[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-manus-ai-turns-workflows-into-agent-projects-zh":3,"article-related-manus-ai-turns-workflows-into-agent-projects-zh":30,"series-ai-agent-e005a4b5-a1cc-4b54-9fa6-48ae38483846":82},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":22,"views":26,"created_at":27,"published_at":28,"topic_cluster_id":29},"e005a4b5-a1cc-4b54-9fa6-48ae38483846","manus-ai-turns-workflows-into-agent-projects-zh","Manus AI 把工作流變成專案","\u003Cp data-speakable=\"summary\">Manus AI 把零碎多步工作整理成能直接照抄的代理專案流程。\u003C\u002Fp>\u003Cp>我玩 autonomous agents 一陣子了，老實說，大多數都像那種很會點頭的實習生：你丟一個任務，它先裝忙，接著亂猜，最後丟你一份看起來很像樣、其實漏洞一堆的東西。我最受不了的就是這個。我要的不是一個永遠說好、永遠附和的聊天框，我要的是能把工作拆開、自己檢查、卡住時知道回頭修的東西，不是每一步都要我盯著。\u003C\u002Fp>\u003Cp>所以 Manus 會吸引我，不是因為它講得多神，而是它把事情的單位改了：不是「問我任何事」，而是「把專案交給我，我來跑完」。這差很多。當 \u003Ca href=\"\u002Ftag\u002Fagent\">agent\u003C\u002Fa> 真的能規劃、執行、驗證、產出可用結果時，我就不是在跟模型聊天，我是在派工。這才是我在意的標準。\u003C\u002Fp>\u003Ch2>我先看的是它到底是不是聊天機器人\u003C\u002Fh2>\u003Cp>觸發我做這篇拆解的來源是 \u003Ca href=\"https:\u002F\u002Faitinkerers.org\u002Ftechnologies\u002Fmanus-ai\">AITinkerers 的 Manus AI 頁面\u003C\u002Fa>，它把 Manus 描述成一個能端到端執行任務的 autonomous agent。那篇也提到它在 2025 年 3 月推出，還主張在 GAIA benchmark 上表現很強。我這裡把它當錨點，再搭配 Manus 自己的網站 \u003Ca href=\"https:\u002F\u002Fmanus.im\">manus.im\u003C\u002Fa> 來看產品定位。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1779743783745-fe6j.png\" alt=\"Manus AI 把工作流變成專案\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cblockquote>“Manus AI is a fully autonomous agent engineered for end-to-end complex task execution.”\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：它想扮演的不是回答器，而是跑流程的人。這個心智模型差很多。聊天機器人是回你一句；task runner 是把事情拆開、照順序做、做完還會看一下有沒有做歪。更好的版本甚至會知道自己卡住了，先補資料，不會硬掰一個答案就交差。\u003C\u002Fp>\u003Cp>我喜歡這種講法，因為它逼你先問一個很基本的問題：工作單位到底是\u003Ca href=\"\u002Fnews\u002Fvatican-should-partner-with-ai-labs-zh\">什麼\u003C\u002Fa>？如果單位是一個 prompt，你得到的是對話；如果單位是一個 deliverable，你才比較接近真的交辦。Manus 明顯是押後者。這也是為什麼它一直強調 end-to-end execution，而不是「更會講話」。\u003C\u002Fp>\u003Cp>我之前拿通用模型做研究簡報時就踩過這個坑。我會先要摘要，再要比較表，再要來源，再要草稿。它每一步都能回，但整體看起來還是拼貼感很重，像不同人各做各的。問題不在它不會寫，而是它沒有把整個專案往前推，只是在回最新一句話。\u003C\u002Fp>\u003Cp>實操寫法很簡單：不要用單一 prompt 去設計 agent。你要用 deliverable 去設計。你如果要\u003Ca href=\"\u002Fnews\u002F5-risc-v-market-drivers-for-2032-zh\">市場\u003C\u002Fa>簡報，就把研究、整理、比較、輸出當成同一個工作；你如果要自動化，就把觸發條件、動作、檢查、交接一次定義清楚。越早把專案名字講明白，後面越少跟工具吵架。\u003C\u002Fp>\u003Cul>\u003Cli>把任務寫成結果，不要寫成問題。\u003C\u002Fli>\u003Cli>先列出 agent 要自己蒐集的輸入。\u003C\u002Fli>\u003Cli>先定義最後要交什麼成品。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>planner、executor、verifier 這三段才是重點\u003C\u002Fh2>\u003Cp>來源頁面說 Manus 採用多 agent 架構，分成 Planner、Execution、Verification 三個角色。這不是裝飾用名詞，這是核心設計。planner 決定做什麼，executor 負責做，verifier 負責看結果到底有沒有站住腳。