Claude Managed Agents：它們是什麼、能做什麼，以及 Eigent 如何提供本地替代方案

2026 年 4 月 1 日，Anthropic 悄悄推出了 Claude 平台自模型本身以來最重要的新增功能之一：Claude Managed Agents。這不是一個新模型——而是一種運行 Claude 的新方式。你不再只是透過 Messages API 發送提示並取得回應，而是可以將 Claude 部署為一個完全自主的 agent，運行在受管理的雲端基礎架構中，具備持久化 session、內建工具，以及多 agent 協調能力。

對於正在打造 AI 驅動產品的開發者來說，這是一個很有意義的轉變。對於評估如何將自主 agents 整合進工作流程的團隊來說，這也引出了關於控制權、成本與供應商鎖定的重要問題。

在這篇文章中，我們會拆解 Claude Managed Agents 到底是什麼、支援哪些功能、適合哪些人，以及——在最後——Eigent 的 Add Worker 功能如何結合 CAMEL-AI 的開源框架，提供一個不依賴雲端的本地優先替代方案，並具備相近的能力。

什麼是 Claude Managed Agents？

Claude Managed Agents 是一個完全代管的 runtime，用來建立與部署由 Claude 驅動的自主 AI agents。你不必自己打造 agent loop、工具執行層、sandbox 和協調邏輯，Anthropic 會以服務的形式提供這整套基礎架構。

可以這樣理解：Messages API 給你的是一個可以對話的模型；Claude Managed Agents 則給你一個可以「行動」的模型——它可以讀取檔案、執行 shell 指令、搜尋網頁，並在 Anthropic 為你建立與管理的安全雲端 container 中執行程式碼。

目前這項服務處於 beta 階段，所有 API 請求都需要加入 managed-agents-2026-04-01 header。它預設對所有 Anthropic API 帳號開放，但某些進階功能（outcomes、multiagent、memory）仍屬於研究預覽版，且需要受控存取。

核心概念：它如何運作

Claude Managed Agents 由四個基礎原語組成，你可以透過它們建立自主工作流程。

Agents

agent 是一個可重複使用的設定，用來定義模型（例如 claude-sonnet-4-6）、system prompt、可用工具、任何 MCP server 連線，以及 skills。你只需要建立一次 agent，之後就可以在多個 session 中透過 ID 參照它。agents 具有版本控管，因此你可以迭代設定，而不會破壞既有 sessions。

Environments

environment 是一種雲端 container 範本。你可以為它設定預先安裝的套件（Python、Node.js、Go 等）、網路存取規則，以及掛載檔案。當 session 啟動時，Anthropic 會根據你的 environment 範本建立一個全新的 container。這就是你的 agent 真正運行的地方——它的 sandbox。

Sessions

session 是 agent 在某個 environment 中執行中的實例。這是 Claude 實際採取行動、產生檔案、執行命令並輸出結果的執行上下文。sessions 具備狀態：檔案系統會在互動之間持續保留，完整對話歷史也會儲存在伺服器端。

Events

events 是你的應用程式與執行中的 agent 之間的通訊層。你可以將使用者訊息作為 events 傳送。Claude 會透過 server-sent events（SSE）串流回傳回應、工具呼叫與狀態更新。你也可以在執行途中透過傳送額外的 events 來引導或中斷 agent——在不終止 session 的情況下重新導向它的工作。

它支援哪些工具？

Claude Managed Agents 內建一套完整的工具組，涵蓋最常見的 agent 動作。

預設工具組（agent_toolset_20260401）包含 Bash，用於在 container 中執行 shell 指令；Read，用於讀取本機檔案系統中的檔案；Write，用於寫入檔案；Edit，用於在檔案中進行字串取代；Glob，用於檔案樣式比對；Grep，用於基於 regex 的文字搜尋；Web Fetch，用於從 URL 取得內容；以及 Web Search，用於搜尋網頁。

所有工具預設都已啟用，但你可以精細控制。你可以停用特定工具（例如，對只做程式開發的 agent 關閉 web_fetch），或將預設值改為關閉，並只啟用你需要的工具。這是透過 agent 定義中的 configs 陣列完成的。

除了內建工具之外，Claude Managed Agents 也支援自訂工具——其模式與 Messages API 中的使用者定義工具相同。你定義工具合約（名稱、描述、輸入 schema），當 Claude 想要呼叫你的工具時，就會輸出結構化請求。你的應用程式負責執行該操作並回傳結果。模型不會直接執行自訂工具；你仍然完全掌控實際執行的內容。

