TrueForge 對 Claude Managed Agents：企業揀模型、成本與控制權點取捨？

TrueForge 的賣點主要係架構，而唔係單純「模型比較勁」。企業可以用同一套 harness 接駁唔同模型 endpoint，自行決定 runtime、資料同控制措施放喺邊度。Claude Managed Agents 就係一條較垂直整合的路線：少啲基礎設施要自己砌，但會更加依賴 Anthropic 的平台同模型生態。

Benchmark 數字到底代表咩？

TrueFoundry 表示，佢哋用 DevRev Enterprise-Bench 入面 14 項 level-one 同 level-two 任務比較兩套 harness。任務涉及企業系統之間的協作、呼叫 MCP server，以及整合多個來源後產生答案；公司稱每個配置都使用相同任務，並為每個配置進行三次測試。

公司公布的結果如下：

• 兩邊都用 Opus 4.8： TrueForge 同 Claude Managed Agents 都完成大約 14 項中的 11 項。TrueForge 平均每次執行約 8.50 美元，Claude Managed Agents 約 11.80 美元，前者約平 30%。
• TrueForge 配 GLM-5.2： TrueFoundry 報稱完成率同樣約為 11/14，平均每次成本約 2.90 美元，相比 Claude Managed Agents 配 Opus 的配置低約 75%。
• 另一項模型比較： TrueFoundry 早前亦公布過一個 10 項任務測試，比較 GLM-5.2 同 Opus 4.8，任務分為 baseline、difficult 同 long-context 三類。不過，呢項同樣係公司自行設計及發表的測試，唔係中立機構驗證。

呢啲數字可以用嚟了解 TrueFoundry 自己的測試結果，但唔應該當成任何企業都適用的價格保證。首先，14 項任務的樣本唔算大；其次，75% 的比較同時改變咗 runtime 同模型，無法單獨分辨節省係來自 TrueForge 的 harness，定係來自由 Opus 4.8 改用 GLM-5.2。另有分析提醒，所謂總營運成本下降，未必已經包括基礎設施、人手同其他企業級支出。

TrueForge 點樣主張可以慳錢？

TrueFoundry 的邏輯主要有兩個槓桿：控制 agent 做幾多工作，同埋令模型選擇可以配置化。

1. 由 runtime 控制 agent loop

harness 可以管理 session、工具、狀態同上下文，避免每一步都將整段歷史當成一個未整理的 replay 再次送入模型。TrueFoundry 的公開測試討論集中於 agent loop 行為，並表示其中一項比較見到較少 planning steps；但目前公開資料未足以由外部獨立確認實作細節，亦未能證明同一效果適用於所有工作負載。

相關的成本控制方向包括：

• 減少每一輪不必要的 prompt 同 context；
• 管理 tool result、狀態及 trace，而唔係重複塞入全部歷史；
• 以 subagent 分拆任務，為每個子任務限制上下文範圍；
• 將較窄、風險較低的工作交畀成本較低的模型；
• 只有喺品質差距值得付費時，先使用 Opus 呢類 frontier model。

2. 由模型 routing 控制單價

企業可以將高階模型留畀真正需要高準確度的任務，將較簡單或低風險工作轉去平啲的模型，包括 GLM-5.2 呢類 open-weight 模型。TrueFoundry 報稱節省幅度由約 30% 擴大至約 75%，主要正正係因為後者同時換咗模型。

因此，做預算時唔好只睇「開源軟件免費」。如果要重現測試，至少應該量度 prompt 同 completion tokens、context 增長、工具呼叫次數、retry、延遲、模型 hosting 成本、GPU 使用量，以及人手審核時間。現有公開證據支持「TrueFoundry 曾經報告呢啲 benchmark 結果」，但未能證明相同比例會套用到每一種 agent、模型、任務或者 concurrency level。

自建帶來控制權，但亦帶來責任

用 TrueForge 自建，企業可以將 agent runtime 放喺自己擁有或管理的環境，設計網絡邊界，並自行決定 prompt、文件、工具輸出同 trace 點樣處理。對資料 residency、內部存取及審計要求較嚴格的機構，呢種架構可能較容易配合需要；但「自建」本身唔等於自動合規。存取控制、保留期限、審計、模型治理同安全工具權限，仍然要由企業設計及持續運作。

企業採用 TrueForge 後，通常要自己負責：

• runtime 升級同安全 patch；
• 可用性、擴容同容量規劃；
• secrets 同身份系統整合；
• sandbox、connector 同工具權限隔離；
• observability、trace 保留同事故應變；
• 模型 endpoint、GPU 容量同效能漂移。

