导入：主动协作的AI智能体

大飞: 大家好，这里是最佳拍档，我是大飞。不知道大家有没有过这样的体验，在Slack或者钉钉里@了一下AI助手，等它回完一句话，会话就结束了，下次有事还得重新@它。它根本不记得你们之前聊过什么，更不知道你团队里其他人在做什么。但是如果我告诉你，现在你给它下一个指令，它可以自己去开沙盒、跑代码、做验证、提PR请求，几个小时之后主动回来找你汇报结果，而且它同时在跟你整个团队的人协作，知道每一个频道里在讨论什么，理解你们团队工作的全貌，你会不会觉得有些神奇呢？

今年7月7号，Anthropic应用AI团队的研发人员拉米斯·穆克塔（Lamis Mukta）做客了AI Native Dev播客，详细拆解了他们刚刚发布的团队协作型AI智能体产品Claude Tag。这次访谈除了聊到了产品本身的细节，还聊到了Claude Code在企业内外部的落地实践、AI智能体自主运行时长的指数级增长趋势，以及Dreaming的记忆优化机制。今天这期视频，我们就顺着这次访谈的脉络，给大家梳理一下这些信息。

拉米斯所在的Anthropic应用AI团队，这个团队的定位其实有点特殊，它是产品、研究和商业化推广之间的纽带，既要直接对接客户，也要跟内部的产品和研究部门配合推进项目。拉米斯对Claude Tag的定义非常直接，说这是你积极主动的协作伙伴，目前直接集成在Slack工作区里。它不仅包含了你在Claude Code里习惯的所有连接器、工具和上下文，关键是它具备了更高程度的主动性和持久性，可以长时间独立推进工作任务，而且能够同时跟你和你的团队成员协同配合。

Claude Tag与传统@Claude的区别

主持人: Slack里面本来就有@Claude的功能，这跟Claude Tag到底有什么区别呢？

拉米斯: 表面上看这俩确实很像，都是在Slack里跟Claude对话，但是底层的机制差异非常大。我特意强调三点：

第一是主动性。Claude Tag可以长时间执行工作流，任务完成的时候主动反馈结果，可以说是真正把目前AI智能体长时间自主执行任务的能力发挥了出来。你平时在Slack里@Claude，基本上是你问一句它答一句，你不触发它，它就安静地待在那里，但Claude Tag不一样，它有时候会主动找你，提醒你有事项需要处理。

第二点是记忆和上下文范围。Claude Tag拥有跨频道的记忆和上下文管理能力，它同时在跟你所有的团队成员沟通，而且这种理解是随着时间推移不断积累的，所以它能理解整个团队的工作全貌。

第三点，它打破了单次会话和独立交互的限制，不再是一次对话结束之后，上下文就清零。

跨频道记忆与端到端工作流

主持人: 团队通常先在Slack里讨论需求或者Bug，关联Linear提工单，再召唤Claude实现，最后提交PR提示审查。Claude Tag是不是不仅知道Slack内的历史互动，还知道更多呢？

拉米斯: 是的，我们为Claude Tag设计了一套基于频道级别隔离的完整权限系统。如果某个频道专门讨论功能需求，它就会积累大量历史需求和处理流程的上下文，端到端跟进。配置得当的话，它还能搜索其他的公开频道，比如客服频道里有更多Bug源头的上下文，只要授予相应的权限，Claude Tag就能访问这些你原本可能根本看不到的信息，并且呈现给你。

更核心的区别在于工作流的执行方式。以前你处理完Linear工单，可能要打开Claude Code去指挥它执行任务，但是现在整个端到端工作流可以完全在Slack一个消息线程里完成。假设收到一条反馈，Claude Tag可以率先捕捉到，自动@应该参与处理的人，然后自动在Linear中创建工单。最关键的一点是，你不再需要打开Claude Code，它能自行理解接下来需要进行代码开发，自己启动沙盒，在获得权限的情况下在代码库里运行代码，进行代码验证，确保功能满足工单需求，等到PR请求准备就绪时再通知你。你可以选择让它自动运行整个流程，也可以在执行代码前设置人工审批节点。

拉米斯还特别提到了跨部门协同的能力，这是以前仅仅依靠Claude Code或者Cowork很难实现的。比如一个客服工单生成的时候，可能需要@负责该客户的主管让他们了解进展，当Tag带着方案反馈回来时，可以拉入工程师或产品经理对产品实现进行评估，之后需要代码审查和部署上线时，再让工程师介入。这种多人协作的能力，正是效果呈指数级放大的地方。

