Asana接入Claude托管智能体 押注企业工作图谱破局AI单人孤岛

Building with Claude Managed Agents and Asana AI teammates — Claude

Claude

企业级AI难以沉淀复利价值的症结在于碎片化的单人单点操作,唯有将托管智能体接入基于工作图谱与RBAC权限的共享记忆,才能实现跨人员流动的多人闭环协同。

AI-assisted summary of Building with Claude Managed Agents and Asana AI teammates — original source. Check the original for full context.

Source published:

Key ideas

  • Asana 正式商用(GA)基于 Claude Managed Agents 构建的“AI 队友”(AI teammates),推动企业从单人单点的 AI 试验转向多人多环节人机协同的智能体企业。 (0:14)
  • 相较于传统的 Messages API,Claude Managed Agents 原生提供代码执行沙箱、文件管理及内置评分器(Grader)验证循环,极大降低了复杂多步骤任务的开发与编排成本。 (4:44)
  • Asana 依托历经 17 年构建的工作图谱(Work Graph)与 RBAC 权限体系,使 AI 智能体沉淀跨越人员流动的企业级共享记忆,即便前员工离职其构建的智能体仍可复利进化。 (1:56)
  • 在架构设计上,Asana 采用双轨集成策略,既在自研 Agent Loop 中直连第三方工具,又通过 MCP(模型上下文协议)在托管智能体层打通外部上下文。 (23:37)

Detailed notes

## Background 本内容由 Claude 官方频道于 2026 年 5 月 8 日发布在 YouTube 平台上。视频简介指出,当前大多数组织内部的 AI 价值仍被禁锢在孤立的实验中,这并非所承诺的智能体企业愿景,而真正的 AI 应深入参与构思、编排并端到端完成工作,而不仅局限于辅助支持。

## TL;DR Asana 团队系统分享了如何基于 Anthropic 的 Claude Managed Agents 构建企业级“AI 队友”,打破传统单人单点的碎片化使用瓶颈。通过深度结合 Asana 历经 17 年沉淀的专有“工作图谱”(Work Graph)与 RBAC 权限控制,AI 智能体得以作为系统合法行动者融入真正的多人协作模式,并沉淀跨越人员流动的企业级共享记忆。演讲展示了智能体在营销活动策划、HTML 着陆页原型生成等真实场景中的闭环执行与反馈迭代,并深入剖析了评估评分器设计、开箱即用技能产品化策略以及基于 MCP 的双层第三方工具集成架构。

## Atmosphere & style 整场分享呈现出务实、严谨且充满工程师前沿探索气息的科技宣讲风格。主讲人 Arnauld 叙事条理清晰,以生动真实的内部“吃狗粮”经历(如离职员工遗留的竞品情报智能体)迅速引起行业共鸣,并适时穿插台下核心工程师 Bradley 的一线硬核技术补充。整体节奏流畅紧凑、充满信心,从架构宏图自然过渡到控制台实机验证与敏锐的现场问答,带给观众专业可信且启发性极强的沉浸感。

## Bulletin - [00:14](https://www.youtube.com/watch?v=BrpB-h1e--k&t=14s) Asana 正式商用(GA)基于 Claude Managed Agents 构建的“AI 队友”(AI teammates),推动企业从单人单点的 AI 试验转向多人多环节人机协同的智能体企业。 - [04:44](https://www.youtube.com/watch?v=BrpB-h1e--k&t=284s) 相较于传统的 Messages API,Claude Managed Agents 原生提供代码执行沙箱、文件管理及内置评分器(Grader)验证循环,极大降低了复杂多步骤任务的开发与编排成本。 - [01:56](https://www.youtube.com/watch?v=BrpB-h1e--k&t=116s) Asana 依托历经 17 年构建的工作图谱(Work Graph)与 RBAC 权限体系,使 AI 智能体沉淀跨越人员流动的企业级共享记忆,即便前员工离职其构建的智能体仍可复利进化。 - [23:37](https://www.youtube.com/watch?v=BrpB-h1e--k&t=1417s) 在架构设计上,Asana 采用双轨集成策略,既在自研 Agent Loop 中直连第三方工具,又通过 MCP(模型上下文协议)在托管智能体层打通外部上下文。

## Key takeaways - [00:14](https://www.youtube.com/watch?v=BrpB-h1e--k&t=14s) 当前大多数企业应用 AI 仍受限于“单人模式”,缺乏企业级共享记忆和多协作者闭环机制,无法形成复利知识积累。 - [01:56](https://www.youtube.com/watch?v=BrpB-h1e--k&t=116s) Asana 将 AI 队友视为系统内的实体行动者(System Actor),赋予其与新入职员工完全一致的 RBAC 角色访问控制与权限策略。 - [01:56](https://www.youtube.com/watch?v=BrpB-h1e--k&t=116s) 企业共享记忆支持跨员工流动留存,即使创建智能体的员工离职,其在业务互动中沉淀的上下文和方法论仍能在团队内持续发挥价值。 - [03:07](https://www.youtube.com/watch?v=BrpB-h1e--k&t=187s) Asana 工作图谱(Work Graph)贯穿使命、目标、项目组合、项目到具体任务审批,为 AI 智能体提供了统一的上下文表达与安全防护网。 - [04:44](https://www.youtube.com/watch?v=BrpB-h1e--k&t=284s) 从 Messages API 迁移至 Claude Managed Agents,团队免去了手动构建 Agent Loop、文件管理与代码执行沙箱的沉重基础设施负担。 - [04:44](https://www.youtube.com/watch?v=BrpB-h1e--k&t=284s) Claude Managed Agents 内部运行 Grader 评分器与验证循环,能在输出活动策划简报与前端代码原型时自主反思校验以确保交付质量。 - [07:32](https://www.youtube.com/watch?v=BrpB-h1e--k&t=452s) Asana 已为 PMO、市场、IT、HR 与研发等业务场景预构建了超过 21 款开箱即用的 AI 队友,打通了 Google Drive 与 Office 365 生态。 - [07:32](https://www.youtube.com/watch?v=BrpB-h1e--k&t=452s) 内部深度实测的“产品思维搭子”能结合历史架构权衡与最新路线图,在 Asana 任务面板中公开审阅高管主题演讲稿并响应微调。 - [12:46](https://www.youtube.com/watch?v=BrpB-h1e--k&t=766s) 用户可直接在任务评论区以自然语言向 AI 队友提出修改意见,此类反馈(Nudges)会自动写入长期记忆以避免在后续任务中重复犯错。 - [12:46](https://www.youtube.com/watch?v=BrpB-h1e--k&t=766s) 多人协作模式支持将全链路 Prompt 与交互修改一键转为正式审批流程,管理层可完全审计决策推导过程与权衡取舍。 - [15:45](https://www.youtube.com/watch?v=BrpB-h1e--k&t=945s) 未来的演进重点是“主动性”(Proactivity),AI 队友将在未被显式指派的情况下常驻观察看板,并在发现异常时主动建议解决方案。 - [17:40](https://www.youtube.com/watch?v=BrpB-h1e--k&t=1060s) 针对验证契约(Contract),Asana 将业务领域上下文直接注入底层结果定义(Outcome definition),并配合内部严苛的二级 QA 测试与人机协同兜底。 - [19:37](https://www.youtube.com/watch?v=BrpB-h1e--k&t=1177s) 评估判分器所依据的评分准则(Rubrics)在工程上被视同高阶提示词管理,依托标准化的监控与度量体系进行快速迭代。 - [21:40](https://www.youtube.com/watch?v=BrpB-h1e--k&t=1300s) 在技能(Skills)商业化推进上,Asana 目前坚持“热缩膜包装”式的官方标准化交付策略,暂不把维护 Markdown 技能的负担转嫁给企业终端用户。 - [23:37](https://www.youtube.com/watch?v=BrpB-h1e--k&t=1417s) 第三方生态集成采取双层混合架构:不仅直接对接平台内 Agent Loop,还通过模型上下文协议(MCP)在托管智能体层同步实现上下文打通。

## Detailed walkthrough ### [00:14](https://www.youtube.com/watch?v=BrpB-h1e--k&t=14s) 智能体企业愿景与“单人模式”困局

Asana 的 Arnauld 开场介绍了 Asana 如何基于 Claude Managed Agents(托管智能体)构建“AI 队友”(AI teammates)。Asana 的核心愿景是推动“智能体企业”(agentic enterprise)的落地,让组织中的人类员工与 AI 智能体并肩协作,共同推进复杂的多步骤工作流。在这一架构下,无论业务是在 IT、运营、产品还是市场营销部门,AI 智能体都被视作系统中的实体行动者(actor)。它们拥有深度的技能储备和充足的上下文,能够深度参与审批、端到端工作流闭环以及交付现实成果。该功能已于 3 月正式全面商用(GA)。

然而,当前企业在应用 AI 时普遍面临断层。几乎每家公司都在尝试构建并使用 AI 智能体,但绝大多数仍局限在孤立的“单人模式”(single player way):员工单向向智能体发起指令、获取结果,随后便不得不将产出手动流转给其他同事继续处理后续步骤。这种碎片化的使用无法沉淀复利知识(compounding knowledge),更无法形成企业级共享记忆(shared enterprise memory),也无法实现真正的多人多环节人机协同(true multiplayer multiple human-in-the-loop interactions)。正如 Arnauld 所总结的:

> “Most companies are still using AI agents in the single player way where an individual can go ahead and interact with the agent, get an outcome, and then they pass it on to someone else to complete those multi-step processes.”