\u003C\u002Fp>\u003Cp>也就是說，它在試著把思考、執行、檢查拆開。我比起那種單一模型一把抓三件事的設計，更信這種拆法。因為一個 agent 同時負責想、做、查，通常會趕工；角色一拆開，至少比較有機會在出貨前抓到自己講胡話。\u003C\u002Fp>\u003Cp>我自己做過夠多爛 workflow，太知道這個差別了。最常見的失敗不是「模型不會寫」，而是「模型寫得很像那麼回事，卻沒人檢查」。verification 很無聊，但無聊是好事，因為不然你就會拿到一份自信滿滿的錯誤輸出。\u003C\u002Fp>\u003Cp>實操寫法：就算你不用 Manus，也把這個角色切分抄進自己的 prompt 或 orchestration layer。讓一個步驟專心規劃，一個步驟專心執行，最後一個步驟專心挑毛病。如果你是用 \u003Ca href=\"https:\u002F\u002Fplatform.openai.com\u002Fdocs\">OpenAI API\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fdocs.anthropic.com\">Anthropic docs\u003C\u002Fa>，或像 \u003Ca href=\"https:\u002F\u002Flangchain.com\">LangChain\u003C\u002Fa> 這類框架，就不要把三種工作硬塞進同一坨超長指令。\u003C\u002Fp>\u003Cul>\u003Cli>Planner：列步驟、依賴、風險。\u003C\u002Fli>\u003Cli>Executor：用工具把步驟做完。\u003C\u002Fli>\u003Cli>Verifier：拿原始目標回頭對照。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>工具不是加分項，是 agent 能不能落地的分水嶺\u003C\u002Fh2>\u003Cp>AITinkerers 那頁寫 Manus 會整合 browser 和 database 之類的工具。這句看起來很普通，但你想想有多少「agent」其實只會吐字，連真實世界都碰不到。工具使用才是它有沒有真的在工作。不能 browse、不能 query、不能 extract、不能 write back，說穿了就是個會寫稿的助手，不是 agent。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1779743781726-jftq.png\" alt=\"Manus AI 把工作流變成專案\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>翻譯一下就是：Manus 想碰現實。它能抓最新資訊、走網站流程、把多個來源拼起來。這差別很大，因為前者是「我幫你想」，後者是「我幫你做完」。\u003C\u002Fp>\u003Cp>我遇過一堆 agent demo，一碰到登入頁、奇怪表格、或是多一步驗證就死掉。通常這就是產品開始認真，或是開始露餡的地方。browser tool 不花俏，但很重要。database 也一樣，因為一旦能讀寫結構化資料，agent 就不是一次性的玩具，而是能接進 workflow 的零件。\u003C\u002Fp>\u003Cp>實操寫法：先列出你的 workflow 真正需要哪些工具，再去看模型強不強。做研究，通常是 browser、筆記、引用擷取；做 ops，通常是 browser 加 spreadsheet 或 database；做客服，通常是 ticket system 加 retrieval layer。任務活在哪個系統，agent 就得有那個系統的工具。\u003C\u002Fp>\u003Cp>而且工具清單不要寫得很虛。什麼叫「可以上網」？我要知道它能不能搜尋、點擊、擷取、摘要、保留來源。我也要知道它能不能把資料寫回 database，不是只會盯著看。\u003C\u002Fp>\u003Ch2>GAIA 這種 benchmark 才比較像真的工作\u003C\u002Fh2>\u003Cp>來源頁面還主張 Manus 在 \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fgaia-benchmark\u002FGAIA\">GAIA benchmark\u003C\u002Fa> 的各種難度上都有很強表現。這件事我會看，因為 GAIA 不是那種只測嘴上功夫的東西。它本來就是拿來考 real-world assistant tasks，重點在推理、工具使用、以及多步驟完成。\u003C\u002Fp>\u003Cp>也就是說，它想測的不是「講得像不像」，而是「有沒有把事情做完」。這個區別我很在意。很多模型都很會裝懂，但能一路走到終點的很少。\u003C\u002Fp>\u003Cp>我不會把 benchmark 當成神諭，畢竟 benchmark 很容易被拿來亂解讀。我會把它當線索：設計團隊是不是在優化複雜任務下的執行力。如果你的工作本來就包含研究、瀏覽、整理、驗證，那 GAIA 至少算是對到邊。\u003C\u002Fp>\u003Cp>我以前看團隊追 benchmark 分數追到走火入魔，結果跟自己實際工作完全不相干。那很浪費。比較好的做法是問：這個 benchmark 像不像我真的要做的事？如果你的任務本來就有多來源、幾個死路、最後還要交成品，那就拿這種任務去測。\u003C\u002Fp>\u003Cp>實操寫法：\u003Ca href=\"\u002Fnews\u002Fhow-to-evaluate-firefly-csc2-n48spk3-risc-v-server-zh\">評估\u003C\u002Fa> agent 時，別拿玩具 prompt。直接丟你最髒、最麻煩的真實任務，裡面要有多個來源、幾個卡點、還有一個你能判斷好壞的 final artifact。它如果撐得住，你就學到東西了；它如果掛掉，漂亮 demo 也救不了。\u003C\u002Fp>\u003Ch2>autonomy 有用，但前提是你先把籠子蓋好\u003C\u002Fh2>\u003Cp>Manus 被描述成 autonomous，聽起來很爽，但 autonomy 沒有邊界，通常只是讓你更快犯大錯。