企业采用 “一切皆代码” 理念，将提示词、配置存入 Git 仓库，通过 PR 完成变更、评审与回滚，提供事件驱动、定时两类智能体模板。建立 “执行‑采集‑调优” 闭环，从 Slack 收集员工表情、留言反馈，转化为配置修改 PR 实现智能体迭代，无需模型重训练。
所有智能体遵循人机先行原则，先输出建议人工复核，验证稳定后再全自动运行。智能体覆盖立案、财务、市场、合规多业务场景。选型看重版本管理、可观测、免底层运维；落地最大障碍是业务人员 Git 操作门槛，并非 AI 技术。企业并非所有任务都做智能体，会权衡投入产出，后续将持续扩充智能体与代码化业务规则。
7 个关键问题问与答
Q1：ABC Legal 引入 Claude Managed Agents 主要解决什么问题？
A：解决早期 AI 智能体零散部署在员工个人电脑、无法统一管控、无版本记录、不能无人值守运行的痛点，把零散 AI 实验变成企业统一治理的云端智能体集群，同时让非开发人员也能构建生产可用自动化代理。
Q2：“一切皆代码” 在代理建设中具体如何落地？
A：智能体的提示词、工具列表、调度规则、凭证配置全部存放在 Git 仓库；智能体所有修改必须走 PR 评审，具备版本历史、回滚、审计链路，普通业务人员复用模板即可构建智能体，不用手写软件代码。
Q3：“执行‑采集‑调优” 闭环是如何实现代理自我优化？
A：执行智能体完成业务；采集智能体从 Slack 抓取员工回复、表情反馈形成标注数据；调优智能体每周生成提示词 / 配置修改 PR；经人工审核合并完成迭代，不需要对大模型重新训练。
Q4：智能体从人工参与切换全自动的标准是什么？
A：智能体输出结果持续和人工决策高度一致。上线初期仅输出建议供人员审核；只有性能经过验证达标，才切换为自动执行，后续仍持续监控性能变化。
Q5：Claude Managed Agents 选型时最重要的考量点有哪些？
A：需要支持版本管理、会话可观测、工作空间计费、MCP 连接、凭证保管；最重要是企业不用维护底层基础设施；同时支持 Sonnet/Haiku/Opus 多模型灵活切换。
Q6：项目落地最大障碍是 AI 技术本身吗？
A：不是。最大难点是业务人员学习 Git 仓库、克隆仓库、提交 PR 的操作门槛；AI 工具本身易用，难点在于业务人员适应版本控制的工作流程。
Q7：企业是否所有业务都适合开发 AI 智能体？
A：不是。AI 智能体存在真实运行成本，团队需要评估投入产出，只选择能切实节省工时的场景，主动放弃收益不足的任务，避免盲目建设代理。
附录 ABC Legal 如何借助 Claude Managed Agents，让每位员工都成为智能体构建者
ABC Legal 将企业 AI 应用从零散的试验项目，升级为一套可管控的专业化智能代理集群，背后的核心工具便是 Claude。
分类：企业级人工智能 产品：Claude Enterprise 发布日期：2026 年 8 月 17 日 阅读时长：5 分钟
今年早些时候，美国法律文书送达服务商 ABC Legal 的首席技术官布兰登・富勒（Brandon Fuller），面向公司 1100 名员工正式上线 Claude Enterprise。产品一经推出便收获热烈反响：流程送达、电子立案、出庭法律顾问业务部门，以及市场、合规、财务等多个职能团队，都自发开始搭建自动化工作流。
“用户的参与热情远超预期，” 富勒回忆道，“大家切身感受到连接器与工具组件的易用性，公司上下开始主动把那些日复一日消耗大量精力的重复工作实现自动化。”
这正是每一位 CTO 都期待看到的 AI 落地效果。但富勒看到了更进一步的可能性：ABC Legal 是否可以搭建一整套智能代理集群，实现版本管理、运行状态可观测，并且能够 7×24 小时持续运行？
想要实现这一目标，离不开配套基础设施的支撑。项目早期，智能代理都零散搭建在构建者的个人电脑上，以单机定时任务的形式运行。如果把代理从个人设备迁移出去，就能够实现无人值守运行；同时富勒也可以统一查看代理的建设情况、成本消耗，以及确认代理是否正常完成夜间任务。
为此，企业部署了Claude Managed Agents：统一的部署架构、共享工作空间、一体化审计与计费面板，让智能代理运行在云端，彻底摆脱对个人笔记本电脑的依赖。
