2026 年 4 月 8 日，Anthropic 正式推出 Claude Managed Agents 公開測試版。 企業不需要自建基礎架構，就能在 Anthropic 的雲端上部署可連續執行數小時的自主 AI Agent。官方宣稱開發時程從「數月壓縮到數週」——而 Notion、Rakuten、Asana 已經在生產環境裡跑了。
這不只是又一個 API 更新，而是 Anthropic 在 Agentic AI 浪潮 中搶下「Agent 基礎架構」入口的戰略佈局。
🔑 5 個關鍵重點
- Claude Managed Agents 是 Anthropic 的全託管 Agent 平台——沙箱、工具編排、錯誤復原、session 管理全包
- 用自然語言或 YAML 定義 Agent，不需要自建 agent loop 或執行環境
- 架構將 Brain（推理）、Hands（執行）、Session（狀態） 三層解耦，靈感來自作業系統虛擬化
- Notion、Rakuten、Asana、Sentry、Vibecode 已投入生產使用
- 定價：標準 API token 費 + $0.08 / 每 session 小時（毫秒計費），網頁搜尋 $10 / 千次
🤔 什麼是 Claude Managed Agents？先搞懂「Agent」和「託管」
AI Agent 是什麼？（給完全沒接觸過的人）
傳統的 ChatGPT、Claude 對話是「你問一句，AI 答一句」。AI Agent 不一樣——你給它一個目標，它自己決定要用哪些工具、按什麼順序執行、遇到錯誤怎麼處理。
舉例：你說「幫我分析這份 CSV 報表，找出異常值，畫成圖表，寫一份摘要 email 給老闆」。
- ❌ 傳統 AI：你得自己一步一步餵資料、調提示、複製貼上
- ✅ AI Agent：它自動讀檔、跑 Python 分析、用 matplotlib 畫圖、生成 email——全部自主完成
那「Managed」是什麼意思？
過去你要讓 AI Agent 跑起來，需要自己處理一大堆基礎架構：
| 你要自己蓋的東西 | 難度 | 說明 |
|---|---|---|
| 沙箱隔離 | 🔴 高 | Agent 會執行程式碼，你得確保它不會搞壞你的伺服器 |
| Agent 迴圈 | 🟡 中 | 推理 → 呼叫工具 → 取得結果 → 再推理⋯⋯這個迴圈要自己寫 |
| Session 管理 | 🟡 中 | Agent 跑到一半斷線怎麼辦？狀態存哪裡？ |
| 錯誤復原 | 🟡 中 | 工具呼叫失敗、API 逾時、token 超量——每種都要處理 |
| 認證與安全 | 🔴 高 | Agent 需要存取外部服務，但 API key 不能外洩 |
Managed Agents 把上面全部包辦了。 開發者只需要定義：
- Agent 的角色和指令（system prompt）
- 它可以用哪些工具
- 環境設定（要裝什麼套件、能不能連網）
💡 一句話理解 如果 Messages API 是「自己組裝電腦」，Managed Agents 就是「買一台預裝好的工作站，插電就能用」。你放棄了一些客製化彈性，但換到的是幾週內上線，而不是幾個月。
🏗️ 核心架構深度解析：Brain / Hands / Session 三層解耦
這是 Managed Agents 最值得技術人員關注的設計。Anthropic 工程團隊（Lance Martin、Gabe Cemaj、Michael Cohen）在技術文章中揭示了架構哲學——靈感來自作業系統的硬體虛擬化。
三層是什麼？
| 層級 | 角色 | 技術細節 |
|---|---|---|
| 🧠 Brain | 推理層 | Claude 模型 + harness，無狀態設計，可水平擴展。介面：execute(name, input) → string |
| 🤲 Hands | 執行層 | 沙箱容器、MCP 伺服器、外部工具。按需啟動，未使用不佔資源。介面：provision({resources}) |
| 📋 Session | 狀態層 | append-only 事件日誌，獨立於 Claude 的 context window。介面：wake(sessionId), getEvents() |
為什麼要解耦？三個關鍵好處
1. 獨立容錯
Brain 掛了？Session 日誌還在。系統自動喚醒一個新的 Brain 實例，從事件日誌中恢復上下文，繼續執行。使用者完全無感。