重點不是放生 agent，而是讓它不用每十秒問一次可不可以。\u003C\u002Fp>\u003Cp>翻譯一下就是：操作的人還是要先把邊界設好。哪些工具能碰、哪些要先驗證、什麼叫成功、什麼時候要停下來問人，這些都要先定。autonomy 不是人格特質，是一份合約。\u003C\u002Fp>\u003Cp>這件事我也吃過虧。第一次讓 agent 跑長流程時，我只顧著看能力，忘了控管。它確實做了一些有用的事，但也自己跑去做我根本沒交代的支線。後來不是把它變更聰明，而是把任務縮小、停損條件寫死。\u003C\u002Fp>\u003Cp>實操寫法：先設硬限制再跑。決定它能不能寄信、改資料、還是只能先產出草稿。決定它要不要引用來源、遇到失敗要不要先問、還是可以重試後繼續。你如果是在做內部 workflow，這些 guardrails 最好直接寫進 prompt 和 tool layer。\u003C\u002Fp>\u003Cul>\u003Cli>先定義允許與禁止的工具。\u003C\u002Fli>\u003Cli>設定最大重試次數。\u003C\u002Fli>\u003Cli>最後輸出前一定要有驗證步驟。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Manus 真正值錢的是專案模式，不是產品崇拜\u003C\u002Fh2>\u003Cp>這裡很多人會跳過。他們看到一個很炫的 agent，就開始把產品本身當答案。我覺得這方向反了。真正值得學的是 workflow pattern：plan、execute、verify、deliver。Manus 有意思，是因為它把這個 pattern 包成一般人能試的東西。\u003C\u002Fp>\u003Cp>也就是說，就算你從來不用 Manus，你還是可以抄它的結構。你可以把同樣的形狀放進 prompt chain、workflow engine，或你們公司內部的 agent。供應商沒那麼重要，操作模型才重要。\u003C\u002Fp>\u003Cp>我不是說 Manus 就是終點。我是說它把問題講對了：大多數 \u003Ca href=\"\u002Ftag\u002Fai-工具\">AI 工具\u003C\u002Fa>還停在建議層，真正的工作需要完成。只要 agent 能從髒亂輸入走到可交付成果，中間還會自我檢查一下，那就是不同層級的工具。\u003C\u002Fp>\u003Cp>實操寫法：先挑一個你每週都在重複的流程，直接重建成專案。可以是 research summary、onboarding checklist、support triage、競品分析、或內容草稿。給它清楚 brief、工具集、驗證步驟、最後交付物。然後看它到底是幫你省時間，還是只是在製造更多 review 工作。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># Autonomous Agent Project Template\n\n## Goal\n把一個零碎、多步驟任務，變成有 planning、execution、verification 的可交付專案。\n\n## Use when\n- 任務不只一步\n- 任務需要外部工具或新資料\n- 你要的是 final artifact，不只是建議\n\n## Inputs\n- Task brief:\n- Target audience:\n- Required sources or systems:\n- Allowed tools:\n- Forbidden actions:\n- Success criteria:\n- Stop conditions:\n\n## Agent roles\n### Planner\n1. 用一句話重述目標。\n2. 把任務拆成有順序的步驟。\n3. 標出依賴與風險。\n4. 決定完成需要哪些證據。\n\n### Executor\n1. 依序執行步驟。\n2. 只使用允許的工具。\n3. 保留來源、筆記與中間產物。\n4. 卡住就標記，不要自己亂補。\n\n### Verifier\n1. 對照 success criteria。\n2. 檢查缺步、弱證據、未支持的主張。\n3. 確認成品能直接交付或轉交。\n4. 如果失敗，回到最小壞掉的步驟。\n\n## Prompt skeleton\nYou are running a project, not answering a single question.\n\nGoal:\n[insert goal]\n\nContext:\n[insert background]\n\nAllowed tools:\n[insert tools]\n\nForbidden actions:\n[insert restrictions]\n\nProcess:\n1. Plan the work.\n2. Execute the work.\n3. Verify the result.\n4. Deliver the final artifact.\n\nOutput format:\n- Final answer\n- Sources used\n- Open issues\n- Verification notes\n\n## Review checklist\n- 任務有沒有 end-to-end 完成？\n- 有沒有用對工具？\n- 有沒有自己驗證？\n- 有沒有亂講沒根據的東西？\n- 成品能不能直接交出去？\n\n## Example use case\nResearch brief:\n- Gather 3-5 sources\n- Extract key claims\n- Compare positions\n- Draft summary\n- Verify citations\n- Return final brief\n\n## Operational note\n如果 agent 開始亂跑，先縮任務，不要先加智商。\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這份模板我故意寫得很素。