- **关键概念**:智能体企业(Agentic Enterprise)、AI 队友(AI teammates)、系统行动者(System Actor)。 - **当前瓶颈**:单人单点操作、知识割裂、缺乏共享记忆与真正的多人协作交互机制。

---

[01:56](https://www.youtube.com/watch?v=BrpB-h1e--k&t=116s) 多人协作架构与共享企业记忆

Asana 致力于将智能体带入全面的“多人模式”(full multiplayer mode)。AI 队友被当作真实的组织成员接入系统,并享有与新入职人类员工完全一致的权限共享与基于角色的访问控制(RBAC)。它们既能处理多位协作者的反馈和微调(nudges),又能自主推进端到端的任务闭环。

Arnauld 分享了一则生动的内部趣事:登台前他正与 Hannah 交流,提到多名前 Asana 员工如今加入了 Anthropic。在离开 Asana 前,其中一位同事曾在 Asana 内部构建了一个名为“竞品情报研究员”的 AI 队友。即便这名开发者早已离职,Asana 团队至今仍每天高频使用该智能体。其在应对 RFP 竞标方案时沉淀的所有历史交互、上下文和方法论都被完整烙印在智能体内部。随着新员工不断加入并使用,该智能体的能力还在持续精进。这种跨越组织变动的“企业级共享记忆”,在 Asana 内部展现出了惊人的价值。

```mermaid flowchart TD accTitle: Asana 智能体多人协作与企业记忆流向 accDescr: 展示人类员工与 AI 智能体在 RBAC 权限控制下,通过工作图谱产生持续沉淀的企业级记忆。

subgraph Actors["协作主体"] H1["人类员工 A"] H2["人类员工 B"] AI["AI 队友 (AI Teammate)"] end

subgraph Platform["Asana 协作中枢"] RBAC["RBAC 权限与共享策略"] WG["工作图谱 (Work Graph)"] MEM["企业共享记忆 / 历史决策与审批"] end

H1 -->|"指派与交互"| AI H2 -->|"多方反馈 (Nudges)"| AI AI -->|"遵守"| RBAC AI <-->|"读写上下文"| WG WG <-->|"持续沉淀"| MEM MEM -->|"跨人员流动复用"| AI ```

---

[03:07](https://www.youtube.com/watch?v=BrpB-h1e--k&t=187s) Asana 工作图谱:上下文与行动中枢

为了让 AI 智能体安全可控地产生现实行动,它们必须深入理解企业运转的底层逻辑——即“谁(Who)、在何时(by when)、因何原因(why)、做了什么(what)”,包括各项提案的历史决策轨迹、多方反复协商讨论的过程以及最终促成审批的细节。

Asana 历时 17 年构建了专有的“工作图谱”(Work Graph)。从最高维度的公司使命与愿景,拆解为量化目标(Goals),目标归集于项目组合(Portfolios),项目组合下沉为具体项目(Projects),最终拆分为附带审批流与任务流的基础工作项(Tasks)。工作图谱不仅为人类提供了直观的操作界面,更为 AI 智能体提供了统一的上下文表达结构。借助 RBAC 权限和安全护栏(guardrails),不同部门(如 Nigel 或 Tony 所在的独立项目)使用同一智能体时,信息能被严格隔离,杜绝跨项目数据泄露。Asana 由此成为了连接上下文与现实动作的行动系统(system of action)。

关于 Asana 在智能体时代的核心定位,Arnauld 强调:

> “Asana is the system of action for work and it's that so binding layer where, once you start introducing agents, you can treat them like human beings in your team.”

- **工作图谱层级结构**:使命/愿景(Mission/Vision) $\rightarrow$ 目标(Goals) $\rightarrow$ 项目组合(Portfolios) $\rightarrow$ 项目(Projects) $\rightarrow$ 任务/审批流(Tasks/Approvals)。 - **合规与风控**:兼顾可审计性(auditability)、安全护栏与严密的数据防泄露设计。

---

[04:44](https://www.youtube.com/watch?v=BrpB-h1e--k&t=284s) Claude Managed Agents 的技术跃迁:从 Messages API 到闭环编排

在明确了 Asana 负责提供“工作图谱上下文”和“人机协同交互层”的分工后,针对复杂多步骤任务的执行引擎,Asana 选择了 Anthropic 的 Claude Managed Agents。Arnauld 以一个市场营销场景为例:一名市场营销人员带领跨职能团队筹备新活动,不仅需要依据复杂的企业上下文撰写活动策划案(brief),还需要生成并多次迭代用于公开上线的落地页前端原型(HTML 代码),供全团队协同评审并达成共识。

在此之前,若使用传统的 Messages API,团队必须自行编写并维护复杂的单/多 Agent 运行循环、文件管理和代码执行沙箱。而切换至 Claude Managed Agents 带来了质的突破:

1. **更低的原型开发成本与更快的开发速度**:无需从零搭建底层 Agent Loop、文件上下文读写与代码执行管道。 2. **内置校验循环(Verification Loop)与评分器(Grader)**:Asana 将期望目标输入托管环境后,内置评分器会自主驱动多轮反思、校验与迭代,极大确保了最终产出物的高质量。 3. **支持多智能体高并发独立协同**:知识工作者的复杂计划制定通常要求多个专业 Agent 并行运作,托管架构原生支持这一高阶编排。

对两代技术架构的差异,Arnauld 做出了明确的对比:

> “If I compare and contrast the way in which AI teammates is working today with Claude managed agents versus the messages API that we're previously using, we're getting, again, faster prototyping because we're not having to build a manual agent loop, file management, code execution.”

| 维度 | 传统 Messages API 方案 | Claude Managed Agents 方案 | |:--- |:--- |:--- | | **底层循环实现** | 需手动构建 Agent Loop、文件管理与代码执行 | 开箱即用,原生支持托管多步循环与执行沙箱 | | **质量保障机制** | 需自行搭建提示词自评逻辑,质量波动大 | 内置 Verification Loop 与自动迭代评分器(Grader) | | **多 Agent 并行** | 编排成本极高,容易出现状态丢失与冲突 | 原生支持多智能体针对复杂项目进行并行协作与拆解 | | **研发关注点** | 大量研发资源被消耗在底层设施与调度管道 | 团队聚焦于 Asana 上下文图谱、协同 UI 与安全权限 |

---

[07:32](https://www.youtube.com/watch?v=BrpB-h1e--k&t=452s) 预构建智能体矩阵与内部“产品思维搭子”实操

目前 Asana 平台已内置了超过 21 款面向不同职能理想客户画像(ICP)的预构建 AI 队友,覆盖 PMO(项目管理办公室)、市场营销、IT、HR 以及研发(R&D)等部门。这些智能体能够直接执行发布规划、技术规范(specs)撰写、目标管理以及资源与产能容量规划。除了读写 Asana 内部的目标和时间线,它们还打通了 Google Drive 和 Microsoft Office 365 等外部生态(未来数周还将接入更多集成工具),具备自动生成 PPT 幻灯片、补充批注以及编写完整 HTML 原型的能力。

Arnauld 结合团队数月来的深度“吃狗粮”(Dogfooding,内部试用)经历,分享了他和直属团队高频使用的“产品思维搭子”(product or thought buddy)智能体。该智能体学习了产品线过往所有的架构权衡(trade-offs)、长远战略及实时产品路线图。当营销团队筹备伦敦工作创新峰会(Work Innovation Summit London)的主题演讲稿时,他们无需反复拉会,只需在 Asana 中创建一个任务并指派给该智能体,AI 队友就会结合当前最新的 Roadmap 与战略考量,直接给出极其专业、契合实际且精准的逐项审阅反馈。整套交互在 Asana 任务面板内完全公开透明,产品线所有人均能围观、实时介入补充建议(nudges),而智能体在随后的多轮运行中也会持续记忆这些调整。

关于这种跨部门多人协同的实时反馈,Arnauld 评价道:

> “It produces a set of feedback on that keynote speech that is like highly optimized for the way in which we work and is correct and is accurate from the perspective of it's using all of the real-time context.”

- **预构建规模**:已上线 21+ 款针对主流业务角色的专用智能体。 - **外部数据协同**:无缝连接 Google Drive、Office 365 等外部文档中枢。 - **内部落地案例**:伦敦工作创新峰会(Work Innovation Summit London)Keynote 审阅,由“产品思维搭子”依托全局权衡与路线图实时输出高质量评审意见。

[10:06](https://www.youtube.com/watch?v=BrpB-h1e--k&t=606s) 实机演示:AI 队友与 Claude Managed Agents 协同生成活动简报

讲者启动了一段实机操作视频,直观呈现企业级共享记忆的实际运作效果。演示中的人类用户是一位市场营销人员,正准备发起一项全新的营销活动(Campaign),而底层驱动这一流程的正是结合了 Claude Managed Agents 的 Asana AI 队友(AI teammates)。用户在 Asana 的看板(Kanban board)中新建了一个任务,命名为创建活动简报并为着陆页制作原型。讲者特别指出,这个任务的目标不仅是一份文本文档,还包含一个着陆页的前端原型。

对于从未接触过该功能的员工,系统提供了队友库(Teammate Gallery)。用户从中挑选了一个内置行为规范、指引与描述的预制队友,并在当前场景中对其进行定制。AI 队友会自动抓取 Asana 工作图谱(Work Graph)中的相关对象——例如过往的营销项目、活动组合(Portfolios)——并将这些沉淀直接纳入队友的记忆中,从而大幅提升生成内容的针对性与质量。