傳統做法是 Brain 和 Hands 綁在一起——一個掛了全部重來。
2. 彈性擴展
- 一個 Brain 可以操作多個 Hands（同時讀檔案 + 跑程式 + 查網頁）
- 多個 Agent 可以共用同一個 Hand（節省容器資源）
- Brain 和 Hands 可以在不同機器上，不假設位置
3. 延遲大幅降低
Anthropic 公布的數據：
| 指標 | 改善幅度 |
|---|---|
| p50 首 token 回應時間（TTFT） | ~60% 改善 |
| p95 首 token 回應時間（TTFT） | >90% 改善 |
原因：容器只在工具呼叫時才啟動，不需要預先配置。大多數推理請求根本不碰容器，直接省掉了啟動延遲。
🔧 技術觀點 Session 的 append-only 事件日誌設計特別聰明——它讓 context window 管理變成一個可組合的問題。harness 可以對事件流做正向、反向、切片查詢，在送給 Claude 之前先做轉換（例如壓縮舊事件、移除冗餘工具輸出）。這意味著 Managed Agents 可以跑遠超 context window 限制的長任務，而不需要開發者自己實作 context 管理。
🔧 四大核心概念：Agent、Environment、Session、Events
1. Agent（代理人定義）
定義模型版本、system prompt、可用工具、MCP 伺服器和技能。建立一次，透過 ID 跨 session 重複使用。
這解決了一個常見痛點：過去每次啟動 agent 都要重新傳完整設定，現在是一次定義、到處引用。
2. Environment（執行環境）
設定雲端容器模板：
- 預裝語言和套件（Python、Node.js、Go 等）
- 網路存取規則（白名單 / 黑名單）
- 掛載檔案（專案程式碼、資料集）
3. Session（工作階段）
啟動一個 session，指定要用哪個 Agent 和 Environment。Session 擁有：
- 持久化檔案系統——Agent 建立的檔案不會消失
- 完整對話歷史——中斷後可從斷點繼續
- 事件日誌——所有操作可追溯
4. Events（事件通訊）
你的應用和 Agent 之間透過事件溝通：
- 送出使用者訊息（user turn）
- 接收工具執行結果和狀態更新
- 透過 SSE（Server-Sent Events） 即時串流回應
- 可中途介入——送新的 user event 修正方向，或直接中斷 Agent
💡 這對開發者意味著什麼？ 你不用再寫
while True: response = claude.send(); if response.tool_call: result = execute(tool); claude.send(result)這種 agent loop 了。Managed Agents 的 harness 內建了整個迴圈，包括 prompt caching、context compaction 等效能優化。
🛡️ 安全機制：為什麼企業敢把 API Key 交給 AI Agent？
安全性是企業導入 AI Agent 最大的顧慮。Managed Agents 的安全設計是產品核心，不是事後加的：
Credential 永遠不碰生成的程式碼
這是最關鍵的設計決策：
- Git 憑證：在沙箱初始化時注入，Agent 產生的程式碼看不到
- OAuth Token：存在安全保管庫（vault），透過 proxy 存取——Agent 只能「使用」token，不能「讀取」token
- Session 級別綁定：每個 token 只在對應的 session 中有效
其他安全機制
| 機制 | 說明 |
|---|---|
| 沙箱隔離 | 每個 session 在獨立容器中執行，互不影響 |
| Scoped 權限 | 每個 Agent 的權限範圍明確定義，最小權限原則 |
| 執行追蹤 | 所有工具呼叫和操作記錄可供稽核 |
| Checkpoint | 中斷後可從斷點復原，不遺失進度也不重複執行 |
| 網路管控 | Environment 層級控制 Agent 能存取哪些外部服務 |
💼 誰在用？五大早期導入企業與應用場景
| 企業 | 產業 | 應用場景 | 為什麼用 Managed Agents |
|---|---|---|---|