不要魔法詞，不要假裝人格，不要那種「請保持樂於助人」的廢話。我想看到的是 workflow，本體要清楚，角色要分開，限制要寫死，這樣 agent 才不會自己發明規則。\u003C\u002Fp>\u003Cp>如果你要把它接進真的 stack，直接塞進你現有的 orchestration layer 就好。不管是簡單 prompt chain、tool-calling loop，還是公司內部 workflow service，結構才是重點，模型只是引擎。\u003C\u002Fp>\u003Cp>來源致謝：原始脈絡主要來自 \u003Ca href=\"https:\u002F\u002Faitinkerers.org\u002Ftechnologies\u002Fmanus-ai\">AITinkerers 的 Manus AI 頁面\u003C\u002Fa> 與 \u003Ca href=\"https:\u002F\u002Fmanus.im\">Manus 官方網站\u003C\u002Fa>，另外參考了 \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fgaia-benchmark\u002FGAIA\">GAIA benchmark\u003C\u002Fa> 的任務設定。上面這份模板與拆法是我根據這些資料整理出的衍生實作版本。\u003C\u002Fp>","拆 Manus AI 的代理工作流模型，順手給你一份可直接複製的多步任務模板。","aitinkerers.org","https:\u002F\u002Faitinkerers.org\u002Ftechnologies\u002Fmanus-ai",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1779743783745-fe6j.png","ai-agent","zh","6e3934c3-0862-4866-8ece-38a0c817647d",[17,18,19,20,21],"agent workflow","autonomous agent","GAIA benchmark","tool use","verification",[23,24,25],"把 agent 當專案跑，不要當聊天框用。","planner \u002F executor \u002F verifier 的角色切分，比單一模型硬扛更穩。","先寫好工具、邊界、驗證，再談 autonomy。",5,"2026-05-25T21:15:56.217317+00:00","2026-05-25T21:15:56.158+00:00","e3b68196-9e64-4c18-a3b6-a73e73bfb367",{"tags":31,"relatedLang":41,"relatedPosts":45},[32,34,36,37,39],{"name":19,"slug":33},"gaia-benchmark",{"name":18,"slug":35},"autonomous-agent",{"name":21,"slug":21},{"name":17,"slug":38},"agent-workflow",{"name":20,"slug":40},"tool-use",{"id":15,"slug":42,"title":43,"language":44},"manus-ai-turns-workflows-into-agent-projects-en","Manus AI turns workflows into agent projects","en",[46,52,58,64,70,76],{"id":47,"slug":48,"title":49,"cover_image":50,"image_url":50,"created_at":51,"category":13},"ef96a410-24bd-4e35-8536-439f21f820e6","claude-code-dynamic-workflow-ai-harness-zh","Claude Code 動態工作流：AI 自寫 Harness","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781035378200-qkm9.png","2026-06-09T20:02:21.942031+00:00",{"id":53,"slug":54,"title":55,"cover_image":56,"image_url":56,"created_at":57,"category":13},"9fb91fbe-64cd-4732-aba7-5b20daacf962","agent-orchestration-enterprise-ai-layer-zh","企業 AI 缺的是編排層","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780984981291-rodj.png","2026-06-09T06:02:30.929215+00:00",{"id":59,"slug":60,"title":61,"cover_image":62,"image_url":62,"created_at":63,"category":13},"2e389faa-a4ab-4f7a-b6da-c2ba69d5f14b","ai-agents-use-blockchain-trust-layer-zh","AI 代理用區塊鏈當信任層","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780980509390-6s0i.png","2026-06-09T04:48:01.259033+00:00",{"id":65,"slug":66,"title":67,"cover_image":68,"image_url":68,"created_at":69,"category":13},"1c433948-634b-47e4-a119-dd567203a712","8-rag-patterns-demos-into-prod-zh","8 種 RAG 模式把 