截至 2026 年 7 月，富勒及其团队统计得出以下成果：
-
已有 50 余个基于 Managed Agents 搭建的智能代理正式投入生产环境 -
部分代理承接的人工任务，在尚未开展深度优化的前提下，人力成本最高可降低约 50% -
全公司各个部门合计约 310 名员工，将 Claude 应用于日常工作
下文将介绍该企业的落地路径，以及实践中沉淀的经验。
从热情试用走向工程化落地：将每一个智能代理视作软件项目
刚刚启用 Claude Managed Agents 时，富勒要求团队以代码化的方式定义每一个智能代理。在他看来，这是智能代理最自然的载体形式。他解释道：“智能代理本质上就是结构化文本，由提示词与配置项共同组成。既然是文本，就可以存入代码仓库，供全公司查阅、评审与迭代优化。”
智能体的提示词、工具列表、触发调度、权限凭证、记忆组件全部以配置文件的形式，和企业原有软件代码共同保存在 Git 仓库内。智能体的任何变更，都必须经过提交合并请求（Pull Request）并获得审批，由此所有智能体都具备完整版本记录、代码评审、回滚能力以及审计追踪链路。
富勒耗时一周搭建了一套包含两类模板的入门工具包，存放于独立 Git 仓库。一类是事件驱动型智能体，触发条件为特定事件发生，例如新任务下发、法院回传文书；另一类是定时调度智能体，按照小时、日、周等时间周期自动执行任务。
每个智能体都拥有独立文件夹，遵循标准化目录结构：JSON 配置文件、Markdown 格式的系统提示词、部署脚本以及运维文档。当变更合并到主分支，智能体就会自动完成部署。普通构建者无需编写软件代码，只需要克隆仓库，复制模板，向 Claude Code 描述智能体需要实现的功能，即可自动生成整套智能体所需资源：配置、提示词、凭证存储以及记忆模块。
弥合技术能力鸿沟
富勒组建了一支 15 人的指导委员会，成员来自财务、市场、业务运营与研发部门，其中大部分并非专业软件开发人员。他带领委员会成员克隆代码仓库，借助 Claude Code 搭建 Managed Agents 智能代理。
该举措的核心目的，是验证非技术人员也有能力搭建可投入生产的代理。如果所有代理开发都必须交由研发团队处理，研发瓶颈就会限制整个企业的 AI 推进速度。这套方案的安全底层逻辑在于：使用者并不需要编写程序代码，只需要填写配置与提示词，Managed Agents 平台直接提供运行时环境。
“我还得给大家解释什么是 Pull Request，不少非技术同事一开始误以为这指的是公关宣传（PR）。” 富勒说，“而现在，他们已经可以互相发送合并请求，开展协作评审。”
一周之内，15 名委员会成员全部搭建出可正常工作的智能体。这些种子用户回到各自团队开展内部培训。短短一个月，ABC Legal 就上线了 50 余个生产环境智能体。每一个智能体都具备专属名称、归属负责人，聚焦完成一项特定业务。
覆盖法律文书全流程的智能代理矩阵
如今，ABC Legal 的法律立案及配套业务的绝大多数环节，都配置了对应的智能代理。
AI 代码审查智能体：对 4 套代码库的每一条合并请求开展审查，通过多模型分析识别安全漏洞、性能退化问题以及代码中误提交的凭证信息。工程师在执行代码合并前，都会等待该代理完成审查。
EvidenceChain™交付智能体：接手账户经理原本每周手动处理的繁琐工作。ABC Legal 运营专有网站EvidenceChain.com，法院、原告、被告可在此查询文书送达记录，包含送达人员、尝试送达时间、交付凭证照片等信息。某客户需要持续从中提取特定业务记录，该代理便会自动筛选匹配任务的数据库报表，通过 Managed Agents 内置浏览器调取 PDF 文件，每日自动推送至客户 FTP 服务器。搭建这个代理的账户经理此前没有任何自动化开发经验，仅通过向 Claude Code 描述业务需求，耗时约一小时就完成搭建。
电子立案驳回诊断智能体：法院驳回立案申请时自动触发，读取任务详情，对照法院规则生成诊断结果，约一分钟内就将结论推送至 Slack，而这项工作过去需要员工耗费数小时处理。
任务核验智能体：对照法院系统校验每一条新增业务。代理通过浏览器访问法院官网，核实听证会与案件是否真实立案、开庭日期是否准确，根据核验结果调整业务工单，同时标记管辖地、法院信息以及诉讼时效时间节点。