| Notion | 生產力軟體 | 內容自動化、知識庫管理 | Agent 需要長時間處理大量文件 |
| Rakuten | 電商 | 商務流程自動化 | 跨系統整合需要持久 session |
| Asana | 專案管理 | 工作流自動化 | Agent 需要追蹤複雜的任務依賴 |
| Sentry | 開發工具 | 程式碼自動修復、錯誤分析 | 需要沙箱環境安全執行程式碼 |
| Vibecode | 開發平台 | AI 輔助開發 | 需要 MCP 整合多種開發工具 |
實測效能
Anthropic 公布的數據顯示：
- 在結構化檔案生成任務上，Managed Agents 的成功率比標準 prompting 方式提升多達 10 個百分點
- 從概念到生產部署的時間壓縮 10 倍
💰 定價完整拆解：一個 Agent 跑一小時花多少錢？
計費項目
| 項目 | 費用 | 說明 |
|---|---|---|
| 模型 token | 依標準 API 定價 | Claude Opus 4.6：$15/M input, $75/M output |
| Agent 執行時間 | $0.08 / session 小時 | 以毫秒為單位計費，閒置不收費 |
| 網頁搜尋 | $10 / 1,000 次搜尋 | Agent 使用 web search 工具時觸發 |
實際成本試算
假設一個 Agent 執行以下任務：「分析一份 50 頁報告，擷取關鍵數據，生成摘要，產出 3 份格式不同的輸出檔案」
| 項目 | 預估用量 | 費用 |
|---|---|---|
| 執行時間 | ~15 分鐘（0.25 小時） | $0.02 |
| Input token | ~100K tokens | $1.50（Opus 4.6） |
| Output token | ~20K tokens | $1.50（Opus 4.6） |
| 網頁搜尋 | 0 次 | $0 |
| 合計 | ~$3.02 |
💡 成本觀點 毫秒計費是關鍵差異。Agent 等待工具回應的閒置時間不收錢。相比之下，如果你自己在 AWS 上跑 agent 容器，EC2 是按小時計費的——閒置一樣燒錢。
⚡ Messages API vs. Managed Agents：技術選型指南
| 考量 | Messages API | Managed Agents |
|---|---|---|
| 控制粒度 | 完全掌控每一步 | 交給 harness 自動處理 |
| 適合場景 | 自建 agent loop、即時互動 | 長時間任務、批次處理、非同步工作 |
| 基礎架構 | 自己處理 | Anthropic 全包 |
| Session 管理 | 自己實作 | 內建持久化 + checkpoint |
| 工具執行 | 自己串接 | 內建 Bash、檔案操作、網頁搜尋、MCP |
| Context 管理 | 自己處理 compaction | 內建 prompt caching + compaction |
| 開發時間 | 數週到數月 | 數天到數週 |
| 適合團隊 | 有 AI infra 經驗的工程團隊 | 想快速驗證 agent 應用的團隊 |
選擇建議：
- 你的 Agent 需要跑超過幾分鐘 → Managed Agents
- 你需要沙箱環境安全執行程式碼 → Managed Agents
- 你的團隊沒有 DevOps 資源蓋 agent 基礎架構 → Managed Agents
- 你需要每一步都精準控制、或做即時聊天 → Messages API
- 你已經有自己的 agent framework（LangChain、CrewAI） → Messages API
🔮 研究預覽功能：Multi-Agent 協調、Outcomes、Memory
以下功能目前為 research preview，需要另外申請存取：
Multi-Agent 協調
一個「主 Agent」可以啟動多個「子 Agent」，各自負責不同子任務。例如：
- 主 Agent：接收「產出市場分析報告」的指令
- 子 Agent A：蒐集產業數據
- 子 Agent B：分析競爭對手
- 子 Agent C：生成圖表和視覺化
- 主 Agent：整合所有結果，產出最終報告
這和 MCP（Model Context Protocol） 的「工具標準化」思路一脈相承——先標準化單一 Agent 的工具介面，再標準化 Agent 之間的協作介面。