```mermaid flowchart TD accTitle: Asana AI Teammate Task Execution Flow accDescr: 展现 Asana AI 队友结合 Work Graph 记忆并在 Claude Managed Agents 支持下生成交付物的执行流程

subgraph UserInput["用户触发与上下文注入"] A["创建任务: 活动简报与原型"] --> B["从队友库选择预制 AI 队友"] B --> C["注入 Asana Work Graph\n(过往项目与活动组合)"] end

subgraph AgentExecution["Managed Agents 执行与验证"] C --> D["规划交付步骤"] D --> E["Claude Managed Agents\n运行 Grader 验证循环"] end

subgraph Output["最终交付成果"] E --> F["营销活动简报 (文档)"] E --> G["着陆页原型 (HTML 文件)"] end ```

在执行过程中,AI 队友首先规划步骤,随后不仅生成了活动简报文档,还直接输出了一个用于新营销活动着陆页原型的 HTML 文件。视频随后展示了 Anthropic 控制台(Claude Console)中的运行轨迹:系统将预期结果(Outcome)传递给 Managed Agents 产品,并在后台运行评估器(Grader)以完成闭环验证,确保交付质量达标。讲者总结这种协同带来的价值时提到:“The combination has an allowed our development team to ensure that we're getting high quality outcomes.” 团队由此获得严密的安全保障,结合基于角色的访问控制(RBAC)与应用行为主体(App Actors),让 AI 代理成为系统内真正合法的行动者,在吸纳丰富企业上下文的同时稳定产出成果。过去需要构思、撰写简报再流转至设计团队排期制作的漫长过程,如今瞬间完成。

[12:46](https://www.youtube.com/watch?v=BrpB-h1e--k&t=766s) 评论式对话、记忆沉淀与多人协作(Multiplayer)

与 AI 队友的迭代交互极其轻量,用户只需在 Asana 任务的评论区中像与真人交谈一样提出修改意见。在演示中,AI 最初将活动主色调选为绿色,而营销人员在评论中反馈:“做得很棒,但请把主色调改成蓝色”,并补充说明这是公司依据夏季主题确定的全新品牌主色。讲者指出:“This will actually get ingrained into the agent's memory, so if a different marketer picks up and uses that agent, it will not make that same mistake again.” 这一偏好会直接沉淀为 AI 代理的长期记忆,即使日后换成另一位营销人员使用该队友,它也绝不会重蹈覆辙,而是默认采用蓝色调。视频界面展示了“活动简报撰写器”(Campaign Brief Writer)代表管理员执行任务的过程,并明确提示记忆正在生成,随后即时输出了全新的蓝色版网页原型。

随后,讲者展示了“多人协作模式”(Multiplayer mode)。当营销人员完成初始版本后,邀请了另一位团队成员进行审核。该同事在同一任务下留言提出设计意见,希望着陆页的整体视觉更具极简风格(Minimalistic)。Claude Managed Agents 在后台响应评论并迅速更新了极简风格的视图。这种协作模式的关键优势在于全链路可审计性:

- 人类成员与 AI 代理的所有交互、Prompt 与修改记录都完整保留在 Asana 任务流中。 - 任务可一键转为审批流程(Approval),管理层能够直观审视整个推导过程、所提问题及多方权衡(例如为何选定蓝色、是否评估过极简版),显著降低沟通成本。 - 系统具备完善的 RBAC 权限控制与归属机制,明确指定代理发起人(Agent Sponsors)与管理员;管理员拥有最高权限,可随时删除过期记忆或调整代理对 Asana 上下文图谱的访问范围,确保其行为始终合规可控。

[15:45](https://www.youtube.com/watch?v=BrpB-h1e--k&t=945s) 产品演进路线与 Asana 核心护城河

介绍完已正式向公众开放(GA)的功能后,讲者展望了更深层的复杂多步工作流。未来的方向涵盖整套营销发布流程的端到端统筹、跨数百名员工的资源与产能规划(Capacity Planning)、动态仪表盘构建、风险报告自动化生成,以及在出现问题时向用户主动推送补救措施。Asana 正与 Anthropic 紧密合作,致力于加快从团队协作模式与代理技能中提取学习经验。

讲者重点强调的核心能力是“主动性”(Proactivity)。以往的代理需要人类明确分配任务,而未来的 Asana AI 队友即使未被指派具体事项,也能在项目中常驻观察看板。一旦发现异常,它能主动响应:“嘿,这个我可以接手”,或者“我之前在另一个项目中见过类似问题,这里可以这样解决”。讲者指出,借助底层的大模型基础设施,团队得以专注做好 Asana 最擅长的事——即让各业务部门(如市场营销、PMO 办公室或 IT)能够以人类可读的自然方式编排复杂的多步流程。与代理的交互变得与培训新员工无异;即便最初搭建流程的员工离职,其沉淀在 AI 队友中的知识与记忆依然能在团队内复用,持续提升生产力。

[17:40](https://www.youtube.com/watch?v=BrpB-h1e--k&t=1060s) 现场问答:Managed Agents 验证机制与领域知识契约

在演讲结束后的问答环节中,一位现场观众提问,针对演讲中提到的输出验证(Validation)在 Anthropic 侧执行这一机制,询问 Asana 的业务领域知识(Domain Knowledge)是如何注入到验证过程中的,以及两家公司之间如何定义与管理 Managed Agents 与交付规范之间的“契约”(Contract)。

讲者对此进行了技术层面的拆解与回应:

- **结果定义注入**:在宏观层面上,Asana 会将自身的业务上下文与领域标准直接作为结果定义(Outcome definition)的一部分传入底层接口,从而让验证逻辑具备场景认知。 - **预制能力质检**:在任何预制(Pre-built)能力向外部客户发布之前,Asana 内部工程团队会执行严苛的二级 QA 测试,对效果与稳定性进行兜底。 - **人机协同保障**:在真实业务场景中,Asana 保持着高度的“人机协同”(Human-in-the-loop)架构;若特定客户因上下文不够完整而导致生成质量出现波动,人类仍能随时通过评论和审核环节对结果进行微调与纠偏。

[19:37](https://www.youtube.com/watch?v=BrpB-h1e--k&t=1177s) 反馈迭代机制与评分准则设计

在任务执行与模型优化的闭环中,即使用户最初给出的提示词不够详尽,系统也能通过持续的使用和多人的纠偏反馈逐步完善。每一次不同成员给出的微调(nudges),都会在 Asana 内部被完整记录下来,并在下一次调用托管智能体(Managed Agent)时作为上下文重新注入,从而使系统的表现随着时间复利式提升。随后,现场听众在提问环节针对这一闭环提出了具体问题,询问团队在设计“评估判分器(outcomes grader)”所依据的评分准则(rubric)时,经历了哪些迭代过程与独特收获。

演讲者在现场直接将麦克风交给了台下的工程团队成员布拉德利(Bradley)。布拉德利解释说,团队在构建评估判分器的准则时,本质上采取了与处理常规提示词(prompt)相同的工程思路。模型所接收到的所有文本输入,归根结底都是不同形式的提示词,关键在于针对不同的业务目标建立差异化的评估标准。布拉德利总结道:“我认为归根结底,你提供给模型的所有文本都是提示词的不同形式,针对我们试图实现的各种目标,你需要拥有不同的结果评估方式。”只要将这一评估流程像其他工程系统一样进行标准化监控与度量,团队就能实现迅速迭代并做出充满信心的技术决策。

