ABC Legal 如何借助“Managed Agents”让 1,100 名员工人人成为 AI 开发者

随着大语言模型技术的普及，不少企业面临着类似的尴尬：员工纷纷开始私下尝试各种 AI 工具，但这些自动化“小工具”大多散落在个人电脑上，既缺乏统一监管、难以协同，也无法评估真实投入产出比。

美国法律文书送达服务巨头 ABC Legal 曾经也面临这一难题。然而，该公司通过引入Claude Managed Agents（托管智能体），将散乱的 AI 尝试升级为企业级可控、可调优、全天候运行的智能体集群（Fleet of Agents）。

截至 2026 年 7 月，ABC Legal 已实现：

• 50+ 生产级智能体在云端常驻运行；
• 智能体覆盖的任务人力成本最高降低了约 50%；
• 全公司跨部门共有 ~310 名员工日常深度使用 Claude 协助工作。

以下是 ABC Legal 首席技术官（CTO）Brandon Fuller 带领团队总结出的企业 AI 落地“实践指南”。

核心实践指南：四步打造自进化智能体舰队

1. 软件化管理：“Agent 即代码”（Agent-as-Code）

ABC Legal 的核心突破在于把智能体当成标准软件来对待。智能体的提示词（Prompts）、工具配置、运行计划、凭证和记忆均写成配置文件，统一下发并托管在 Git 仓库中。

• 版本控制与审计： 智能体的任何变更必须通过 Pull Request（PR，合并请求）审核才能上线。这意味着每一次修改都有历史记录、代码审查和回滚机制。
• 极简 Starter Kit（脚手架）： CTO 亲自搭建了包含两套模板的启动工具包——分别对应事件驱动型智能体（如接到新任务即刻触发）和定时轮询型智能体（按小时/天/周运行）。
• 降低门槛： 业务人员只需克隆仓库，用自然语言向Claude Code描述需求，系统就会自动生成所需的全部配置与脚本。

2. 破除技术壁垒：让非技术人员掌控 PR 工作流

为防止 AI 开发再次沦为 IT 部门的瓶颈，Fuller 组建了一个由财务、市场、运营等非技术部门组成的 15 人专项委员会。

• 团队从解释“什么是 PR”开始（甚至有业务人员最初以为 PR 是指跑步速度），教大家使用 Git 提交修改。
• 一周内，所有 15 名非技术员工均成功上线了自己的智能体；一个月内，全公司蔓延出 50 多个智能体，分别服务于代码审查、电子发票拒绝诊断、律师排期协调、财务账务解析等多个业务场景。

典型案例（证据链交付智能体）： 客户需要定期从 EvidenceChain.com 提取送达记录 PDF。原本需要客户经理每周手动操作，现在智能体可以自动拉取报告、通过托管浏览器下载 PDF 并交付至 FTP。这位此前毫无编程经验的客户经理，仅用约 1 小时通过自然语言描述就完成了该智能体的搭建。

3. 创新闭环：“收集-调优-循环”自我提升机制

为了让智能体越用越聪明，ABC Legal 独创了三角色闭环架构（Three-Role Architecture），将员工在 Slack 中的反馈（文字回复、Emoji 表情）直接转化为智能体的演进动力：

1[初始智能体 (Initial Agent)]  ---> 实时执行任务并记录日志，发送至 Slack
2                                        │
3                                        ▼ (收集 Emoji / 线程回复)
4  [收集者 (Harvester)]       ---> 每小时/每天汇总人类反馈，转化为标记数据
5                                        │
6                                        ▼
7    [调优者 (Tuner)]         ---> 每周分析整体表现，自动发起 Prompt/配置修改的 PR
8                                        │
9                                        ▼ (人类审查并合并 PR)
10                               [更新后的智能体上线]
11

这种机制让智能体无需重新训练模型权重，仅靠 Prompt 和配置的迭代就能实现持续自进化，且合并 PR 是唯一的干预步骤。

4. 严控 ROI：先“人机同行”，后“独立履职”

AI 的使用成本是企业必须考量的指标。ABC Legal 制定了严格的信任与 ROI 监控标准：

• 人机同行（Human-in-the-Loop）： 所有新智能体上线初期只给出“建议”（存入系统 Banner 或发至 Slack），由人工确认或拒绝。
• 数据验证与自动化切换： 通过对人工反馈打标、写 Eval（评估集）测试，只有当智能体的准确率达到甚至超越人工标准（如合规审查智能体 Charvis 准确率已达 98%）后，才会被放权进入“自主执行模式”。
• 动态模型调配： 绝大多数常规任务使用Claude Sonnet；高频简单任务切至Haiku；仅在需要深层推理时使用Opus。只需修改一行代码即可切换模型，大幅节约算力成本。

行业启示与避坑指南

对于计划全面引入 AI 智能体的企业，ABC Legal 提出了以下核心忠告：

1. 以代码思维对待一切（X-as-Code）： 将提示词、分派规则、通知模板、业务逻辑全部转化为仓库中的文本文件，这是 AI 产生最大杠杆效应的前提。
2. 把 PR 作为企业的控制台： 行内注释、审批流、不可篡改的审计日志是版本控制天然自带的优势，是连接 AI 与人类决策的最优载体。
3. 跳过“本地定时任务”阶段： 不要让智能体运行在员工个人电脑或临时脚本上，直接选用云端托管的智能体平台（Managed Agents），从第一天起解决治理、审计与计费问题。
4. 准备好迎接“Git 门槛”而非“AI 门槛”： 最大的阻力往往不是员工不会用 AI，而是业务人员学习使用 Git 和版本控制工具的过程。
5. 并非所有任务都值得做智能体： 必须建立 ROI 计算模型（价值对标运行成本），放弃那些算不过来账的边缘场景。