Demo 變上線","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780971552397-h12o.png","2026-06-09T02:18:36.130013+00:00",{"id":71,"slug":72,"title":73,"cover_image":74,"image_url":74,"created_at":75,"category":13},"7d860405-aca6-486b-8de0-1c5193a3b06d","fine-tuning-beats-rag-style-not-facts-zh","當目標是文風不是事實時，微調比 RAG 更有效","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780924689232-5elu.png","2026-06-08T13:17:25.235242+00:00",{"id":77,"slug":78,"title":79,"cover_image":80,"image_url":80,"created_at":81,"category":13},"3d1e5ef7-8f31-4e57-b286-306825d7f38e","openclaw-small-business-ai-staff-zh","OpenClaw把AI變成夜班員工","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780904888882-6w0v.png","2026-06-08T07:47:27.229503+00:00",[83,88,93,98,103,108,113,118,123,128],{"id":84,"slug":85,"title":86,"created_at":87},"4ae1e197-1d3d-4233-8733-eafe9cb6438b","claude-now-uses-your-pc-to-finish-tasks-zh","Claude 開始幫你操作電腦","2026-03-26T07:20:48.457387+00:00",{"id":89,"slug":90,"title":91,"created_at":92},"5bede67f-e21c-413d-9ab8-54a3c3d26227","googles-2026-ai-agent-report-decoded-zh","Google 2026 AI Agent 報告解讀","2026-03-26T11:15:22.651956+00:00",{"id":94,"slug":95,"title":96,"created_at":97},"2987d097-563f-46c7-b76f-b558d8ef7c2b","kimi-k25-review-stronger-still-not-legend-zh","Kimi K2.5 評測：更強，但還不是神作","2026-03-27T07:15:55.277513+00:00",{"id":99,"slug":100,"title":101,"created_at":102},"95c9053b-e3f4-4cb5-aace-5c54f4c9e044","claude-code-controls-mac-desktop-zh","Claude Code 也能操控 Mac 了","2026-03-28T03:01:58.58121+00:00",{"id":104,"slug":105,"title":106,"created_at":107},"dc58e153-e3a8-4c06-9b96-1aa64eabbf5f","cloudflare-100x-faster-ai-agent-sandbox-zh","Cloudflare 的 AI 沙箱跑超快","2026-03-28T03:09:44.142236+00:00",{"id":109,"slug":110,"title":111,"created_at":112},"1c8afc56-253f-47a2-979f-1065ff072f2a","openai-backs-isara-agent-swarm-bet-zh","OpenAI 挺 Isara 的 agent swarm …","2026-03-28T03:15:27.513155+00:00",{"id":114,"slug":115,"title":116,"created_at":117},"7379b422-576e-45df-ad5a-d57a0d9dd467","openai-plan-automated-ai-researcher-zh","OpenAI 想做自動化 AI 研究員","2026-03-28T03:17:42.090548+00:00",{"id":119,"slug":120,"title":121,"created_at":122},"48c9889e-86df-450b-a356-e4a4b7c83c5b","harness-engineering-ai-agent-reliability-2026-zh","駕馭工程：從「馬具」到「作業系統」，AI Agent 可靠性的終極密碼","2026-03-31T06:42:53.556721+00:00",{"id":124,"slug":125,"title":126,"created_at":127},"96d8e8c8-1edd-475d-9145-b1e7a1b02b65","mcp-explained-from-prompts-to-production-zh","MCP 怎麼把提示詞變工作流","2026-04-01T09:24:39.321274+00:00",{"id":129,"slug":130,"title":131,"created_at":132},"f2ca7720-b471-4ce5-9336-2a9ac2a876fd","amazon-bedrock-agents-multi-agent-workflows-zh","Amazon Bedrock Agents 進入多代理工作流","2026-04-01T09:30:29.945429+00:00"]