- 用户在使用过程中提供的反馈与微调被重新记录在 Asana 中,并在每次调用 Claude 托管智能体时重新推入系统,实现持续复利优化。 - 判分器评分标准(Rubric)被视为高阶提示词进行对待,依托细致的监控与评估体系来支持快速决策。

```mermaid flowchart LR accTitle: Asana与Claude托管智能体的反馈迭代循环 accDescr: 展示用户在Asana界面上的微调如何记录并注入托管智能体,以及判分器如何依据准则持续评估输出。

subgraph UserLoop ["Asana 协作环境"] A["多成员协同工作"] -->|"持续微调 (Nudges)"| B["记录反馈至 Asana"] end

subgraph AgentLoop ["托管智能体执行"] B -->|"注入上下文运行"| C["Claude Managed Agent"] C --> D["任务生成输出"] end

subgraph EvalLoop ["评估判分"] D --> E["Outcomes Grader (判分器)"] F["评分准则 (Rubrics)"] --> E E -.->|"迭代评估与优化"| C end ```

[21:40](https://www.youtube.com/watch?v=BrpB-h1e--k&t=1300s) 技能长期维护与开箱即用的产品化策略

现场听众接着针对以 Markdown 形式编写的“技能(skills)”提出疑问,关心团队随着时间推移如何进行技能的长期维护与扩展。面对知识工作者这一核心客群,演讲者强调 Asana 从产品策略层面出发,致力于让客户以最简单、最直接的方式部署和使用 AI 队友,而不是把技能维护的负担丢给终端用户。因此,在现阶段的通用发布(GA)版本中,哪些能力会被固化进系统,完全由 Asana 根据理想客户画像(ICP)以及底层大模型技术的发展动向反向推导并决定。

演讲者将这种形态描述为“热缩膜包装好的成熟商品(shrink-wrapped product)”。对于企业内部的 IT 或运营管理者而言,他们只需要根据岗位职责(Job to be Done)来规划 AI 队友,例如指派其负责输出特定的 Figma 设计成果,而无需关心底层的 Markdown 文件如何维护。虽然未来 Asana 可能会逐步开放权限,允许客户高度自定义并设计自己的专属技能,但目前的主要商业化推进策略(GTM motion)依然是官方预先配置好技能与价值体系。谈到这种控制权带来的优势,演讲者指出:“通过这种方式,我们可以在研发端把控质量水平、决定发布哪些技能、管理其生命周期等等。”

- Asana 针对知识工作者设计产品,以极简部署为核心导向,优先推出经官方认证的标准化技能。 - 采用反向推导法(working backwards):结合理想客户画像(ICP)的实际痛点与基础模型供应商的前沿能力来规划 GA 级技能。 - 长期规划中不排除开放客户自定义技能编辑权,但现阶段严格聚焦于官方控制研发质量与技能生命周期。

[23:37](https://www.youtube.com/watch?v=BrpB-h1e--k&t=1417s) 第三方工具集成与双层架构设计

在问答环节的尾声,计时器仅剩最后一分钟,一位同样基于 Claude 托管智能体(CMA)开发产品的开发者抛出了一个常见的架构难题:客户总是希望智能体能跳出平台本身,连接并集成大量外部第三方工具,这种集成究竟应该构建在 Asana 平台层,还是沉淀在智能体层面?针对第三方集成的落位方式,演讲者再次邀请工程师布拉德利分享一线实践经验。

布拉德利透露,Asana 在实际落地中并没有采取非此即彼的单一做法,而是在两个层面上进行了协同集成。系统一方面将第三方工具直接对接到 Asana 自身的 AI 队友智能体循环(Agent Loop)中,另一方面则通过模型上下文协议(Model Context Protocol,简称 MCP)在托管智能体层面上实施集成。布拉德利对这种双重布局的必要性解释道:“我们希望确保在调用托管智能体时,它们能获得所需的所有上下文,同时也确保在不使用托管智能体时,我们依然能够提供充足的上下文。”双层集成保障了数据流动的连贯性与鲁棒性。随后,演讲者感谢了所有参会人员,并在宣布活动圆满结束的同时呼吁大家亲自体验 Asana AI 队友的功能。

- 混合集成模式:第三方服务不仅内嵌于 Asana 自研的 AI 队友代理循环中,也在托管智能体层通过 MCP 协议打通。 - 上下文保障:双轨并行设计确保了无论核心任务流是否经过托管智能体托管,系统都能随时调取所需的全局上下文数据。

## Notable quotes > [00:14](https://www.youtube.com/watch?v=BrpB-h1e--k&t=14s) Most companies are still using AI agents in the single player way where an individual can go ahead and interact with the agent, get an outcome, and then they pass it on to someone else to complete those multi-step processes. — Arnauld

> [03:07](https://www.youtube.com/watch?v=BrpB-h1e--k&t=187s) Asana is the system of action for work and it's that so binding layer where, once you start introducing agents, you can treat them like human beings in your team. — Arnauld

> [19:37](https://www.youtube.com/watch?v=BrpB-h1e--k&t=1177s) 我认为归根结底,你提供给模型的所有文本都是提示词的不同形式,针对我们试图实现的各种目标,你需要拥有不同的结果评估方式。 — Bradley

> [04:44](https://www.youtube.com/watch?v=BrpB-h1e--k&t=284s) If I compare and contrast the way in which AI teammates is working today with Claude managed agents versus the messages API that we're previously using, we're getting, again, faster prototyping because we're not having to build a manual agent loop, file management, code execution. — Arnauld

## Mentioned Asana, Claude Managed Agents, Anthropic, AI teammates, Arnauld, Bradley, Hannah, Work Graph, Messages API, Google Drive, Microsoft Office 365, Figma, Model Context Protocol

## Video description Most of the AI value in your organization is locked in isolated experiments. That is not the Agentic Enterprise we've been promised. AI can help us ideate, orchestrate, and complete the work. Not just support.

[Source](https://www.youtube.com/watch?v=BrpB-h1e--k)

中文简报

Asana集成Claude Managed Agents推出多人AI队友 通过从单人提示词转向持久共享的企业记忆,AI智能体即便在人类创建者离职后也能留存组织知识。 该视频详细介绍了Asana如何将其拥有17年历史的“工作图谱”(work graph)与Claude Managed Agents相结合,打造出具备持久企业记忆和基于角色的访问控制的多人AI队友。演讲者通过实际演示和内部试用案例,展示了预构建的营销与产品智能体如何在自动化人机协同(human-in-the-loop)验证闭环下执行活动策划、落地页原型设计等工作流。最后,环节以深入的工程与产品问答收尾,探讨了成果评分标准、技能维护以及通过Model Context Protocol实现双层第三方集成等议题。 Asana 推出面向“智能体企业”的多人协作模式(multiplayer mode)AI 队友并已全面上线,支持多名员工协同交互与沉淀长期共享记忆,即使创建者离职其业务上下文依然留存。 (0:14) 基于 17 年构建的“工作图谱”,Asana 深度整合了 Claude 托管智能体(Managed Agents),将底层循环、文件管理与代码执行交由 Anthropic 基础设施运行,并借助内置验证器与评分机制保障输出质量。 (3:07) Asana 提供了超过 21 款覆盖 PMO、营销、IT、HR 与研发等岗位的预置 AI 队友,能够直接读取 Google Drive 和 Office 365 等系统数据并生成幻灯片与网页原型。 (7:32) 人类成员在协作过程中留下的评论与调整会被永久沉淀至 AI 队友的记忆库以持续迭代表现;同时 Asana 正推进主动式(proactive)协作能力,使智能体能够自主识别需求并认领任务。 (10:12)

精炼阅读摘要