从单人IDE到Slack异步协作

主持人: 当工作流从IDE或者独立会话逐渐转移到Slack聊天环境时，这种工作流发生了怎样的改变呢？

拉米斯: 我们产品工程团队有65%的PR请求是由Claude Tag创建的，现在Claude Tag已经成为了启动工作流的首选入口。

用Claude Code开发的时候，整个体验非常偏向单人独立模式。你通常要在本地运行代码，进入Claude Code实例，开启一个个独立的会话，在会话中陈述目标，管理上下文，然后运行结果或者循环。但有了Claude Tag之后，界限开始变得模糊，不再局限于会话和单人模式。当你用Claude Tag启动AI智能体的编程流程时，你会发现它从一开始就是多人协作的。Tag可以主动向流程中需要参与的人征求意见，作为开发者，你不再需要亲自去找产品或销售人员沟通，可以让这一切直接融入核心的Tag工作流中。最终所有这些工作都是公开透明的，相关人员从一开始就能清楚看到工作流的进展，确切知道工程师正在提供什么样的产品规格，可以随时补充背景信息，Claude Tag也会把相关信息推送给他们。

另一个显著差异是异步性。Claude Tag的异步性远强于Claude Code。如果你希望密切监控AI智能体的每一个操作回合，了解它的确切操作、需要的跟进事项以及进度更新，Claude Code会非常出色；但是在Claude Tag这里，更多看到的是长期运行的异步任务模式。当你给Claude Tag发送指令后，它可能在几个小时后，带着完整构建好的功能回来找你。你可以放心地把任务交给它，完成后它会主动通知你。这和Claude Code’的体验截然不同，虽然它受到了Claude Code中一些功能的启发，但是确实代表了工作方式的根本改变。

AI自主运行时长的指数级增长

主持人: 从终端IDE到聊天环境的迁移，是不是意味着人类对AI决策可靠性的信任在不断提升呢？Slack和聊天环境真的会成为新的IDE吗？

拉米斯: 我不认为两者是完全相互替代的关系，各有各的定位和用途。但是，我非常认同交互方式正在发生转变这个趋势。这里我提到一个研究：来自METR的研究图表清晰显示，AI智能体能够自主运行的时间，大约每四个月就会翻一番。

主持人: 这种现象究竟是模型本身能力的提升，还是也包含了人类干预因素呢？

拉米斯: METR的研究涵盖了多个不同领域和时间跨度。AI智能体能够成功完成特定时长任务的能力，只是衡量其水平的一个通用指标，虽然并不完美，但是它真实反映了与这些模型交互时的直观感受。它们能执行任务的时间越长，通常意味着在处理更复杂的工作，能执行多步骤任务，在不同阶段验证自身工作成果，最终成功交付。这种指数级增长已经持续了近十年，每当你觉得它无法持续时，它总能打破常规。

随着时间推移，许多以前需要在Harness中处理的行为，现在正在被嵌入模型内部。模型在验证自身工作方面表现得越来越好，在汇报任务完成前会自我检查，无论是前端测试、运行测试还是创建自身评估，表现都越来越出色。

当今开发领域的另一个趋势是，开发者的行为正在转变，更多取决于能否在特定场景下清晰定义成功的标准。这不仅适用于编程，几乎适用于所有领域。你是否对理想的结果有清晰的认知？如果有，把它交给模型，它可以循环执行，或者让另一个AI智能体审查工作，直到审查者认为任务圆满完成。在AI智能体和模型端，它们越来越擅长执行任务；而在人类端，我们的行为正在向能否清晰定义好结果转变。至于Slack是否会成为新的IDE，我认为它提供了一个平台，让AI智能体更靠近你日常工作的地方，需要更多上下文或者想委派任务时，只需将AI智能体拉入对话即可，无需在与AI协作和与团队协作之间频繁地切换上下文。

Claude Code与团队的成熟度

主持人: 从AI智能体编程和开发角度看，目前行业在使用Claude Code方面处于什么成熟度阶段呢？

拉米斯: 我们看到了各种形式和规模的应用。个人层面，人们能更快、更高质量地完成独立任务；扩展到团队和整个组织时，则看到了一些相当惊人的成果。比如Stripe完成了整个代码库的重写，原本需要几周甚至几个月的时间，现在只需几天或几个小时。当真正大规模部署这些工具，并让每个人都参与进来时，就能达到这样的规模效应。那些过去因资源短缺被搁置几个月或者几年的宏大项目，现在终于变得可行了。