律师资源调配智能体：统筹合作律师网络，保障听证会出庭人员就位。自动核查律师空闲状态、发送邮件，解析律师回复的可出勤时间与报价，方便业务协调人员确认出庭安排。
财务部门的应收账款汇款智能体：解析汇款邮件，生成 NetSuite 支付处理文件，推送至 Slack 支持一键审批，完成后续数据导入；另有每日运行的代理，针对每一条研发工单，判断对应支出应当资本化还是计入费用。
市场部门部署谷歌广告分析智能体，每周向渠道负责人输出优化建议。
业务运营侧的合规审核智能体 Charvis，复核已完成的文书送达工单，输出的审核结论与合规团队人工判断的匹配度高达 98%。
逾期任务提醒智能体：承接企业业务积压工单的第一层处理工作，完成原本由人工执行的重复性初步梳理，生成多梯度的对外通知文案，交由工作人员确认后再对外发出。
智能体能力迭代：数据采集、调优、循环迭代
ABC Legal 所有智能代理均在人类监督下运行，智能体执行结果或建议会推送至 Slack，员工可在对话线程回复内容，或是使用表情符号做出反馈。
内部代码审查智能体 Hank 会把每一份审查结果推送至共享 Slack 频道，记录对应的合并请求编号与审查统计数据，智能体的全部决策过程均可追溯检索。
富勒发现，Slack 上的人工反馈是宝贵的训练信号，但企业并没有充分利用这份数据。并非所有代理都需要这类反馈信号，大部分代理仅执行单一任务，输出结果无需人工打分，独立运行即可。
针对需要收集人工反馈的智能体，ABC Legal 采用三角色架构：多个智能体共享同一工作空间、运行环境与凭证库，但按照不同周期执行任务。这套模式将 Slack 内的人工反馈，转化为经过人工确认、带版本管理的智能体配置变更：
- 执行智能体
负责实际业务处理，任务或文书到来时实时工作，完整记录每一步操作的审计日志。 - 反馈采集智能体
按小时或每日周期运行，收集 Slack 线程回复、表情反馈，将其转化为带标签的样本数据。 - 调优智能体
每周执行，汇总全部反馈样本，输出提示词或者配置文件的修改方案（仅输出修改草案，不直接生效），生成合并请求，由人工完成评审合并。
在 ABC Legal 这套自优化智能体闭环中，执行智能体实时处理业务，采集智能体每小时从 Slack 抓取人工反馈，调优智能体每周生成提示词与配置修改的合并请求。智能体的迭代升级，完全复用研发人员熟悉的开发工作流。
“交付即代码” 就是这套智能体闭环的典型落地案例，该业务调优系统最早应用于同集团 50 人规模的子公司 Docketly。Docketly 围绕业务交付开展工作，每一类交付业务都拥有独立的路由与处理规则。全部 145 套业务规则均以 YAML 文件保存在 Git 仓库，而非存储在后台管理页面。想要调整业务交付逻辑，只需要修改文件，发起合并请求即可。
整套闭环由 4 个智能体协同完成：第一个代理每周在 Slack 输出业务判定结果；反馈采集代理把员工的表情反馈转换为标签数据；调优代理针对 YAML 规则文件发起合并请求；第四个代理将人工审核合并后的配置，同步更新至生产数据库。该代理仅执行已经人工确认通过的变更。在实际业务中，一条标记路由错误的表情反馈，一周之内就可以完成业务路由规则的迭代更新，整个闭环仅剩下人工评审这一项手动环节。
为什么选择 Claude Managed Agents
在最终选定 Claude Managed Agents 作为企业智能代理运行底座之前，富勒评估过多套开发框架。他的选型标准十分明确：平台必须支持版本管理、会话可观测、工作空间分账、模型切换、记忆原语、MCP 协议接入，最重要的是，企业无需投入精力维护底层基础设施。
平台的权责划分，与 ABC Legal 的业务诉求高度契合。Anthropic 负责托管底层基础设施，涵盖代理执行循环、会话、记忆、控制台以及底层模型；ABC Legal 掌握提示词、工具清单、触发逻辑、审计日志以及业务结果反馈闭环。
规模化落地过程中，以下几项能力起到关键作用：
- 版本管控
每一次推送都会生成全新代理版本，自带乐观锁机制，代理回滚操作简单便捷。 - 模型灵活选择