Asana 结合 Claude 托管代理(managed agents)推出了多人协作 AI 队友,旨在将企业工作图谱沉淀的组织上下文与自动化执行能力深度融合,实现跨成员协作与可复用的组织记忆。 多人在环模式与企业共享记忆 (0:14) Asana 的 AI 队友打破了传统单人隔离使用 AI 的模式,转而采用“多人模式”(multiplayer mode)。团队中多名成员可以在任务看板中对同一个 AI 代理提出需求、修正方向并展开协作。这类交互将不断沉淀为“企业共享记忆”,即使创建该代理的员工离职,其积累的历史背景、知识储备和 RFP 应答经验仍可保留在系统中,供新入职成员继续调用。 该能力自 3 月起已正式进入公测(GA)。Asana 将 AI 队友视同正式入职的员工,为其配置了具体的专业技能、基于角色的访问控制(RBAC)以及安全边界,从而使多人在环(human-in-the-loop)的协作过程完全可追溯,并由指定的“赞助人”(sponsor)负责管理权限与记忆清理。 工作图谱结合 Claude 托管代理 (3:07) Asana 构建了超过 17 年的“工作图谱”(work graph),该架构将企业的使命、目标、项目组合、具体任务、审批流与工作流串联成网。工作图谱一方面为人类提供交互界面,另一方面为 AI 代理提供结构化上下文,确保代理理解“谁在什么时间、出于何种原因、做什么事”,同时通过严格的权限护栏防止跨项目敏感数据泄露。 在底层执行上,Asana 放弃了直接基于标准 Messages API 手动搭建循环、文件管理和代码执行环境的方案,全面接入 Claude 托管代理。这一架构分工使 Asana 专注于上层的人机交互、协调与安全治理,而将复杂的任务执行、验证循环(verification loop)及结果评分交由 Anthropic 基础设施完成,有效降低了研发开销。 开箱即用套件与营销落地页实操 (7:32) Asana 目前针对项目管理办公室(PMO)、市场营销、IT、人力资源与研发等核心客群,提供了 21 种以上预构建的 AI 队友。这些代理能够整合来自 Google Drive 与 Office 365 的下游数据,直接输出幻灯片、富文本评论或 HTML 代码。Asana 内部产品团队也在日常进行“自产自销”(dogfooding),借助“产品思考伙伴”代理对照实时路线图来校对营销主题演讲稿。 在现场演示中,营销人员利用看板任务指派预构建的营销代理,代理调取工作图谱中的历史营销活动,生成了营销策划案与落地页 HTML 原型。Claude 托管代理在后台通过评估标准对产出进行打分与迭代。团队成员若在评论中提出将主色调从绿变蓝或改用极简风格,代理会实时修改原型,并将这些偏好作为长期记忆保存,避免后续重复纠错。 主动协作与技能管理的工程实践 (16:25) 在交互形态上,Asana 正研发主动型(proactive)AI 队友。代理不再被动等待分配任务,而是主动监控看板并在发现已知问题时自主唤醒以提供解决方案。针对结果评估标准的制定,Asana 工程师 Bradley 指出,用于输出打分的标准在本质上仍是 Prompt 工程,团队通过建立针对具体目标的明确评测集,实现了敏捷迭代与高确定性决策。 在技能维护与第三方集成方面,Asana 目前选择扮演“策展人”角色,推出预先封装的标准技能以严密把控发布生命周期与交付质量。在技术层面,Asana 采取双层集成机制:一方面在内部 AI 队友的代理循环中直接挂载第三方工具,另一方面在 Claude 托管代理层借助模型上下文协议(MCP)接入外部工具,确保代理在运行全程及非运行状态下均能准确获取外部上下文。 Asana 与 Anthropic 正计划将该协作框架拓展至动态看板生成、风险预警报告及自动化修复等更复杂的业务流。目前平台主要提供由官方封装和把控的高成熟度技能,尚未全面开放允许客户随意自定义高度特化的底层代理技能。

Detailed notes — zh

## Background 本内容由 Claude 官方频道于 2026 年 5 月 8 日发布在 YouTube 平台上。视频简介指出,当前大多数组织内部的 AI 价值仍被禁锢在孤立的实验中,这并非所承诺的智能体企业愿景,而真正的 AI 应深入参与构思、编排并端到端完成工作,而不仅局限于辅助支持。 ## TL;DR Asana 团队系统分享了如何基于 Anthropic 的 Claude Managed Agents 构建企业级“AI 队友”,打破传统单人单点的碎片化使用瓶颈。通过深度结合 Asana 历经 17 年沉淀的专有“工作图谱”(Work Graph)与 RBAC 权限控制,AI 智能体得以作为系统合法行动者融入真正的多人协作模式,并沉淀跨越人员流动的企业级共享记忆。演讲展示了智能体在营销活动策划、HTML 着陆页原型生成等真实场景中的闭环执行与反馈迭代,并深入剖析了评估评分器设计、开箱即用技能产品化策略以及基于 MCP 的双层第三方工具集成架构。 ## Atmosphere & style 整场分享呈现出务实、严谨且充满工程师前沿探索气息的科技宣讲风格。主讲人 Arnauld 叙事条理清晰,以生动真实的内部“吃狗粮”经历(如离职员工遗留的竞品情报智能体)迅速引起行业共鸣,并适时穿插台下核心工程师 Bradley 的一线硬核技术补充。整体节奏流畅紧凑、充满信心,从架构宏图自然过渡到控制台实机验证与敏锐的现场问答,带给观众专业可信且启发性极强的沉浸感。 ## Bulletin - [00:14](https://www.youtube.com/watch?v=BrpB-h1e--k&t=14s) Asana 正式商用(GA)基于 Claude Managed Agents 构建的“AI 队友”(AI teammates),推动企业从单人单点的 AI 试验转向多人多环节人机协同的智能体企业。 - [04:44](https://www.youtube.com/watch?v=BrpB-h1e--k&t=284s) 相较于传统的 Messages API,Claude Managed Agents 原生提供代码执行沙箱、文件管理及内置评分器(Grader)验证循环,极大降低了复杂多步骤任务的开发与编排成本。 - [01:56](https://www.youtube.com/watch?v=BrpB-h1e--k&t=116s) Asana 依托历经 17 年构建的工作图谱(Work Graph)与 RBAC 权限体系,使 AI 智能体沉淀跨越人员流动的企业级共享记忆,即便前员工离职其构建的智能体仍可复利进化。 - [23:37](https://www.youtube.com/watch?v=BrpB-h1e--k&t=1417s) 在架构设计上,Asana 采用双轨集成策略,既在自研 Agent Loop 中直连第三方工具,又通过 MCP(模型上下文协议)在托管智能体层打通外部上下文。 ## Key takeaways - [00:14](https://www.youtube.com/watch?v=BrpB-h1e--k&t=14s) 当前大多数企业应用 AI 仍受限于“单人模式”,缺乏企业级共享记忆和多协作者闭环机制,无法形成复利知识积累。 - [01:56](https://www.youtube.com/watch?v=BrpB-h1e--k&t=116s) Asana 将 AI 队友视为系统内的实体行动者(System Actor),赋予其与新入职员工完全一致的 RBAC 角色访问控制与权限策略。 - [01:56](https://www.youtube.com/watch?v=BrpB-h1e--k&t=116s) 企业共享记忆支持跨员工流动留存,即使创建智能体的员工离职,其在业务互动中沉淀的上下文和方法论仍能在团队内持续发挥价值。 - [03:07](https://www.youtube.com/watch?v=BrpB-h1e--k&t=187s) Asana 工作图谱(Work Graph)贯穿使命、目标、项目组合、项目到具体任务审批,为 AI 智能体提供了统一的上下文表达与安全防护网。 - [04:44](https://www.youtube.com/watch?v=BrpB-h1e--k&t=284s) 从 Messages API 迁移至 Claude Managed Agents,团队免去了手动构建 Agent Loop、文件管理与代码执行沙箱的沉重基础设施负担。 - [04:44](https://www.youtube.com/watch?v=BrpB-h1e--k&t=284s) Claude Managed Agents 内部运行 Grader 评分器与验证循环,能在输出活动策划简报与前端代码原型时自主反思校验以确保交付质量。 - [07:32](https://www.youtube.com/watch?v=BrpB-h1e--k&t=452s) Asana 已为 PMO、市场、IT、HR 与研发等业务场景预构建了超过 21 款开箱即用的 AI 队友,打通了 Google Drive 与 Office 365 生态。 - [07:32](https://www.youtube.com/watch?v=BrpB-h1e--k&t=452s) 内部深度实测的“产品思维搭子”能结合历史架构权衡与最新路线图,在 Asana 任务面板中公开审阅高管主题演讲稿并响应微调。 - [12:46](https://www.youtube.com/watch?v=BrpB-h1e--k&t=766s) 用户可直接在任务评论区以自然语言向 AI 队友提出修改意见,此类反馈(Nudges)会自动写入长期记忆以避免在后续任务中重复犯错。 - [12:46](https://www.youtube.com/watch?v=BrpB-h1e--k&t=766s) 多人协作模式支持将全链路 Prompt 与交互修改一键转为正式审批流程,管理层可完全审计决策推导过程与权衡取舍。 - [15:45](https://www.youtube.com/watch?v=BrpB-h1e--k&t=945s) 未来的演进重点是“主动性”(Proactivity),AI 队友将在未被显式指派的情况下常驻观察看板,并在发现异常时主动建议解决方案。 - [17:40](https://www.youtube.com/watch?v=BrpB-h1e--k&t=1060s) 针对验证契约(Contract),Asana 将业务领域上下文直接注入底层结果定义(Outcome definition),并配合内部严苛的二级 QA 测试与人机协同兜底。 - [19:37](https://www.youtube.com/watch?v=BrpB-h1e--k&t=1177s) 评估判分器所依据的评分准则(Rubrics)在工程上被视同高阶提示词管理,依托标准化的监控与度量体系进行快速迭代。 - [21:40](https://www.youtube.com/watch?v=BrpB-h1e--k&t=1300s) 在技能(Skills)商业化推进上,Asana 目前坚持“热缩膜包装”式的官方标准化交付策略,暂不把维护 Markdown 技能的负担转嫁给企业终端用户。 - [23:37](https://www.youtube.com/watch?v=BrpB-h1e--k&t=1417s) 第三方生态集成采取双层混合架构:不仅直接对接平台内 Agent Loop,还通过模型上下文协议(MCP)在托管智能体层同步实现上下文打通。 ## Detailed walkthrough ### [00:14](https://www.youtube.com/watch?v=BrpB-h1e--k&t=14s) 智能体企业愿景与“单人模式”困局 Asana 的 Arnauld 开场介绍了 Asana 如何基于 Claude Managed Agents(托管智能体)构建“AI 队友”(AI teammates)。Asana 的核心愿景是推动“智能体企业”(agentic enterprise)的落地,让组织中的人类员工与 AI 智能体并肩协作,共同推进复杂的多步骤工作流。在这一架构下,无论业务是在 IT、运营、产品还是市场营销部门,AI 智能体都被视作系统中的实体行动者(actor)。它们拥有深度的技能储备和充足的上下文,能够深度参与审批、端到端工作流闭环以及交付现实成果。该功能已于 3 月正式全面商用(GA)。 然而,当前企业在应用 AI 时普遍面临断层。几乎每家公司都在尝试构建并使用 AI 智能体,但绝大多数仍局限在孤立的“单人模式”(single player way):员工单向向智能体发起指令、获取结果,随后便不得不将产出手动流转给其他同事继续处理后续步骤。这种碎片化的使用无法沉淀复利知识(compounding knowledge),更无法形成企业级共享记忆(shared enterprise memory),也无法实现真正的多人多环节人机协同(true multiplayer multiple human-in-the-loop interactions)。正如 Arnauld 所总结的: > “Most companies are still using AI agents in the single player way where an individual can go ahead and interact with the agent, get an outcome, and then they pass it on to someone else to complete those multi-step processes.” - **关键概念**:智能体企业(Agentic Enterprise)、AI 队友(AI teammates)、系统行动者(System Actor)。 - **当前瓶颈**:单人单点操作、知识割裂、缺乏共享记忆与真正的多人协作交互机制。 --- ### [01:56](https://www.youtube.com/watch?v=BrpB-h1e--k&t=116s) 多人协作架构与共享企业记忆 Asana 致力于将智能体带入全面的“多人模式”(full multiplayer mode)。AI 队友被当作真实的组织成员接入系统,并享有与新入职人类员工完全一致的权限共享与基于角色的访问控制(RBAC)。它们既能处理多位协作者的反馈和微调(nudges),又能自主推进端到端的任务闭环。 Arnauld 分享了一则生动的内部趣事:登台前他正与 Hannah 交流,提到多名前 Asana 员工如今加入了 Anthropic。在离开 Asana 前,其中一位同事曾在 Asana 内部构建了一个名为“竞品情报研究员”的 AI 队友。即便这名开发者早已离职,Asana 团队至今仍每天高频使用该智能体。其在应对 RFP 竞标方案时沉淀的所有历史交互、上下文和方法论都被完整烙印在智能体内部。随着新员工不断加入并使用,该智能体的能力还在持续精进。这种跨越组织变动的“企业级共享记忆”,在 Asana 内部展现出了惊人的价值。 ```mermaid flowchart TD accTitle: Asana 智能体多人协作与企业记忆流向 accDescr: 展示人类员工与 AI 智能体在 RBAC 权限控制下,通过工作图谱产生持续沉淀的企业级记忆。 subgraph Actors["协作主体"] H1["人类员工 A"] H2["人类员工 B"] AI["AI 队友 (AI Teammate)"] end subgraph Platform["Asana 协作中枢"] RBAC["RBAC 权限与共享策略"] WG["工作图谱 (Work Graph)"] MEM["企业共享记忆 / 历史决策与审批"] end H1 -->|"指派与交互"| AI H2 -->|"多方反馈 (Nudges)"| AI AI -->|"遵守"| RBAC AI <-->|"读写上下文"| WG WG <-->|"持续沉淀"| MEM MEM -->|"跨人员流动复用"| AI ``` --- ### [03:07](https://www.youtube.com/watch?v=BrpB-h1e--k&t=187s) Asana 工作图谱:上下文与行动中枢 为了让 AI 智能体安全可控地产生现实行动,它们必须深入理解企业运转的底层逻辑——即“谁(Who)、在何时(by when)、因何原因(why)、做了什么(what)”,包括各项提案的历史决策轨迹、多方反复协商讨论的过程以及最终促成审批的细节。 Asana 历时 17 年构建了专有的“工作图谱”(Work Graph)。从最高维度的公司使命与愿景,拆解为量化目标(Goals),目标归集于项目组合(Portfolios),项目组合下沉为具体项目(Projects),最终拆分为附带审批流与任务流的基础工作项(Tasks)。工作图谱不仅为人类提供了直观的操作界面,更为 AI 智能体提供了统一的上下文表达结构。借助 RBAC 权限和安全护栏(guardrails),不同部门(如 Nigel 或 Tony 所在的独立项目)使用同一智能体时,信息能被严格隔离,杜绝跨项目数据泄露。Asana 由此成为了连接上下文与现实动作的行动系统(system of action)。 关于 Asana 在智能体时代的核心定位,Arnauld 强调: > “Asana is the system of action for work and it's that so binding layer where, once you start introducing agents, you can treat them like human beings in your team.” - **工作图谱层级结构**:使命/愿景(Mission/Vision) $\rightarrow$ 目标(Goals) $\rightarrow$ 项目组合(Portfolios) $\rightarrow$ 项目(Projects) $\rightarrow$ 任务/审批流(Tasks/Approvals)。 - **合规与风控**:兼顾可审计性(auditability)、安全护栏与严密的数据防泄露设计。 --- ### [04:44](https://www.youtube.com/watch?v=BrpB-h1e--k&t=284s) Claude Managed Agents 的技术跃迁:从 Messages API 到闭环编排 在明确了 Asana 负责提供“工作图谱上下文”和“人机协同交互层”的分工后,针对复杂多步骤任务的执行引擎,Asana 选择了 Anthropic 的 Claude Managed Agents。Arnauld 以一个市场营销场景为例:一名市场营销人员带领跨职能团队筹备新活动,不仅需要依据复杂的企业上下文撰写活动策划案(brief),还需要生成并多次迭代用于公开上线的落地页前端原型(HTML 代码),供全团队协同评审并达成共识。 在此之前,若使用传统的 Messages API,团队必须自行编写并维护复杂的单/多 Agent 运行循环、文件管理和代码执行沙箱。而切换至 Claude Managed Agents 带来了质的突破: 1. **更低的原型开发成本与更快的开发速度**:无需从零搭建底层 Agent Loop、文件上下文读写与代码执行管道。 2. **内置校验循环(Verification Loop)与评分器(Grader)**:Asana 将期望目标输入托管环境后,内置评分器会自主驱动多轮反思、校验与迭代,极大确保了最终产出物的高质量。 3. **支持多智能体高并发独立协同**:知识工作者的复杂计划制定通常要求多个专业 Agent 并行运作,托管架构原生支持这一高阶编排。 对两代技术架构的差异,Arnauld 做出了明确的对比: > “If I compare and contrast the way in which AI teammates is working today with Claude managed agents versus the messages API that we're previously using, we're getting, again, faster prototyping because we're not having to build a manual agent loop, file management, code execution.” | 维度 | 传统 Messages API 方案 | Claude Managed Agents 方案 | |:--- |:--- |:--- | | **底层循环实现** | 需手动构建 Agent Loop、文件管理与代码执行 | 开箱即用,原生支持托管多步循环与执行沙箱 | | **质量保障机制** | 需自行搭建提示词自评逻辑,质量波动大 | 内置 Verification Loop 与自动迭代评分器(Grader) | | **多 Agent 并行** | 编排成本极高,容易出现状态丢失与冲突 | 原生支持多智能体针对复杂项目进行并行协作与拆解 | | **研发关注点** | 大量研发资源被消耗在底层设施与调度管道 | 团队聚焦于 Asana 上下文图谱、协同 UI 与安全权限 | --- ### [07:32](https://www.youtube.com/watch?v=BrpB-h1e--k&t=452s) 预构建智能体矩阵与内部“产品思维搭子”实操 目前 Asana 平台已内置了超过 21 款面向不同职能理想客户画像(ICP)的预构建 AI 队友,覆盖 PMO(项目管理办公室)、市场营销、IT、HR 以及研发(R&D)等部门。这些智能体能够直接执行发布规划、技术规范(specs)撰写、目标管理以及资源与产能容量规划。除了读写 Asana 内部的目标和时间线,它们还打通了 Google Drive 和 Microsoft Office 365 等外部生态(未来数周还将接入更多集成工具),具备自动生成 PPT 幻灯片、补充批注以及编写完整 HTML 原型的能力。 