产品方面也出现了一个现象，团队基本上能够对某些想法进行多种原型设计，通过AI智能体在内部进行大量测试，然后全力投入效果最好的那一个。这让产品开发方式有了更多实验空间，也带来了更多的勇气和胆识。

主持人: 像Claude这样的工具大大降低了快速构建的成本，人类是否已经成了适应速度最慢的一环，人们还能跟上交付的节奏吗？

拉米斯: 我最近在欧洲几个城市巡回交流，我喜欢问在场所有人一个问题：谁有错失恐惧症，觉得自己日常对AI的使用还不够？结果往往是全场举手，Anthropic的员工也是如此。连安德烈·卡帕西（Andrej Karpathy）都说过类似的话：事物发展的规模和速度，已经超出了单个人的认知和跟进能力，有时她自己都会发现一些不知道已经具备的功能。

但是她同时提醒，还有一个更难回答的问题，就是这一切在多大程度上会转化为实际的客户价值。我们可以拥有所有这些原始智能，但是有将它转化为实际价值的基础设施吗？这涵盖了Harness如何管理上下文和记忆、如何管理工具、安全性和权限管理，以及如何托管部署模型。尽管有很多耀眼的创新，但是这些基础设施和安全问题，才是每个人都应该高度关注的焦点。纸面上的价值就在那里，但要确保人们真正的感受到，需要付出更多的艰苦努力。

Claude Code与Tag的诞生历程

主持人: 那么这两个产品最初是如何诞生的？

拉米斯: Claude Code很大程度上是鲍里斯（Boris）业余时间做的一个副业项目。Anthropic有一种非常强烈的实验文化，大家总喜欢构建自己的工具。一开始Boris在Slack上分享这个项目时，大概只收到了六个回复，这说明当时并没有一套绝对完美的流程来判断什么才是好产品。但是有几个人看到后非常兴奋并继续参与，很短时间内就有大约一半的员工每周在使用它。

这里有一个很重要的产品原则是：当模型能力进一步提升，使得AI智能体能够真正执行长时间编程任务时，产品的采用率才迎来了真正的爆发。早期版本的自主性弱得多，更像是分块返回代码，后期才真正开始能访问各类工具，高效处理整个代码库，掌控大量上下文并且保持目标导向。所以，要为模型未来的能力构建产品，而不是为今天的能力构建，因为这些技术发展得太快了。

当Anthropic决定广泛发布Claude Code时，内部已经有一半人每周在使用，这种内部产品市场契合度让发布成为了一件水到渠成的事。Claude Tag走的是同样路径，发布之前65%的代码PR请求都是由它提交的。

我还可以讲一个很有意思的例子，营销团队有一名成员，一天开始时还在谷歌搜索“什么是终端以及如何使用”，到一天结束时，他已经将一个原本需要30分钟的工作流，自动化为只需30秒就能完成。非编程领域的验证和上下文问题确实更难解决，它们没有整洁的文件系统、GitHub版本控制和单元测试这类基础设施，所以必须更具创造力。但是方向是明确的：人们正在改变创建和存储数据的方式，以便AI智能体更容易访问。

Anthropic有一种非常强大的文化，就是在Slack公共频道公开工作。之所以刻意这样做，是因为AI智能体可以用任何人都不可能具备的全局视野，将所有信息连接起来。我自己在公开频道与Claude Tag交流的程度，几乎达到了用它处理所有工作的地步，除非涉及高度机密的内容。

企业级安全、权限与AI独立身份

主持人: 这种公开透明的模式在企业落地时会遇到安全挑战吗？

拉米斯: 确实，内部反馈非常重要，但是AI智能体时代的产品开发还有一个特殊挑战，有些功能作为单人体验感觉非常棒，但是扩展到企业级应用时，面临的问题形态会截然不同。

Anthropic内部非常乐于共享信息，也有严格的安全防护机制。Slack工作区在权限管理方面有完善机制，在这些确信安全可信的信息共享空间内，人们可以非常开放，这也是AI智能体能表现出色的原因。设计Claude Tag时的一个原则就是精心设计每个频道的权限分配。每个频道和工作区都有各自的权限范围，包括可以访问哪些工具、对不同服务拥有什么API密钥、允许访问哪些其他频道。之所以这样做，是因为我们一方面希望分享公开工作这样的协作文化实践，另一方面必须确保产品内置安全防护机制，用真正可扩展至企业级的方式来实现这种工作模式。

