不只堆疊提示詞：用 Claude 打造「探索、規劃、執行、自我修復」自動化 Agent 工作流

如果你仍只用 Claude 的「提示詞 → 回應」模式，或把 Agent Loop 寫成沒有無限迴圈防護與權限鎖定的簡單 while 迴圈，那麼這套 AI 工作流在正式環境中可能隨時失控。要打造能處理長時間任務、大型程式碼重構，甚至維運自動化的正式環境級 Agent，關鍵不在提示詞有多長，而在架構設計（Architecture）、上下文管理（Context Management）與安全護欄（Guardrails）。

本文從真實的正式環境故障案例出發，深入拆解 Anthropic 官方提倡的 Explore-Plan-Execute-Verify 架構，並逐步帶你用 Python 建立具備「自我修正與安全鎖定」能力的企業級程式碼 Agent 工作流。