MCP（Model Context Protocol）servers 也受到支援，讓 agents 可以透過標準化的 MCP 介面存取外部工具提供者與資料來源。

多 agent 協調

也許最強大的能力——目前仍在研究預覽中——就是多 agent sessions。這讓一個協調 agent 可以將工作委派給其他專門 agent，每個 agent 都在同一個 container 與檔案系統內的獨立 thread 中執行。

實際運作方式如下：你建立多個 agents——例如一個「Engineering Lead」協調者、一個「Code Reviewer」agent，以及一個「Test Writer」agent。定義協調者時，你將其他 agents 列為 callable_agents。當你啟動協調者的 session 並交給它一項任務時，它就能自主為 reviewer 與 test writer 建立 threads，將特定子任務分派給各自處理。

每個 agent 都會使用自己的模型、system prompt 與工具。threads 是可持續的——協調者可以向之前呼叫過的 agent 發送後續指令，而該 agent 會保留完整上下文。session 層級的 event stream 會讓你看到所有活動的濃縮視圖，而個別 thread streams 則可讓你深入檢視特定 agent 的推理過程與工具呼叫。

有一個值得注意的限制：只支援一層委派。協調者可以呼叫其他 agents，但那些 agents 不能再進一步委派。這讓協調圖保持平坦且可預測。

Claude Managed Agents 適合誰？

Claude Managed Agents 是為特定類型的 builder 與工作負載所設計。

它適合將自主 Claude agents 整合到產品與服務中的開發者。如果你正在打造一個需要 Claude「採取行動」而不只是回應的產品，並且希望由 Anthropic 處理基礎架構（containers、工具執行、sandboxing），這就是適合的服務。

它特別擅長長時間執行的非同步任務。session 可以持續數分鐘或數小時，並進行多次工具呼叫，因此適合用於複雜工作流程，例如程式碼生成、研究流程、資料處理與自動化分析。

對於希望將基礎架構負擔降到最低的團隊來說，它也很理想。你不需要自己建立 agent loop、配置 sandboxes，或處理工具執行，這些都能開箱即用。代價是供應商依賴——你的 agents 運行在 Anthropic 的雲端，你的資料會經由他們的基礎架構，而你也只能使用 Claude 模型。

它也適合已經在 Claude 生態系中開發的團隊。如果你已經在使用 Anthropic API，並且想在不額外管理基礎架構的情況下延伸到 agentic workflows，Managed Agents 就是自然的下一步。

它的費用如何計算

Claude Managed Agents 採用與 Messages API 相同的 token 計價方式，外加受管理 containers 的基礎架構費用。一般的組織層級支出上限與依方案等級而定的 rate limits 也同樣適用。create endpoints 限制為每個組織每分鐘 60 個請求，而 read endpoints 則為每個組織每分鐘 600 個請求。

取捨：你需要考量什麼

Claude Managed Agents 是一項設計精良的服務，但它也帶有某些本質上的取捨，對特定團隊與使用情境來說相當重要。

雲端依賴。 你的 agents 運行在 Anthropic 的基礎架構上。每個 prompt、檔案與工具執行都會經過他們的雲端。對於有嚴格資料治理、合規要求，或處理專有資料的團隊來說，這可能是無法接受的。

模型鎖定。 Managed Agents 只支援 Claude 模型。你無法混用 GPT 做程式碼生成、Gemini 做多模態任務，或透過 Ollama 使用本地模型。如果你的工作流程重視模型多樣性，這會形成限制。

規模化成本。 token 成本加上 container 基礎架構成本，對於長時間、多 agent sessions 來說，很快就會累積。這種成本模型更適合低量、高價值的任務，而不是高吞吐量自動化。

beta 限制。 多 agent 協調、outcomes 與 memory 都還在研究預覽階段，且需要受控存取。核心產品本身已相當成熟，但最強大的功能尚未全面開放。

沒有本地方案。 這沒有自架或內部部署的選項。Managed 就是 managed——你不能把它部署在自己的伺服器上。

Eigent 的 Add Worker：建立在 CAMEL-AI 之上的本地優先替代方案

對於想要類似能力——建立、設定並協調自主 AI agents——但又不想承擔雲端依賴或供應商鎖定的團隊來說，Eigent 提供了一種根本不同的做法。

Eigent 是一個開源（Apache 2.0）的多 agent AI cowork 平台，建立在 CAMEL-AI 之上；CAMEL-AI 是業界標準的開源多 agent framework。Claude Managed Agents 是以雲端服務提供 agent 基礎架構，而 Eigent 則是透過可在你本機上完整執行的桌面應用程式來提供相同類型的能力。