为此，Anthropic还引入了一个非常关键的设计概念，叫做AI智能体身份。Claude Tag与Claude Code或Cowork的最大区别在于：使用Code或Cowork时，它们会继承你个人的权限，使用你的API密钥或者权限系统来操作，由你来授予访问权；而使用Claude Tag时，实际上赋予了这个AI智能体独立的权限和专属密钥，让它能够自主执行任务。它不再代表个人，而是代表团队运作。这让审计工作变得容易得多，因为它不是以你的身份，而是以自己的身份在执行任务。这是为实现多人协作模式做出的关键架构调整。

大道至简的记忆系统与Harness

主持人: 在这期间你们积累了哪些教训？

拉米斯: 我们有两个深刻的教训。在开发方面，每当推出新模型时，都要探讨模型在哪些维度变得更强大，定期重新审视Harness应该是什么样。团队很乐意随着时间推移从Harness中删减内容，让它变得更简单和轻量，直接让模型承担核心工作。渐渐地，Harness确实变得更精简了，因为在某些能力上可以更信任模型。新模型并不意味着要盲目堆砌更多的提示词和更复杂的架构，有时候大道至简。

另一个教训来自于记忆系统。很多初创公司会专门询问记忆与上下文基础设施的问题，这方面没有放之四海而皆准的解决方案。我们在Managed Agents API中的解决方案，是一个非常简单的记忆文件系统，仅仅依靠AI智能体读写记忆的能力。过去我们尝试了很多的复杂方案，比如索引记忆存储或者专门读写记忆的工具，但是随着时间推移发现，预设太多的限制反而会带来问题，其实最好别去干预。AI智能体非常擅长直接使用文件系统以及bash和grep工具。所以，我的建议是可以直接移除一些抽象层，放下对记忆结构设定的固有偏好，构建索引并不总是要按照最佳实践，有时候一个简单的文件系统反而更好。

非工程用例与主动性调节

主持人: 听说Anthropic内部有很多非工程用例？

拉米斯: 方式太多了，可以说整个公司都依托Claude运行。过去一年里，全公司各团队放心交由Claude处理的工作量翻了一番，依赖程度从30%上升到了60%。

营销团队建立了广告和文案生成流水线；大量事件响应基础设施，某种程度上也依赖Claude对事件进行优先级排序，并且拉入合适人员，在力所能及范围内还能开始诊断代码问题。针对销售团队的周报机制，Claude会汇总每个人当周工作，提供数据统计和仪表盘更新，让大家做好开会准备，没人需要辛苦做幻灯片了，这是基于日程表运行的任务，能节省大量时间。

还有更具响应性的场景，比如事件响应，Claude知道何时介入，也知道该表现出多强的主动性。他在开发产品时，会通过接口把反馈输入原型，然后让Claude Code在后台处理，相当于每个人都在打造属于自己的工具。

我们还特意提到了主动性调节这个设计维度，这是构思Tag时融入的一个重要思考。主动性是可以灵活调节的：你可以设置让Claude仅在被@时回应，或者让它建立时间表执行任务，又或者当它认为有相关上下文需要分享时，主动加入讨论。最糟糕的体验就是，有一个总是带着冗长上下文来回应每句话的机器人。所以他们将主动性视为一个渐变范围，在实践中不断地微调，判断什么是合适的、何时应该介入、何时应该保持沉默、何时应该按程序设定执行任务。如果Claude做出了不符合偏好的行为，只需要告诉它，它就会更新记忆，让未来更贴近预期。

自动化故障响应：凌晨三点的PR

主持人: 事件响应的具体工作模式是怎样的？

拉米斯: 事件响应AI智能体是我们认为极其行之有效的一个模式。作为曾经需要值班的工程师，她深知凌晨三点听到PagerDuty报警电话的恐惧感。想让AI智能体胜任这项工作，首先需要赋予它访问各种数据源的权限，比如数据仓库、日志、指标甚至代码仓库，这样它们才能开始诊断问题。但另一个重要考量是门关卡设置在哪里，这完全取决于团队决定。大规模部署需要经历建立信任的过程。刚开始也许只是让Claude试一试，同时保留传统流程，随着时间推移变得更加自信，将越来越多的工作委托给它。也许最开始只是将诊断修复方案转交给工程团队，只有问题极其严重时才唤醒工程师；再进一步可能可以提交草稿PR，直到放开你想要的任何权限关卡。

