1. 引言：从零散实验到受控代理团队

今年早些时候，美国法律文件递送公司 ABC Legal 的首席技术官布兰登·富勒（Brandon Fuller）向公司 1100 名员工推广了 Claude Enterprise 系统，效果立竿见影。公司各个团队（包括送达程序、电子归档、出庭律师运营，以及市场营销、合规、财务等部门）都开始自发地构建自动化流程，而无需富勒的指示。

“我们的用户真的蜂拥而至，”富勒回忆道。“他们看到了连接器和工具的易用性，突然间，我们公司各部门的人都开始自动化那些一直以来耗费他们大量时间的任务。”

这正是任何首席技术官都梦寐以求的应用场景。但富勒看到了更进一步的机会：如果 ABC Legal 也能运行一支版本可控、可观察且始终在线的人工智能代理集群，那会怎样呢？

这一雄心壮志最终归结于基础设施。早期的代理程序运行在构建者随意放置的地方，作为个人桌面上的定时任务。将它们从个人电脑上移开后，它们就可以无人值守地运行，并且让富勒能够一目了然地了解已构建的内容、成本以及昨晚是否运行过。

因此，他部署了 Claude Managed Agents：一个通用的部署结构、共享的工作空间、单一的审计和计费界面，以及始终在云端而不是在个人笔记本电脑上的代理。

截至 2026 年 7 月，富勒和他在 ABC Legal 的团队追踪了以下数据：

关键指标	数据
投入生产使用的托管代理	50 多个
深度优化前部分代理的人工任务成本降幅	最高约 50%
日常使用 Claude 的员工	约 310 名（遍布各个部门）

以下是他们如何到达那里以及在此过程中学到的东西。

2. 从热情到工程：将每个代理都视为软件

在最初部署 Claude Managed Agents 时，Fuller 要求团队将每个代理都定义为代码。他认为这是代理最自然的形式。正如他解释的那样：

“代理实际上就是结构化的文本，包含提示信息和配置信息，而任何文本内容都可以存放在代码库中，供整个公司查看、审查和改进。”

代理的提示信息、工具列表、日程安排、凭据和内存都存储在与公司软件一起保存在 Git 代码库中的配置文件中。代理的任何更改都只能通过有人批准的拉取请求来实现，这使得每个代理都有版本历史记录、代码审查、回滚功能和审计跟踪。

他花了一周时间构建了一个包含两个模板的入门套件，分别存储在专用的 Git 仓库中：

• 事件驱动型代理：在特定事件发生时立即启动，例如收到新任务或法院送回的文件。
• 定时运行代理：按定时器运行，例如每小时、每天或每周。

每个代理都位于一个具有标准结构的独立文件夹中，包含 JSON 配置文件、Markdown 格式的系统提示符、部署脚本和操作文档。将更改合并到主分支即可自动部署代理。构建者无需编写任何软件。他们只需克隆仓库，复制一个入门模板，告诉 Claude Code 代理应该执行什么操作，即可获得代理所需的一切：配置文件、提示符、凭据存储和内存。

一个典型的代理目录结构如下：

my-agent/
├── agent.json          # 代理配置（模型、工具、调度）
├── SYSTEM_PROMPT.md    # 系统提示词
├── deploy.sh           # 部署脚本
└── README.md           # 操作文档

3. 弥合技术鸿沟

富勒召集了公司由 15 人组成的指导委员会，成员来自财务、市场营销、运营和开发部门（其中没有软件开发人员），让他们克隆存储库并使用 Claude Code 构建托管代理。

目标是证明非开发人员也能自行构建生产代理。如果每个代理都必须经过开发团队，那么这种瓶颈将限制整个公司的发展速度。之所以安全，是因为他们无需编写软件。他们只需填写配置信息和提示，而运行时环境则由托管代理提供。

“我不得不向他们解释什么是 PR。很多（非软件工程师）以为 PR 的意思就是像跑路一样，尽可能快地提交代码，”他说。“现在他们都在提交 pull request，并且互相发送了。”

一周之内，所有 15 名员工都找到了自己的代理人。这些代理人回到各自的团队后，又培训了其他员工。一个月内，ABC Legal 旗下就有了 50 多名代理人。每位代理人都有自己的姓名、所属公司和具体工作。

4. 法律文件流程大部分阶段的代理人

ABC Legal 现在在法律文件提交流程及其相关操作的大部分阶段都有代理人。

代理名称	所属部门	核心职责
AI 代码审查器	工程	审查四个代码库中的每个拉取请求，运行多模型分析发现安全漏洞、性能退化和已提交的凭据
EvidenceChain™ 送达代理	客户管理	提取数据库报告匹配任务，使用内置浏览器检索 PDF，每天发送到客户 FTP 服务器
电子归档驳回诊断器	电子归档	法院驳回时自动启动，读取申请详情、核对法院规则，约一分钟内发布诊断到 Slack
申请核实代理	电子归档	将每个收到的申请与法院记录比对，确认听证会或案件是否按规定提交
律师保险代理人	出庭律师运营	联系律师网络、安排听证会、检查空档期、发送邮件并阅读回复
应收账款汇款代理	财务	解析汇款邮件，生成 NetSuite 付款申请文件，发布到 Slack 进行一键审批
Google Ads 分析师	市场	每周向渠道负责人提交建议
Charvis 审核代理	运营	检查已完成的服务工作，与合规团队审核结果一致性约 98%
服务逾期催促员	运营	处理积压的第一层重复工作，起草分层的每日外联信息供人工审批

