Claude Managed Agents 手把手教學
不用養伺服器，讓 AI 幫你自動做事
（Anthropic 官方數據）
runtime 費用
可持續執行
不需要審核
解決了什麼問題？
做過 AI agent 的人都知道：真正難的不是讓 Claude 聰明，而是讓它可靠地跑在生產環境。
以前要自己解決
- 安全的沙盒執行環境
- Session 狀態管理
- 斷線後自動重連
- 工具執行的權限控管
- Log 和執行追蹤
- 失敗重試機制
- 容器維運和擴容
現在 Anthropic 幫你做
- ✓ 沙盒隔離，內建
- ✓ Session 持久化，內建
- ✓ 斷線繼續跑，內建
- ✓ 權限控管，內建
- ✓ Claude Console 追蹤，內建
- ✓ 錯誤恢復，內建
- ✓ 自動擴容，內建
你只需要寫三件事：agent 的角色定義、它能用哪些工具、要執行什麼任務。
三個核心概念
搞懂這三個詞，你就懂 Managed Agents
開始使用：從零到第一個 Agent
前置條件：有 Anthropic API key 就可以了。不需要申請，不需要審核，直接用。登入 console.anthropic.com 確認帳號有效即可。
Python 或 Node.js 都可以，以 Python 為例：
pip install anthropic確認版本夠新（需要支援 Managed Agents API）：
pip install --upgrade anthropicAgent 是你的「員工設定檔」。定義它叫什麼、用什麼模型、被允許做什麼。
# 所有 Managed Agents 請求都需要這個 beta header
import anthropic
client = anthropic.Anthropic(api_key="your-api-key")
agent = client.beta.managed_agents.agents.create(
name="github-stats-tracker",
model="claude-sonnet-4-6",
system_prompt="""你是一個自動化數據追蹤助手。
你的工作是執行 shell 指令來抓取 GitHub 數據，
並整理成指定格式回報結果。""",
tools=[{"type": "agent_toolset_20260401"}],
betas=["managed-agents-2026-04-01"]
)
print(f"Agent 建立完成：{agent.id}")記下回傳的 agent.id，後面會用到。
Environment 是 agent 跑在哪個環境。建立一次，之後可以重複使用。
environment = client.beta.managed_agents.environments.create(
name="my-environment",
configuration={
"type": "cloud",
"networking": "unrestricted" # 需要網路存取時使用
},
betas=["managed-agents-2026-04-01"]
)
print(f"Environment 建立完成：{environment.id}")這是 agent 實際開始工作的地方。把 agent ID 和 environment ID 組合起來，送出你的任務。
# 建立 session
session = client.beta.managed_agents.sessions.create(
agent_id=agent.id,
environment_id=environment.id,
title="追蹤 GitHub 下載數",
betas=["managed-agents-2026-04-01"]
)
# 送出任務
client.beta.managed_agents.sessions.send_message(
session_id=session.id,
content="""請執行以下工作：
1. 使用 gh api 指令查詢 raychao-oao/pty-mcp 的所有 release 下載數
2. 加總所有版本的下載數
3. 查詢目前的 star 數量
4. 回報：今日日期、總下載數、star 數""",
betas=["managed-agents-2026-04-01"]
)
print(f"Session 啟動：{session.id}")Agent 執行時會透過 Server-Sent Events 即時回傳進度和結果：
# 開啟串流，接收 agent 執行結果
with client.beta.managed_agents.sessions.stream_events(
session_id=session.id,
betas=["managed-agents-2026-04-01"]
) as stream:
for event in stream:
if event.type == "agent_message":
print("Agent：", event.content)
elif event.type == "tool_use":
print("執行工具：", event.tool_name)
elif event.type == "session_complete":
print("✓ 任務完成")就這樣。Agent 會自己決定要呼叫哪些工具、按什麼順序執行，完成後回傳結果。
費用怎麼算？
| 費用項目 | 計費方式 | 說明 |
|---|---|---|
| API tokens | 標準 Claude API 費率 | Input/output tokens，和直接呼叫 API 一樣 |
| Runtime | $0.08 / 活躍小時 | 只算 agent 實際在執行的時間，等待不計費 |
實際費用參考：一個短任務（例如抓 GitHub 數據、整理回報）大概跑幾分鐘。算 5 分鐘活躍時間，runtime 費用約 $0.007，加上 token 費用大概幾分台幣。不用擔心待機費用——agent 沒在動的時間不計費。
適合哪些場景？
這些場景特別適合
用 Claude Code 更快上手
如果你在用 Claude Code，可以直接跳過上面的設定流程：
start onboarding for managed agentsClaude Code 內建的 claude-api skill 會引導你走完整個流程，包括建立第一個 agent、設定 environment、跑第一個 session。
總結
Claude Managed Agents 解決的問題很明確：讓你專注在 agent 要做什麼，而不是 agent 怎麼跑。
以前建一個能在生產環境穩定跑的 agent，光是基礎設施就要花幾個月。現在你只需要定義三件事：角色（Agent）、環境（Environment）、任務（Session）。
目前是 public beta，有 Anthropic API key 就能直接用，不需要申請或等審核。
官方文件：platform.claude.com/docs/en/managed-agents/overview — 包含完整 API 參考和 quickstart。
需要讓 agent 操作互動式終端？如果你的場景需要 SSH 連線、跑 REPL、或維持跨指令的 shell session，可以搭配 pty-mcp——一個開源 MCP server，給 AI agent 真正的 PTY 終端。