Outcomes（預期結果定義）
讓 Agent 有更明確的成功標準——不只是「做完」，而是「做對」。
Memory（跨 Session 記憶）
Agent 可以記住之前 session 的上下文。想像一個 code review Agent，它記得這個 repo 的 coding style、過去 review 過的模式——每次 review 品質會越來越好。
🌍 2026 Agent 平台戰：Anthropic vs. OpenAI vs. Google
Claude Managed Agents 不是在真空中推出的。2026 年是「Agent 平台」元年，三巨頭同時佈局：
| Claude Managed Agents | OpenAI Codex / Agents SDK | Google ADK + Vertex AI Agent Engine | |
|---|---|---|---|
| 推出時間 | 2026 年 4 月（公測） | 2026 年 4 月（Codex 公測） | 2026 年 3 月（ADK GA） |
| 核心定位 | 全託管 Agent 執行平台 | 程式碼任務 + 輕量 Agent 框架 | 企業級多語言 Agent 平台 |
| 基礎架構 | Anthropic 雲端全託管 | OpenAI 託管（Codex）/ 自建（SDK） | Google Cloud 全託管 |
| 獨特優勢 | 三層解耦架構、Credential 隔離 | 語音支援、模型可切換 | 多語言 SDK（Python/TS/Java/Go）、A2A Agent Cards |
| MCP 支援 | ✅ 原生支援 | ✅ 支援 | ✅ 支援 |
| 最適合 | 需要安全沙箱的長時間 Agent 任務 | 程式碼生成、開發者生產力 | 已在 Google Cloud 的企業 |
| 計費方式 | token + $0.08/hr runtime | token + runtime（Codex） | token + Vertex AI 資源費 |
各平台的戰略意圖
- Anthropic：用安全性和架構設計差異化，吸引對安全要求高的企業（金融、醫療、法律）
- OpenAI：用 Codex 延伸 ChatGPT 的開發者生態系，用 Agents SDK 的輕量級吸引想自建的團隊
- Google：用 GCP 生態系鎖定（Vertex AI + BigQuery + Cloud Run），多語言 SDK 降低遷移成本
🧭 產業觀察 這場 Agent 平台戰的本質是**「誰來當 AI Agent 時代的 AWS」**。正如 2000 年代 AWS 定義了雲端運算的基礎架構，2026 年的 Agent 平台商正在定義 AI Agent 的基礎架構。Gartner 預測 2026 底 40% 企業整合 AI Agent——平台供應商要搶的就是這 40% 的入口。
📊 這會對產業造成什麼影響？
對開發者的影響
| 變化 | 以前 | 以後 |
|---|---|---|
| 部署 Agent | 需要 DevOps 團隊蓋容器、管安全 | 定義 YAML + 按下啟動 |
| Agent 迴圈 | 自己寫幾百行 orchestration 程式碼 | 平台內建 |
| 長時間任務 | 自己處理斷線重連、state 管理 | Session 自動持久化 |
白話說： 以前「會做 AI Agent」需要同時懂 ML、後端、DevOps 三種技能。現在只要懂怎麼寫好的 prompt 和選對工具，就能部署生產級 Agent。
對企業的影響
- 自動化範圍擴大：以前只有技術團隊能用 AI Agent，現在 HR、財務、法務都可以透過自然語言定義自己的 Agent
- 安全合規更容易：Credential 隔離、執行追蹤、scoped 權限——這些原本要自己蓋的安全機制現在是內建的
- 供應商鎖定風險：選了 Anthropic 就綁定了它的 Agent 平台。MCP 的開放標準能緩解部分風險，但 Session 管理和 Environment 配置仍是專有的
對就業市場的影響
- 新崛起：「Agent 架構師」——設計 Agent 的行為、工具組合和安全策略
- 需求降低：純 DevOps / 基礎架構工程師（Agent 平台吃掉了一部分工作）
- 需求不變：理解業務邏輯的人——AI Agent 能自動執行，但「要它做什麼」仍需人類判斷