其中，EvidenceChain™ 送达代理接管了客户经理过去每周手动完成的一项繁琐工作。ABC Legal 运营着一个专有网站 EvidenceChain.com，法院、原告和被告可以通过该网站查询已完成的现场送达记录，包括送达员的身份、送达时间以及文件送达的照片。一位客户希望持续从该网站提取特定记录。现在，该代理会提取数据库报告以匹配任务，使用托管代理内置的浏览器检索每个 PDF 文件，并每天将其发送到客户的 FTP 服务器。负责设置该代理的客户经理之前从未接触过任何自动化流程，他仅用了一个小时就通过向 Claude Code 描述操作步骤完成了设置。

5. 让代理更智能：收集数据、调整参数、重复操作

ABC Legal 的代理人在人工监督下工作，并将他们的工作内容或建议发布到 Slack 上，人们可以在 Slack 上回复并使用表情符号进行互动。

内部代码审查员 Hank 会将每次审查结果发布到共享的 Slack 频道中。每条记录都会包含拉取请求的名称以及由此产生的计数，这样审查员的决策过程就公开透明，可供搜索。

富勒认为所有这些反应数据都是浪费的训练信号。不过，并非所有智能体都需要这种信号。大多数智能体都是单任务运行者，它们的输出无人评分，而且它们独立运行。对于那些需要收集评分反馈的智能体，ABC Legal 采用了一种三角色架构：独立的智能体共享同一个工作区、环境和凭证库，但运行时间表各不相同。这种模式将 Slack 中的消息转化为经过人工审核的、版本化的智能体变更：

1. 初始代理：执行工作，通常是在收到作业或文档时实时执行，并记录每个操作的审计跟踪。
2. 数据采集器：按小时或按天运行，从 Slack 收集用户反馈，这些反馈以帖子回复和表情符号反应的形式出现。每条反馈都会成为一个带标签的数据点。
3. 调优器：每周运行一次，它会同时检查所有内容，并建议修改提示信息或配置，而不是模型的权重。它只负责生成草稿。最终的合并请求将由人工审核并合并。

在 ABC Legal 的自我改进代理循环中，初始代理实时执行任务，数据收集器每小时从 Slack 收集用户反馈，每周的调整器则以 pull request 的形式提出提示和配置更改。代理的改进流程与开发人员目前使用的流程相同。

一个例子是 Fuller 开发的“交付即代码”（deliveries-as-code）系统，它是一种用于调整工作路由方式的代理系统，最初由 ABC Legal 的姊妹公司 Docketly 开发，该公司拥有 50 名员工。Docketly 的工作围绕交付展开，每个交付都有自己的路由和处理规则集。所有大约 145 个规则集都是 Git 中的单个 YAML 文件，而不是管理界面中的记录，因此调整某个交付只需编辑一个文件并提交一个拉取请求即可。

整个流程由四个代理组成：一个代理每周在 Slack 上发布最终结果；一个代理（Harvester）根据人工反馈将表情符号转化为标签；一个代理（Tuner）对 YAML 文件发起拉取请求；第四个代理将合并后的配置推送到生产数据库。这第四个代理只执行已经过人工审核和批准的内容。实际上，一个标记投递路线错误的表情符号反应，可能在一周内就被合并到该投递路线规则中。审核是整个流程中唯一的人工步骤。

一个简化的 YAML 路由规则示例：

delivery_route:
  id: route_145
  region: "California"
  priority: high
  rules:
    - if: "recipient_unavailable"
      action: "reschedule_next_business_day"
    - if: "address_invalid"
      action: "flag_for_manual_review"

6. 为什么选择 Claude Managed Agents

Fuller 在最终选择 Claude Managed Agents 作为其组织的代理框架之前，评估了多个框架。他的标准很明确：平台必须具备版本控制、可观察会话、工作区计费、模型选择、内存原语、MCP 连接，以及最关键的一点：无需维护任何基础设施。

该平台的职责划分与 Fuller 的运营理念完美契合。Anthropic 管理的底层架构负责代理运行所需的一切：执行循环、会话、内存、控制台以及模型本身。ABC Legal 则负责提示信息、工具列表、触发逻辑、审计跟踪以及结果反馈循环。