Arnauld 结合团队数月来的深度“吃狗粮”(Dogfooding,内部试用)经历,分享了他和直属团队高频使用的“产品思维搭子”(product or thought buddy)智能体。该智能体学习了产品线过往所有的架构权衡(trade-offs)、长远战略及实时产品路线图。当营销团队筹备伦敦工作创新峰会(Work Innovation Summit London)的主题演讲稿时,他们无需反复拉会,只需在 Asana 中创建一个任务并指派给该智能体,AI 队友就会结合当前最新的 Roadmap 与战略考量,直接给出极其专业、契合实际且精准的逐项审阅反馈。整套交互在 Asana 任务面板内完全公开透明,产品线所有人均能围观、实时介入补充建议(nudges),而智能体在随后的多轮运行中也会持续记忆这些调整。 关于这种跨部门多人协同的实时反馈,Arnauld 评价道: > “It produces a set of feedback on that keynote speech that is like highly optimized for the way in which we work and is correct and is accurate from the perspective of it's using all of the real-time context.” - **预构建规模**:已上线 21+ 款针对主流业务角色的专用智能体。 - **外部数据协同**:无缝连接 Google Drive、Office 365 等外部文档中枢。 - **内部落地案例**:伦敦工作创新峰会(Work Innovation Summit London)Keynote 审阅,由“产品思维搭子”依托全局权衡与路线图实时输出高质量评审意见。 ### [10:06](https://www.youtube.com/watch?v=BrpB-h1e--k&t=606s) 实机演示:AI 队友与 Claude Managed Agents 协同生成活动简报 讲者启动了一段实机操作视频,直观呈现企业级共享记忆的实际运作效果。演示中的人类用户是一位市场营销人员,正准备发起一项全新的营销活动(Campaign),而底层驱动这一流程的正是结合了 Claude Managed Agents 的 Asana AI 队友(AI teammates)。用户在 Asana 的看板(Kanban board)中新建了一个任务,命名为创建活动简报并为着陆页制作原型。讲者特别指出,这个任务的目标不仅是一份文本文档,还包含一个着陆页的前端原型。 对于从未接触过该功能的员工,系统提供了队友库(Teammate Gallery)。用户从中挑选了一个内置行为规范、指引与描述的预制队友,并在当前场景中对其进行定制。AI 队友会自动抓取 Asana 工作图谱(Work Graph)中的相关对象——例如过往的营销项目、活动组合(Portfolios)——并将这些沉淀直接纳入队友的记忆中,从而大幅提升生成内容的针对性与质量。 ```mermaid flowchart TD accTitle: Asana AI Teammate Task Execution Flow accDescr: 展现 Asana AI 队友结合 Work Graph 记忆并在 Claude Managed Agents 支持下生成交付物的执行流程 subgraph UserInput["用户触发与上下文注入"] A["创建任务: 活动简报与原型"] --> B["从队友库选择预制 AI 队友"] B --> C["注入 Asana Work Graph\n(过往项目与活动组合)"] end subgraph AgentExecution["Managed Agents 执行与验证"] C --> D["规划交付步骤"] D --> E["Claude Managed Agents\n运行 Grader 验证循环"] end subgraph Output["最终交付成果"] E --> F["营销活动简报 (文档)"] E --> G["着陆页原型 (HTML 文件)"] end ``` 在执行过程中,AI 队友首先规划步骤,随后不仅生成了活动简报文档,还直接输出了一个用于新营销活动着陆页原型的 HTML 文件。视频随后展示了 Anthropic 控制台(Claude Console)中的运行轨迹:系统将预期结果(Outcome)传递给 Managed Agents 产品,并在后台运行评估器(Grader)以完成闭环验证,确保交付质量达标。讲者总结这种协同带来的价值时提到:“The combination has an allowed our development team to ensure that we're getting high quality outcomes.” 团队由此获得严密的安全保障,结合基于角色的访问控制(RBAC)与应用行为主体(App Actors),让 AI 代理成为系统内真正合法的行动者,在吸纳丰富企业上下文的同时稳定产出成果。过去需要构思、撰写简报再流转至设计团队排期制作的漫长过程,如今瞬间完成。 ### [12:46](https://www.youtube.com/watch?v=BrpB-h1e--k&t=766s) 评论式对话、记忆沉淀与多人协作(Multiplayer) 与 AI 队友的迭代交互极其轻量,用户只需在 Asana 任务的评论区中像与真人交谈一样提出修改意见。在演示中,AI 最初将活动主色调选为绿色,而营销人员在评论中反馈:“做得很棒,但请把主色调改成蓝色”,并补充说明这是公司依据夏季主题确定的全新品牌主色。讲者指出:“This will actually get ingrained into the agent's memory, so if a different marketer picks up and uses that agent, it will not make that same mistake again.” 这一偏好会直接沉淀为 AI 代理的长期记忆,即使日后换成另一位营销人员使用该队友,它也绝不会重蹈覆辙,而是默认采用蓝色调。视频界面展示了“活动简报撰写器”(Campaign Brief Writer)代表管理员执行任务的过程,并明确提示记忆正在生成,随后即时输出了全新的蓝色版网页原型。 随后,讲者展示了“多人协作模式”(Multiplayer mode)。当营销人员完成初始版本后,邀请了另一位团队成员进行审核。该同事在同一任务下留言提出设计意见,希望着陆页的整体视觉更具极简风格(Minimalistic)。Claude Managed Agents 在后台响应评论并迅速更新了极简风格的视图。这种协作模式的关键优势在于全链路可审计性: - 人类成员与 AI 代理的所有交互、Prompt 与修改记录都完整保留在 Asana 任务流中。 - 任务可一键转为审批流程(Approval),管理层能够直观审视整个推导过程、所提问题及多方权衡(例如为何选定蓝色、是否评估过极简版),显著降低沟通成本。 - 系统具备完善的 RBAC 权限控制与归属机制,明确指定代理发起人(Agent Sponsors)与管理员;管理员拥有最高权限,可随时删除过期记忆或调整代理对 Asana 上下文图谱的访问范围,确保其行为始终合规可控。 ### [15:45](https://www.youtube.com/watch?v=BrpB-h1e--k&t=945s) 产品演进路线与 Asana 核心护城河 介绍完已正式向公众开放(GA)的功能后,讲者展望了更深层的复杂多步工作流。未来的方向涵盖整套营销发布流程的端到端统筹、跨数百名员工的资源与产能规划(Capacity Planning)、动态仪表盘构建、风险报告自动化生成,以及在出现问题时向用户主动推送补救措施。Asana 正与 Anthropic 紧密合作,致力于加快从团队协作模式与代理技能中提取学习经验。 讲者重点强调的核心能力是“主动性”(Proactivity)。以往的代理需要人类明确分配任务,而未来的 Asana AI 队友即使未被指派具体事项,也能在项目中常驻观察看板。一旦发现异常,它能主动响应:“嘿,这个我可以接手”,或者“我之前在另一个项目中见过类似问题,这里可以这样解决”。讲者指出,借助底层的大模型基础设施,团队得以专注做好 Asana 最擅长的事——即让各业务部门(如市场营销、PMO 办公室或 IT)能够以人类可读的自然方式编排复杂的多步流程。与代理的交互变得与培训新员工无异;即便最初搭建流程的员工离职,其沉淀在 AI 队友中的知识与记忆依然能在团队内复用,持续提升生产力。 ### [17:40](https://www.youtube.com/watch?v=BrpB-h1e--k&t=1060s) 现场问答:Managed Agents 验证机制与领域知识契约 在演讲结束后的问答环节中,一位现场观众提问,针对演讲中提到的输出验证(Validation)在 Anthropic 侧执行这一机制,询问 Asana 的业务领域知识(Domain Knowledge)是如何注入到验证过程中的,以及两家公司之间如何定义与管理 Managed Agents 与交付规范之间的“契约”(Contract)。 讲者对此进行了技术层面的拆解与回应: - **结果定义注入**:在宏观层面上,Asana 会将自身的业务上下文与领域标准直接作为结果定义(Outcome definition)的一部分传入底层接口,从而让验证逻辑具备场景认知。 - **预制能力质检**:在任何预制(Pre-built)能力向外部客户发布之前,Asana 内部工程团队会执行严苛的二级 QA 测试,对效果与稳定性进行兜底。 - **人机协同保障**:在真实业务场景中,Asana 保持着高度的“人机协同”(Human-in-the-loop)架构;若特定客户因上下文不够完整而导致生成质量出现波动,人类仍能随时通过评论和审核环节对结果进行微调与纠偏。 ### [19:37](https://www.youtube.com/watch?v=BrpB-h1e--k&t=1177s) 反馈迭代机制与评分准则设计 在任务执行与模型优化的闭环中,即使用户最初给出的提示词不够详尽,系统也能通过持续的使用和多人的纠偏反馈逐步完善。每一次不同成员给出的微调(nudges),都会在 Asana 内部被完整记录下来,并在下一次调用托管智能体(Managed Agent)时作为上下文重新注入,从而使系统的表现随着时间复利式提升。随后,现场听众在提问环节针对这一闭环提出了具体问题,询问团队在设计“评估判分器(outcomes grader)”所依据的评分准则(rubric)时,经历了哪些迭代过程与独特收获。 