绝大多数智能体默认使用 Claude Sonnet；高并发、追求速度的任务选用 Claude Haiku；需要深度推理、允许更高成本的场景使用 Claude Opus。切换模型仅需修改一行配置。 - MCP 接入与凭证仓库
代理可对接企业自有平台（内置 100 余款工具）、Metabase 报表工具、Slack 人机交互渠道、Atlassian 项目管理工具。 - 定时部署
周期执行的代理通过 Bitbucket Pipelines 配置 Cron 定时任务，同时完成仓库权限、密钥管理与计费统计。
ABC Legal 会精准统计每一笔 AI 开销，按供应商、工具、团队、业务场景拆分成本明细。春季代理集群大规模上线后，整体成本随之上涨；随着效率优化推进，7 月在业务用量持续增长的前提下，成本开始回落。大量代理承接的业务任务成本降幅可达约 50%，全公司约 310 名员工日常使用 Claude 开展工作。
企业的成本管控思路十分清晰：把资源倾斜到业务价值可量化的垂直运营工具与智能代理；同时保证通用对话、创意探索类 AI 应用广泛可用，控制整体开销。绝大多数代理上线之初都采用人机协同模式：代理处理工单，输出建议交由人工复核，不会直接执行操作。建议要么嵌入业务工单页面，工作人员可在业务流程内直接采纳或驳回；要么推送至 Slack 频道，员工在线程内回复。
这些人工反馈会形成标注数据集，供给反馈采集与调优闭环，同时团队可基于数据集编写评估用例，在多个前沿模型之间开展基准测试。只有当代理在特定任务上表现达到甚至超越人工水平，才切换至全自动运行模式；切换完成后，代理仍会持续处于性能监测体系中，及时捕捉性能波动。
企业重点跟踪效率比指标，衡量代理创造的业务价值与运行成本的配比。每一次运行，Managed Agents 代理都会向数据仓库回传价值统计，换算为节约工时与对应金额。代理成本收益呈现 J 曲线：刚上线时往往成本大于收益，一般选用大模型运行；随着评估体系完善、切换性价比更高的模型、精简 Token 消耗，逐步实现正向收益。
大规模部署智能代理集群的最佳实践
富勒在落地 Claude Managed Agents 的过程中，沉淀出多条实践原则：
- 一切皆代码化
“代码本质就是结构化文本，大语言模型本身就是文本处理引擎。” 富勒表示，尽可能将企业业务逻辑转化为仓库内的文本内容，就能最大化发挥智能代理的价值。这不仅适用于传统软件，提示词、数据模型、业务分发规则、通知模板、业务配置都应当纳入该范畴。 - 坚持人机协同起步
。所有智能体上线初期只输出建议，交由人工审核；只有持续输出和人工判断高度一致的结果，才允许独立执行任务。“代理必须先获取信任，才能自主运行，而不是一开始就全权交由它处理。” - 以合并请求作为管控载体
如果希望 AI 参与业务决策，就把决策流程转化为合并请求。版本控制天然支持逐行评论、审批流程、不可篡改审计记录，能够无缝兼容 AI 与人工评审。 - 重视反馈闭环建设
借助 “采集‑调优” 模式，无需重新训练模型即可完成代理迭代。Slack 回复与表情反馈转化为结构化信号，通过通用的合并请求流程，完成提示词与配置的更新。 - 避开本地定时任务弯路
。ABC Legal 在 Managed Agents 产品尚处于测试阶段时，曾经投入资源搭建本地定时任务。富勒建议有条件的企业直接选用 Managed Agents 托管方案。 - Git 的学习门槛大于 AI 本身
落地过程最大的难点，不是 AI 技术，而是业务人员适应代码仓库克隆、Git 操作、合并请求的工作模式。虽然这套模式落地见效很快，但门槛客观存在，富勒也期待工具未来可以进一步降低该门槛。 - 并非所有任务都适合搭建智能体
AI 智能体存在真实成本，各个团队必须权衡价值与成本。只选择确实可以节省人力、适合自动化的业务场景，敢于判断部分任务不值得搭建智能体。
未来规划
ABC Legal 的智能代理集群还在持续扩张。正在推进的项目包含业务送达照片审核智能体、PagerDuty 告警分级处理智能体、每日 KPI 汇总推送，同时对现有智能体扩充调优闭环。
团队也在挖掘更多 “X‑as‑code” 落地场景：通知模板、事件路由规则、业务分发逻辑，逐步迁移至代码仓库，方便智能体读取、逻辑推演并输出优化方案。
正如富勒所说：“我们希望 AI 赋能业务自主运转，让员工专注于业务方向的把控。”