AI Agent 開發者工具公司 Raindrop 本週開源本地調試器 Workshop（v0.1.6），讓開發者可即時追蹤 Agent 每個 token 輸出和工具呼叫，並透過 MCP 讓 Claude Code 自動讀取、撰寫測試與修復。
（前情提要：Claude 寫程式瘋狂犯錯裝傻？改造 Andrej Karpathy 的12 條規則幫你把錯誤率從 41% 砍到 3％）
（背景補充：Anthropic 推出「Claude for Small Business」：瞄準中小企業 AI 自動化工作）
你的 AI Agent 剛跑出一個奇怪的結果。它選了一個你沒有預期的工具，輸出了一段語義含糊的回應。你開啟日誌，看到的是一堆 API 呼叫和 token 數字，但沒有任何線索告訴你哪個決策走錯了。
Raindrop 在 5 月 14 日發布了一個開源工具，試圖讓這個場景不再發生：一個完全本地端、完全免費的 AI Agent 偵錯程式 Workshop。讓開發者可以即時追蹤 Agent 每一個 token 輸出和工具呼叫，然後把除錯這件事本身，交給 Claude Code 或 Codex 來做。
AI Agent 的除錯問題為什麼特別難？
傳統軟體除錯有斷點、有完整的呼叫堆疊、有確定性的執行路徑。AI Agent 的除錯不一樣。它的行為是機率性的，同樣的輸入在不同執行下可能走出完全不同的路；它的決策是在多層 LLM 呼叫之間分散形成的，單靠終端輸出幾乎看不出任何邏輯。
問題的本質是：你不是在找「哪一行程式碼寫錯了」，而是在找「Agent 在某個特定的上下文組合下做出了一個非預期的判斷，是在哪一步出了問題」。這種問題，靠傳統 debugger 是找不到答案的。
現有解法通常只有兩條路：
- 一是雲端監控平台，把 trace 送到第三方服務用儀錶板分析
- 二是在程式碼裡塞滿自定義 logging 邏輯
前者對有資料隱私顧慮的開發者不友善，後者費時費力，每次框架升級都要維護一套新的 logging 基礎設施。而且兩者都有一個共同問題：它們告訴你「發生了什麼」，但不幫你「修好它」。
Workshop 選擇了第三條路：完全本地端執行，不傳送任何資料到外部伺服器，開源，免費，讓 AI 直接參與除錯迴圈。
Workshop 的工作方式
啟動後，Workshop 在本地執行一個視覺化介面，並對外暴露一個 MCP（Model Context Protocol）Server。MCP 翻譯過來就是「讓 AI 工具能夠呼叫外部能力的標準通訊協定」——它是 Claude Code 等 AI 編碼工具讀取外部資料的橋梁。
一旦接入支援的 SDK，Agent 的每個執行節點 — 每個 token 輸出、每個工具呼叫、每個決策分支 — 都以串流方式即時出現在 localhost:5899，不需要 polling，不需要手動重整。
用直白的話說，就是在你的電腦本地開一個監控視窗，讓你像看直播一樣，即時看到 AI Agent 在做什麼。
Workshop 最關鍵的設計，是把 Claude Code 等設計助手引進除錯迴圈。由於 Workshop 暴露了 MCP Server，Claude Code 可以直接讀取 trace 內容，根據這些 trace 撰寫 eval 測試，把測試執行起來，觀察失敗的斷言，回頭修改 Agent 的程式碼，再重新執行——直到所有測試透過。
Raindrop 稱這個迴圈為「自我修復 eval 迴圈」。整個過程在本地閉環，Claude Code 讀 trace、寫 eval、看失敗、改程式、重跑，不需要開發者手動介入每一個步驟。
Workshop 還支援 Replay 功能：把線上環境的 trace 拉回本地，對著真實程式碼重新執行，做回歸測試。這對「生產環境出錯但本地重現不了」的情況特別有用，直接拿真實 trace 跑，省去構造復現場景的時間。
📍相關報導📍
Anthropic 與 Gates Foundation 達成 2 億美元合作：推動全球 AI 數位平權，助攻偏鄉醫療、教育與農業