事实证明，某些能力在大规模应用时尤为重要：

能力	说明
版本控制	每次推送都会创建一个新的代理版本，并采用乐观锁机制。回滚非常简单。
模型灵活性	大多数智能体默认使用 Claude Sonnet 模型，高容量、快任务使用 Claude Haiku 模型，而当更深入的推理值得付出相应成本时，则使用 Claude Opus 模型。切换模型只需一行代码即可完成。
MCP 布线和凭证库	代理人连接到 ABC Legal 自己的平台（提供 100 多种工具）、用于报告的 Metabase、用于人机交互的 Slack 以及用于项目管理的 Atlassian。
定期部署	循环代理通过 Bitbucket Pipelines 按 cron 计划运行，Bitbucket Pipelines 已经处理存储库访问、密钥和计费。

ABC Legal 追踪每一笔人工智能支出，并按供应商、工具、团队和用例进行细分。随着春季系统上线，支出攀升，随后在 7 月份开始下降，而使用量却持续增长。这得益于下文所述的效率提升工作，许多代理人负责的任务成本降低了约 50%，目前各个部门约有 310 名员工在使用 Claude 系统。

该公司在成本控制方面采取了审慎的策略：将支出集中投入到可衡量回报的垂直运营工具和代理上，同时保持横向聊天和创意讨论的广泛应用并控制成本。大多数代理的运作都始于人工参与，代理会查看任务或工单，并提出建议供相关人员审核，然后再采取任何行动。建议可以存储在任务中，并以横幅的形式显示，以便相关人员在工作流程中接受或拒绝；也可以发布到 Slack 频道，供其他人在讨论串中回复。这些回复会构建一个标记好的和不好的决策数据集，该数据集会输入到数据采集器和调优器循环中，使团队能够编写评估程序并对不同模型的代理进行基准测试。一旦代理证明其在特定任务上与人工一样好或更好，它就会切换到自动化模式并自主运行，之后仍会遵循相同的评估框架，以监测其性能的任何变化。

ABC Legal 追踪的指标是效率比率，即代理程序提供的价值与其运行成本之间的比率。每个托管代理程序每次运行后都会向数据仓库报告其价值，单位包括小时数和费用。代理程序的运行情况通常呈 J 形曲线，初期由于模型规模较大且运行时间较短，效率往往低于成本；但随着团队编写评估报告、迁移到更便宜、更快速的模型以及减少令牌数量，效率会逐渐转正。

7. 部署代理群的最佳实践

Fuller 在部署人工智能（特别是 Claude Managed Agents）方面的经验，使他总结出了一些关于使用这项技术的工作原则：

• 把一切都看作代码。“代码就是结构化的文本。LLM（生命周期管理）就是文本引擎，”他说道。“你能把业务中越多的内容转换成代码并存储在代码库中，代理就能为你提供越多的助力。”这不仅适用于传统软件，也同样适用于提示、模式、调度规则、通知模板和业务配置。
• 首先要让人类参与决策过程。每个智能体最初都会发布建议供人类审核。只有在持续与人类决策保持一致后，它才能获得独立行动的权利。“每个智能体在独立行动之前都要先赢得信任。它并非一开始就如此。”
• 将 PR 作为你的控制界面。“如果你想让代理人参与决策，那就让决策看起来像一个拉取请求。”逐行注释、审批流程和不可篡改的审计跟踪都是版本控制的标配，并且可以自然地与 AI 和人工审核相结合。
• 投资于反馈循环。“收割者-调优者”模式意味着智能体无需重新训练即可改进。Slack 回复和表情符号反应会变成结构化信号，反馈到提示和配置更改中，所有这些都通过人们已经使用的相同拉取请求工作流程完成。
• 跳过定时任务这一步。ABC Legal 在迁移到托管代理之前，花费了大量时间构建定时任务和本地例程，这主要是因为该产品当时还处于测试阶段。富勒现在的建议是直接使用托管代理。
• 预计会遇到 Git 方面的难题，而不是 AI 本身的难题。真正的难点在于如何让业务用户熟悉 Git 的克隆、操作以及拉取请求，这比 AI 本身更难。虽然 AI 的确有效且速度很快，但这确实是一个不小的挑战，Fuller 希望工具本身能够简化这一过程。
• 并非所有任务都值得使用智能体。成本是实实在在的，因此每个团队都必须权衡价值与成本。关键在于挑选出那些真正能够节省时间或实现自动化的可行问题，并且要勇于承认某些任务不值得使用智能体。

8. 接下来会发生什么？

ABC Legal 的代理团队持续壮大。正在进行的项目包括服务照片审核员、PagerDuty 分诊代理、每日 KPI 摘要以及现有代理的扩展 Tuner 循环。

该团队还在寻找更多“X即代码”的候选对象：通知模板、事件路由规则和调度逻辑，这些都可以移到存储库中，供代理读取、推理和提出改进建议。

正如富勒所说：“我们希望人工智能能够支持企业自主运营，让员工可以自由地掌控企业的发展方向。”