Add Worker 功能

Eigent 的 Add Worker 功能，相當於在 Claude Managed Agents 中建立一個 agent 的本地版本。運作方式如下：

你進入 Eigent 的 Workforce 畫面，點擊「Add Worker」。接著為你的 worker 命名、提供描述，並指定一個 Agent Tool——通常是一個定義 worker 能力的 MCP server。儲存之後，你就擁有了一個可使用該工具組執行任務的專門 AI agent。

例如，你可以建立一個由 GitHub MCP server 支援的「GitHub Worker」、一個連接到 PostgreSQL instance 的「Database Worker」，或是一個具備網頁瀏覽能力的「Research Worker」。每個 worker 都是一個專門的 agent persona，可以單獨呼叫，也可以作為協調式多 agent 工作流程的一部分進行編排。

與 Claude Managed Agents 的關鍵差異在於：一切都在本地執行。你的檔案從未離開你的機器。你的 prompts 不會送到第三方協調服務。agent 執行、工具呼叫與檔案操作，全都在你的桌面上完成。

CAMEL-AI：多 agent 引擎

Anthropic 建立的是專有的協調 runtime，而 Eigent 則利用 CAMEL-AI——一個為可靠性與可擴充性而設計的開源多 agent framework。CAMEL-AI 負責多 agent 協作中的難題：任務拆解、子任務路由、相依性管理與平行執行。

當你交給 Eigent 一項複雜任務時，CAMEL-AI 引擎會將它拆成多個子任務，並分派到你設定的 workers 上。Developer worker 負責寫程式碼，Browser worker 負責蒐集研究資料，Document worker 負責格式化輸出——全部平行執行，並自動協調。

從架構上來看，這與 Claude Managed Agents 的多 agent sessions 類似，但有三個關鍵差異：它在你的基礎架構上本地執行、它支援任何 LLM provider（Claude、GPT、Gemini、Ollama 等），而且協調框架本身是開源且完全可稽核的。

並排比較：Claude Managed Agents vs Eigent Add Worker

什麼情況下 Eigent 更適合

如果你的團隊需要資料主權——例如受監管產業、專有程式碼庫、敏感商業資料——使用 Eigent 在本地執行 agents 可以直接消除合規討論。

如果你希望保有模型彈性，Eigent 的模型無關架構意味著你可以為不同 workers 指派不同模型。用 Claude Opus 處理複雜推理任務、用 GPT 進行程式碼生成、用本地 Ollama 模型執行注重隱私的操作——全部都能在同一個多 agent 工作流程中完成。

如果你偏好掌握自己的基礎架構，Eigent 的開源技術棧（FastAPI、Electron、CAMEL-AI）代表你可以檢視、修改並擴充每一層。不用等供應商推出功能，也沒有 beta 存取門檻。

而且如果成本在規模化時很重要，Eigent 是免費的。你只需支付 workers 向模型供應商發出的 API 呼叫費用——如果你透過 Ollama 使用本地模型，則完全不需要付費。

結論

Claude Managed Agents 對於希望由 Anthropic 處理自主 agent 執行基礎架構的開發者來說，是一個很強大的產品。它把 sandboxing、工具執行、session 管理與多 agent 協調這些困難部分，簡化成一個開箱即用的乾淨 API。

但受管理的基礎架構也意味著受管理的取捨：雲端依賴、模型鎖定，以及資料經由第三方流動。對需要控制權、隱私與彈性的團隊來說，這些取捨非常重要。

由 CAMEL-AI 的開源多 agent framework 驅動的 Eigent Add Worker 功能，提供了相同的核心能力——建立、設定與協調自主 AI agents——但沒有那些限制。你可以在本機、自己的機器上，使用任何模型供應商，並且以完整原始碼透明度來建立與管理你的 agents。

兩種做法各有其定位。如果你想最快建立一個雲端託管的 Claude agent，Managed Agents 非常出色。如果你想掌握自己的 agent 基礎架構並讓資料保留在本地，Eigent 是值得評估的開源替代方案。