託管服務就可以抽走其中大部分工作，令團隊由 prototype 走到 production 快啲。不過，代價係對 runtime 的控制較少，同供應商平台及模型生態的關係更緊。業界比較 managed 同 self-hosted agent 時，通常都會睇合規、資料擁有權、模型 routing、維運能力同工作負載，而唔係只比較軟件牌價。

邊類工作負載適合 TrueForge？

TrueForge 較值得考慮，如果企業需要：

• 嚴格的網絡邊界或資料 residency 要求；
• 隨時轉換模型供應商，或者使用 open-weight 模型；
• 自訂 approval、audit 同 observability 流程；
• 持久運行、工具密集或者高流量的 agent；
• 已經有 platform、security 或 SRE 團隊運作整套 stack。

Claude Managed Agents 較適合，如果團隊重視：

• 快速部署及較短 time-to-value；
• 已經準備好的 hosted sandbox 同 runtime；
• 盡量減少基礎設施管理；
• 不需要大幅度模型 portability 的標準化工作；
• 避免自行承擔 staffing、on-call 同維運責任。

要留意，自建唔係必然平啲。低流量或者流量難以預測時，managed service 可能更抵，因為供應商幫你吸收閒置容量同大量平台人力成本。當用量長期穩定、模型選擇可以帶來明顯節省，而企業本身又有能力運行基礎設施，自建才較有機會在經濟上佔優。

TrueFoundry 係邊間公司？有邊啲早期採用者？

TrueFoundry 於 2021 年由三位前 Meta 工程師 Nikunj Bajaj、Abhishek Choudhary 同 Anuraag Gutgutia 創辦。

公司宣布完成 1,900 萬美元 Series A 融資，由 Intel Capital 領投，Peak XV、Eniac Ventures 同 Jump Capital 參與，亦有天使投資者加入。

TrueForge 報稱的早期 production adopters 包括 NetApp、Automatiq，以及 TrueFoundry 內部的 Ask TFY 系統。呢啲案例反映產品已有早期企業使用，但唔等於已經有獨立證據證明佢可以喺廣泛 production deployment 中保持可靠。

放喺 agent 市場入面，TrueForge 係咩位置？

TrueForge 屬於 agent runtime 或 harness 層，呢一層同底層模型，以及主要用嚟編寫 agent 邏輯的開發框架，並唔係同一回事。

• Claude Managed Agents： 將 Anthropic 模型、託管執行環境同基礎設施整合埋一齊。優點係上線路徑直接；代價係模型同 runtime portability 較低。
• TrueForge： 強調由企業擁有、模型中立、可以 self-host 的 runtime，主打模型 routing、部署控制同企業治理。
• DeepSeek 相關 harness： 屬於 open model 及 open runtime 趨勢的一部分，但現有資料不足以對 DeepSeek harness 同 TrueForge 做嚴謹的逐項功能比較。
• OpenAI Codex CLI： 主要係面向開發者的 coding agent 同 command-line workflow，唔係一般企業多工具 business agent 所需的 control plane，因此唔算直接替代品。
• LangChain Deep Agents： 較適合理解為用嚟建構 planned 或 subagent workflow 的框架；TrueForge 就較偏向 production runtime 同企業部署層。兩者可以互補，而唔一定係二揀一。

企業最後應該點揀？

TrueForge 最有說服力的定位，唔係話 managed agent 已經過時，而係指出部分企業會想擁有 agent 底層 harness，從而自行揀模型、控制部署位置，並按照內部治理要求調校 agent loop。

「同一個 Opus 模型低約 30%」以及「改用 GLM-5.2 後最多低約 75%」呢兩個 benchmark headline 值得企業自行測試，但在未用代表性公司任務重現之前，應該當成待驗證假設，而唔係預算承諾。

較實際的評估方法係用真實工具同資料做 pilot，然後一併比較：任務成功率、失敗模式、tail latency、token 同 context 用量、模型及基礎設施成本、安全控制、日常維運工作量，以及人手審核需要。

如果團隊冇能力或者冇必要自己運行整套 stack，Claude Managed Agents 可能仍然係更穩陣的產品選擇；如果企業最重視控制權、模型可攜性同長期工作負載經濟效益，TrueForge 就係一個值得進行小範圍企業 pilot 的方案，但唔係一條保證可以直接上 production 的捷徑。