演讲者在现场直接将麦克风交给了台下的工程团队成员布拉德利(Bradley)。布拉德利解释说,团队在构建评估判分器的准则时,本质上采取了与处理常规提示词(prompt)相同的工程思路。模型所接收到的所有文本输入,归根结底都是不同形式的提示词,关键在于针对不同的业务目标建立差异化的评估标准。布拉德利总结道:“我认为归根结底,你提供给模型的所有文本都是提示词的不同形式,针对我们试图实现的各种目标,你需要拥有不同的结果评估方式。”只要将这一评估流程像其他工程系统一样进行标准化监控与度量,团队就能实现迅速迭代并做出充满信心的技术决策。 - 用户在使用过程中提供的反馈与微调被重新记录在 Asana 中,并在每次调用 Claude 托管智能体时重新推入系统,实现持续复利优化。 - 判分器评分标准(Rubric)被视为高阶提示词进行对待,依托细致的监控与评估体系来支持快速决策。 ```mermaid flowchart LR accTitle: Asana与Claude托管智能体的反馈迭代循环 accDescr: 展示用户在Asana界面上的微调如何记录并注入托管智能体,以及判分器如何依据准则持续评估输出。 subgraph UserLoop ["Asana 协作环境"] A["多成员协同工作"] -->|"持续微调 (Nudges)"| B["记录反馈至 Asana"] end subgraph AgentLoop ["托管智能体执行"] B -->|"注入上下文运行"| C["Claude Managed Agent"] C --> D["任务生成输出"] end subgraph EvalLoop ["评估判分"] D --> E["Outcomes Grader (判分器)"] F["评分准则 (Rubrics)"] --> E E -.->|"迭代评估与优化"| C end ``` ### [21:40](https://www.youtube.com/watch?v=BrpB-h1e--k&t=1300s) 技能长期维护与开箱即用的产品化策略 现场听众接着针对以 Markdown 形式编写的“技能(skills)”提出疑问,关心团队随着时间推移如何进行技能的长期维护与扩展。面对知识工作者这一核心客群,演讲者强调 Asana 从产品策略层面出发,致力于让客户以最简单、最直接的方式部署和使用 AI 队友,而不是把技能维护的负担丢给终端用户。因此,在现阶段的通用发布(GA)版本中,哪些能力会被固化进系统,完全由 Asana 根据理想客户画像(ICP)以及底层大模型技术的发展动向反向推导并决定。 演讲者将这种形态描述为“热缩膜包装好的成熟商品(shrink-wrapped product)”。对于企业内部的 IT 或运营管理者而言,他们只需要根据岗位职责(Job to be Done)来规划 AI 队友,例如指派其负责输出特定的 Figma 设计成果,而无需关心底层的 Markdown 文件如何维护。虽然未来 Asana 可能会逐步开放权限,允许客户高度自定义并设计自己的专属技能,但目前的主要商业化推进策略(GTM motion)依然是官方预先配置好技能与价值体系。谈到这种控制权带来的优势,演讲者指出:“通过这种方式,我们可以在研发端把控质量水平、决定发布哪些技能、管理其生命周期等等。” - Asana 针对知识工作者设计产品,以极简部署为核心导向,优先推出经官方认证的标准化技能。 - 采用反向推导法(working backwards):结合理想客户画像(ICP)的实际痛点与基础模型供应商的前沿能力来规划 GA 级技能。 - 长期规划中不排除开放客户自定义技能编辑权,但现阶段严格聚焦于官方控制研发质量与技能生命周期。 ### [23:37](https://www.youtube.com/watch?v=BrpB-h1e--k&t=1417s) 第三方工具集成与双层架构设计 在问答环节的尾声,计时器仅剩最后一分钟,一位同样基于 Claude 托管智能体(CMA)开发产品的开发者抛出了一个常见的架构难题:客户总是希望智能体能跳出平台本身,连接并集成大量外部第三方工具,这种集成究竟应该构建在 Asana 平台层,还是沉淀在智能体层面?针对第三方集成的落位方式,演讲者再次邀请工程师布拉德利分享一线实践经验。 布拉德利透露,Asana 在实际落地中并没有采取非此即彼的单一做法,而是在两个层面上进行了协同集成。系统一方面将第三方工具直接对接到 Asana 自身的 AI 队友智能体循环(Agent Loop)中,另一方面则通过模型上下文协议(Model Context Protocol,简称 MCP)在托管智能体层面上实施集成。布拉德利对这种双重布局的必要性解释道:“我们希望确保在调用托管智能体时,它们能获得所需的所有上下文,同时也确保在不使用托管智能体时,我们依然能够提供充足的上下文。”双层集成保障了数据流动的连贯性与鲁棒性。随后,演讲者感谢了所有参会人员,并在宣布活动圆满结束的同时呼吁大家亲自体验 Asana AI 队友的功能。 - 混合集成模式:第三方服务不仅内嵌于 Asana 自研的 AI 队友代理循环中,也在托管智能体层通过 MCP 协议打通。 - 上下文保障:双轨并行设计确保了无论核心任务流是否经过托管智能体托管,系统都能随时调取所需的全局上下文数据。 ## Notable quotes > [00:14](https://www.youtube.com/watch?v=BrpB-h1e--k&t=14s) Most companies are still using AI agents in the single player way where an individual can go ahead and interact with the agent, get an outcome, and then they pass it on to someone else to complete those multi-step processes. — Arnauld > [03:07](https://www.youtube.com/watch?v=BrpB-h1e--k&t=187s) Asana is the system of action for work and it's that so binding layer where, once you start introducing agents, you can treat them like human beings in your team. — Arnauld > [19:37](https://www.youtube.com/watch?v=BrpB-h1e--k&t=1177s) 我认为归根结底,你提供给模型的所有文本都是提示词的不同形式,针对我们试图实现的各种目标,你需要拥有不同的结果评估方式。 — Bradley > [04:44](https://www.youtube.com/watch?v=BrpB-h1e--k&t=284s) If I compare and contrast the way in which AI teammates is working today with Claude managed agents versus the messages API that we're previously using, we're getting, again, faster prototyping because we're not having to build a manual agent loop, file management, code execution. — Arnauld ## Mentioned Asana, Claude Managed Agents, Anthropic, AI teammates, Arnauld, Bradley, Hannah, Work Graph, Messages API, Google Drive, Microsoft Office 365, Figma, Model Context Protocol ## Video description Most of the AI value in your organization is locked in isolated experiments. That is not the Agentic Enterprise we've been promised. AI can help us ideate, orchestrate, and complete the work. Not just support. [Source](https://www.youtube.com/watch?v=BrpB-h1e--k)

Source quotes

[0:14] Arnauld: Most companies are still using AI agents in the single player way where an individual can go ahead and interact with the agent, get an outcome, and then they pass it on to someone else to complete those multi-step processes. [3:07] Arnauld: Asana is the system of action for work and it's that so binding layer where, once you start introducing agents, you can treat them like human beings in your team. [19:37] Bradley: 我认为归根结底,你提供给模型的所有文本都是提示词的不同形式,针对我们试图实现的各种目标,你需要拥有不同的结果评估方式。 [4:44] Arnauld: If I compare and contrast the way in which AI teammates is working today with Claude managed agents versus the messages API that we're previously using, we're getting, again, faster prototyping because we're not having to build a manual agent loop, file management, code execution.