主持人: 以前总说我睡觉时AI在工作，现在即将变成我睡觉时AI在修复生产环境的问题。

拉米斯: 确实。拉米斯回应说，她宁愿被这样一个电话叫醒，告诉她出现了一个故障，这是修复它的PR，这是验证过修复有效的测试，这是故障影响范围。比起只说请你来看看这个故障的AI，她更愿意看到前者，更乐意在凌晨三点批准那个PR。

Dreaming：AI智能体的睡眠与持续学习

主持人: 刚才提到了Dreaming，能详细介绍一下吗？

拉米斯: Dreaming是Managed Agents服务上的一项研究预览功能，这款产品本质上能让你在生产环境中，更迅速地构建和部署AI智能体。Anthropic承担了Harness管理、基础设施和可观测性等繁杂工作，将积累的经验教训转化为AI智能体、环境和会话等具体原语，让用户能快速的组合部署。

由于上下文在AI智能体开发中是如此的重要，所以缺少记忆功能是不完整的。记忆功能让AI智能体能读写不同的记忆库，权限控制极其严格。比如组织级别的上下文只能读取，暂存区允许存放与当前工作相关的上下文。但是系统长时间运行后，内部积攒陈旧信息的风险会增加，部分内容可能过时、缺失甚至混乱。

Dreaming的运作方式顾名思义：你可以按喜欢的频率运行这些任务，输入记忆库数据和会话记录（也就是AI智能体执行任务的轨迹），把这些交给另一个AI智能体去审查，寻找偏差。它可能会发现缺失的、误导性的信息，或者找到新的信息重组方式，使AI智能体更容易检索调用。它会提供附带证据的修改建议，由你来决定实施哪些更改。拉米斯认为关键在于，它开启了持续学习之路。今天运行了AI智能体，明天就能基于优化点再次运行，真切地看到能力提升。

总结与展望

大飞: 访谈接近尾声时，拉米斯鼓励听众去配置和体验Claude Tag，只需要让Slack管理员开启功能，做些基础配置即可。

她分享了自己设置的第一个功能：每日简报。得益于Tag能访问的连接器和上下文，它能告诉她过去24小时内发生的事情，尤其是针对跨国团队的协作，比如旧金山团队做了什么，一觉醒来不必面对满屏邮件和Slack消息，只需要阅读一份精炼的简报。它还能掌握当前工作流的上下文，能提醒她正在处理的事情，比如准备演讲前需要先复习的相关文档。另一个功能是让Tag知道哪些频道对她重要，实时提醒紧急事务。还有团队层面的Tag会制作周报，汇总团队本周学到的新事物，鼓励大家持续分享上下文。这些都是很好的实践切入点。

进阶玩法是让Tag编写自定义软件，部署到Claude Code Artifacts中，当作个人仪表盘或团队小工具。拉米斯个人很喜欢的一个用法是，让AI智能体告诉她这周哪里做得好，让它列出三个小成就，再给几个优化建议。她还会把年度总结发给它，输入年度反馈和管理层期望，获得改进建议。说到这里拉米斯开了个小玩笑，说她现在唯一需要的，就是一个能替她打工的AI智能体，然后就可以完全放手去享受阳光了。

这期访谈听下来，我最大的感受是，我们正在见证AI工具从被召唤的助手，向主动协作的团队成员的身份转变。以前我们用AI，本质上还是人在驱动每一步，但是当一个AI智能体能拥有独立身份、跨频道记忆和长时间自主执行，知道主动找人汇报，甚至在你睡觉的时候自己修复生产环境问题，人机协作的边界确实在发生根本性的变化。

拉米斯反复提到一个词是信任，这种信任不是凭空建立的，而是随着模型自主运行时长，每四个月翻一番这样的能力曲线逐步建立起来的。对开发者和团队管理者来说，现在可能需要思考的是，你的团队工作流中，有哪些环节是可以清晰定义成功标准的，这些环节或许就是AI智能体最先介入的地方。

那么大家是怎么看AI智能体深度融入到团队协作这件事的呢？如果你的Slack或者钉钉里有这样一个能主动干活、主动汇报的AI同事，你最想把什么工作交给它呢？欢迎在评论区留言讨论。感谢收看，我们下期再见！