的事件記錄，獨立存在
為什麼要這樣拆？
過去的做法是把所有東西放在同一個容器裡
機器掛了就全部不見，工作進度也會跟著消失
分開之後，容器變成「可替換的消耗品」：
- 容器壞掉 → 系統自動開一個新的容器，從記錄檔回復進度
- 控制程式壞掉 → 用
wake(sessionId)重新啟動，工作進度不會遺失
安全設計
Credentials 存在 Vault 裡，不會暴露在 Sandbox 執行環境中
就算容器被入侵，也拿不到 API Key
為什麼要這樣設計？Anthropic 工程部落格提到，舊架構把所有東西放同一個容器，prompt injection 只要讓 Claude 讀自己的環境變數就能拿到全部 token。Vault + Proxy 架構從結構上消滅了這個攻擊面
網路隔離也有兩種模式：
- Unrestricted — 完整對外存取（有安全黑名單）
- Limited — 白名單制，只允許指定的 HTTPS 域名，官方建議生產環境用這個
每個 Session 有獨立的容器，Session 之間不共享檔案系統，Credentials 永遠不會出現在容器的環境變數裡
內建工具
Managed Agents 內建的工具列表：
| 工具 | 用途 |
|---|---|
| Bash Shell | 執行指令 |
| 檔案操作 | Read / Write / Edit / Glob / Grep |
| Web Search & Fetch | 搜尋和讀取網頁 |
| MCP Servers | 連接外部服務 |
| Prompt Caching | 自動快取最佳化 |
| Session Tracing | 追蹤每個工具呼叫 |
| Checkpointing | 中斷後可恢復 |
Research Preview 功能
除了上面的基本功能，Anthropic 還準備了三個更進階的功能
目前是 Research Preview，需要填表申請才能用
1. 多 Agent 協作
想像你派一個「主管 Agent」出去，他可以再指派工作給其他「專員 Agent」
例如：主管負責拆解任務，一個專員負責搜尋資料，另一個負責寫報告
各 Agent 有自己獨立的工作記憶，不會互相干擾
2. 品質管控
你設定好「什麼叫做做得好」的標準，系統會自動檢查 Agent 的成果
沒達標就自動重做，最多可以迭代 20 次，等於內建了一個品管機制
3. 跨任務記憶
Agent 做完一個任務後，會記住學到的東西
下次接到類似任務時，會自動參考之前的經驗
跟 Claude Code 的 memory 功能概念一樣，只是變成 API 版本
價格怎麼算
| 項目 | 費用 |
|---|---|
| 模型推理 | 標準 API token 費（跟直接呼叫 Claude API 一樣） |
| 主動運行 | $0.08 / 小時（Agent 在雲端跑的時間） |
| 網頁瀏覽 | $10 / 1,000 次 |
| 時間 | 美元 | 台幣（約） |
|---|---|---|
| 每小時 | $0.08 | NT$2.5 |
| 每天（24hr） | $1.92 | NT$60 |
| 每月（30天） | $57.60 | NT$1,800 |
一個月全天跑也才不到兩千台幣
重點是通常也不會全天跑，有需要啟動時才會收費
運行費只在 Session 狀態為 running 時才計費（毫秒精度）
- running：Agent 正在思考、呼叫工具、等待工具回應 → 算
- idle：Agent 做完了，等你傳下一個訊息 → 不算
- terminated：Session 結束 → 不算
實測費用拆解
實際跑了 3 個 Session，從 Console 的 Cost 頁面可以看到總花費：
透過 Session Event Log，可以拆解出每個問答實際經過了什麼：
簡單問答（問一個問題 → Agent 搜尋 → 回覆）
| 步驟 | 說明 |
|---|---|
| 2 次 Web Search（平行） | 搜尋相關資料 |
| 1 次 Web Fetch | 讀取官方文件全文 |
| 產生回覆 | 約 2,200 tokens 的完整報告 |
3 輪 model 推理、3 次 tool call、50 秒完成，費用約 $0.14（NT$4.5）
複雜任務（研究 + 發送到 Slack，含錯誤重試）
19 次 tool call、15 輪 model 推理、25 分鐘，費用約 $1.48（NT$47）
中間因為 Slack 訊息太長被拒絕，Agent 自動拆成分段重送
最大花費反而不是 output token，而是 cache creation（佔 75%）。每次 Agent 讀到新資料（搜尋結果、網頁內容）都要寫入快取。Session runtime 費用（$0.01）幾乎可以忽略。
早期採用案例
根據 Anthropic 的文章，已經有幾家公司在用了：
| 公司 | 用途 |
|---|---|
| Notion | 讓使用者直接在 Notion 裡委派任務給 AI，支援數十個任務同時並行 |
| Rakuten | 跨部門（產品、行銷、財務、HR）部署 Agent，每個部門一週內上線，整合 Slack/Teams |
| Sentry | AI 找出 bug 後，Agent 接力寫修復程式碼並自動開 PR，從標記到修復一氣呵成 |
| Asana | 建立「AI Teammates」，在專案管理流程中與人類協同作業 |
跟其他做法比一比
現在要讓 AI Agent 跑起來，大概有三種路線：
| 面向 | 自行開發 | OpenClaw | Managed Agents |
|---|---|---|---|
| 架構模式 | Agent SDK | 開源框架，自己架伺服器 | Anthropic 幫你管雲端環境 |
| 怎麼建立 | 工具呼叫循環、錯誤恢復、context 管理都自己處理 | 安裝、更新、安全性、伺服器維護 | 幾乎不用，Anthropic 全包 |
| 模型 | Claude | 任意模型 | Claude |
| 上手時間 | 長 | 長 | 快 |
| 費用 | API Token | VPS 月費（$10-20/月）+ AI 模型費用 | API Token + $0.08/hr 執行費用 + $10/千次 網頁搜尋 |
| 安裝難度 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐ |
心得
實際走完 Quickstart 之後，我的感受是
看起來還在很早起的一個概念，設定上只能用 YAML 和 json 還是稍微複雜
就算可以用 prompt 輔導建立，但未來應該有更簡易的設定邏輯和方式
還有一些 Beta 的功能看起來是下一步讓他更好用的核心
多 Agent 協作和跨任務記憶 等等都是現在 AI Agent 熱門的議題
如果 Anthropic 做到簡單設定又品質穩定，那貴一點的費用我相信不少公司還是願意買單