Claude Managed Agents 讓 ABC Legal 將 50 多個 Agent 投入生產，部分法律任務成本最多降低約 50%

Claude Managed Agents 讓 ABC Legal 將 50 多個 Agent 投入生產，部分法律任務成本最多降低約 50%。 分享重點 ClaudeDevs 在 2026 年 8 月 18 日推薦 Anthropic 介紹 ABC Legal 的文章，重點不只是導入 AI，而是把分散的自動化實驗整合成可治理、可觀測、持續運作的 Agent fleet。完整案例見官方文章。 導入成果 ABC Legal 是美國法律文件遞送公司。公司向 1,100 名員工推出 Claude Enterprise 後，員工自行建立自動化流程；截至 2026 年 7 月，已有 50 多個 Agent 在生產環境運作，約 310 名員工每天使用 Claude，部分 Agent 負責的人工任務成本最多降低約 50%，且這是在重度優化前的結果。 手繪風格的插圖，以淺藍色為背景，中央為兩張白色紙張交疊，上方有一隻以黑色線條勾勒的手部輪廓，正拿著筆在紙面上書寫。 運作方式 Claude Managed Agents 將 prompt、工具清單、排程、憑證與記憶放進 Git 儲存庫，透過 pull request 管理版本、審查、回復與稽核。ABC Legal 讓非開發人員使用 Claude Code 和範本建立 Agent；15 人 steering committee 在一週內完成可運作的 Agent，一個月內擴展到 50 多個。 CompanyA 組織的 Slack 頻道介面，顯示名為 Hank 的 APP 自動發送多則程式碼 PR 審查與核准通知紀錄。 持續改善 多數 Agent 先提出建議，由人員在 Slack 審核；表現穩定後才轉為自主執行。需要回饋的流程則分成三個角色：Initial Agent 執行任務、Harvester 收集 Slack 回覆與 emoji 反應、Tuner 每週提出 prompt 或設定變更的 pull request，最後仍由人員審查合併。這套 loop 不需重新訓練模型，就能把實際回饋轉成可追蹤的改善。 Claude Managed Agents 利用回饋進行改善的三階段流程圖，由左至右分別為初始 Agent 寫入 Slack 收集人類回饋、Harvester 收集並總結回饋、以及 Tuner 根據回饋反思並向 Agent 寫入更新。 說明 agent 自我改進機制的架構流程圖，標題為 How an agent improves itself，並依序展示 Initial Agent、Harvester 與 Tuner 三個階段的職責、執行頻率與運作方式，下方搭配黑底文字說明不進行模型訓練、而是透過 prompt 與 config 的調整以及人類反饋來完成更新。 原文：https://easyvibecoding.app/curated/3002-claude-managed-agents-abc-legal-production-costs