對 AI 產業的影響
Agent 平台的出現代表 AI 產業正式進入「基礎建設層」競爭。這和過去幾年的「模型效能競賽」（誰的 benchmark 高）是不同層級的戰爭：
- 模型層：Claude vs. GPT vs. Gemini（比誰聰明）
- 平台層：Managed Agents vs. Codex vs. Vertex AI Agent Engine（比誰好用、誰更安全、誰的生態系更完整）
平台層的贏家不一定是模型層的贏家。 AWS 不是做晶片最好的公司，但它定義了雲端時代的規則。
❓ FAQ
Claude Managed Agents 和 Claude Code 有什麼不同？
Claude Code 是面向開發者的 CLI / IDE 工具，在本機或 IDE 中互動式運行，適合即時的程式碼編寫與除錯。
Managed Agents 是雲端託管的 Agent 執行平台，適合長時間運行的非同步任務和企業級自動化部署。
兩者可以互補：用 Claude Code 互動開發 → 驗證可行後 → 用 Managed Agents 部署成自動化工作流。Anthropic 也明確要求合作夥伴不得將 Managed Agents 品牌化為「Claude Code」。
需要寫程式才能用 Claude Managed Agents 嗎？
目前主要透過 API 和 Claude Console 操作，需要基本的技術能力。但 Agent 可以用自然語言定義（不一定要寫 YAML），這大幅降低了入門門檻。
未來 Console 的 UI 預計會更完善，讓非技術人員也能建立簡單的 Agent。
Managed Agents 的資料安全性如何？企業能信任嗎？
三層安全保障：
- 沙箱隔離：每個 session 在獨立容器中執行
- Credential 隔離：API key、OAuth token 透過 vault + proxy 機制保護，Agent 產生的程式碼永遠碰不到原始 token
- 權限管控：scoped permissions + 執行追蹤，所有操作可稽核
對於受監管產業（金融、醫療），執行追蹤功能特別重要——可以完整回溯 Agent 做了什麼、為什麼這樣做。
Multi-Agent 協調功能什麼時候正式推出？
目前為 research preview 階段，需要另外申請存取。Anthropic 尚未公布正式推出日期。根據 beta header 的命名（managed-agents-2026-04-01），預計在 2026 年下半年進入穩定版本。
Claude Managed Agents 和 OpenAI Codex 怎麼選？
- Codex 偏重程式碼任務（自動修 bug、實作功能），更像是一個「雲端的 AI 工程師」
- Managed Agents 是通用 Agent 平台，不限於程式碼——HR 流程、資料分析、文件處理都適用
- 如果你的主要需求是程式碼自動化 → Codex
- 如果你需要一個通用的 Agent 基礎架構 → Managed Agents
- 如果你已經在 Google Cloud → 考慮 Vertex AI Agent Engine
Managed Agents 支援哪些內建工具？
目前支援的內建工具：
- Bash：在容器中執行 shell 命令
- 檔案操作：讀取、寫入、編輯、glob 搜尋、grep 搜尋
- Web search / fetch：搜尋網頁和擷取網頁內容
- MCP 伺服器：連接外部工具提供者（資料庫、API、第三方服務等）
透過 MCP 的開放標準，理論上可以對接任何外部工具和服務。
Managed Agents 有速率限制嗎？
有，以組織為單位限制：
- 建立操作（建 Agent、建 Session 等）：每分鐘 60 次
- 讀取操作（查詢、列表、串流等）：每分鐘 600 次
此外，組織級別的 spend limit 和 tier-based rate limit 也適用。
現在就能用嗎？怎麼開始？
是的，目前已進入公開測試版。你需要：
- 一組 Claude API key
- 在所有請求中加上 beta header：
managed-agents-2026-04-01（SDK 會自動設定） - 所有 API 帳戶預設已啟用 Managed Agents 存取
進階功能（Outcomes、Multi-Agent、Memory）需要另外申請。
延伸閱讀：