跨国深谈← 返回←Claude Tag:住在 Slack 里的主动型队友，如何让 65% 的 PR 由 AI 开出

Claude Tag:住在 Slack 里的主动型队友，如何让 65% 的 PR 由 AI 开出

关联

人物 Guy Pajani · Simon Maple · Lamus Mukta

公司 Anthropic

概念 Claude Tag · Claude Code · 智能体 · 沙箱 · 记忆 · dreaming · 智能体身份 · Managed Agents · harness · Slack

这一集聊的是 Anthropic 刚发布的产品 Claude Tag——一个住在 Slack 里的「主动出击的队友」。说话的主角是 Lamus Mukta,Anthropic 应用 AI 团队的技术成员，这个团队夹在产品、研究和市场之间，他平时主要和初创公司创始人打交道 。最能说明这东西分量的一句数据是：Anthropic 内部产品工程团队 65% 的 PR 已经是由 Claude Tag 开出的 。

Claude Tag 是什么：从「你问它答」到「它来找你」

Claude Tag 拥有 Claude Code 那套你熟悉的连接器、工具和上下文，但多了两样东西：主动性和持久性——它能长时间执行一段工作，做完了再回来告诉你 。

主持人的团队早就有「Slack 里 @ Claude」的用法：在 Slack 里讨论需求，再去 Linear 开票，然后让 Claude 实现、回来给个 PR。这和 Claude Tag 看起来很像，区别在底层 :

• 上下文范围更大：Claude Tag 的记忆可以跨越频道，理解整个团队在做什么；权限配置得当，它还能搜索它所在的其他公共频道——比如从客服频道里把你根本看不到的问题背景捞出来 。
• 主动发起：普通 Slack 里的 Claude 是你问它才答；Claude Tag 有时会主动来找你，说有件事需要你注意 。
• 端到端闭环：一条反馈进来，Claude Tag 可以先接住、@ 它认为该负责的人、自动开 Linear 工单、然后自己起一个沙箱(隔离运行代码的环境)、在你的仓库里写代码、验证结果、PR 就绪时 ping 你——全程不需要打开 Claude Code 。你要想留人工关卡，可以明确配置「这些事必须先问我」。
• 跨职能协作：客服工单可以顺手圈进销售负责人，产品方案出来再圈进工程师做代码审查——这种「多人协作」是纯 Claude Code 很难做到的 。

工作流的真正变化：从单人会话到多人异步

用 Claude Code 时，你是在一个单人会话里：自己陈述目标、自己管理上下文、自己盯每一回合。Claude Tag 把这一切变得「无定形」：不围绕会话、不围绕个人 。工作公开发生在频道里，产品、销售同事从一开始就有可见性，想插话随时插 。

节奏也更异步：你 ping 一下 Claude Tag,它可能几个小时后带着端到端做完的功能回来 。Claude Code 适合你想盯着智能体每个回合的时候;Claude Tag 适合长跑型任务 。

支撑这种信任的是能力曲线：大约每四个月，智能体能自主运行的时间就翻一倍，而且这条指数线近十年一直没断过 。行为也在从外部框架(为了引导模型而写的脚手架代码)迁入模型本身——现在的模型会本能地先检查自己的工作，有工具时还会自己跑测试、建评估 。

与之对应，人的角色变了：开发者的核心工作从写代码，变成「定义好什么叫成功」——定义清楚了就交给模型，让它自己循环、让另一个智能体来审，直到审的人也认为完成 。

Claude Code 的起点：一条只收获六个表情的 Slack 帖子

Claude Code 最初是 Boris 的一个副业项目。他在 Slack 里分享时，只收到六个表情回应——Mukta 说这恰恰说明：数据不完美，没有完美流程能预判什么是好产品 。但几个人看到了潜力继续做，短时间内公司一半的人每周都在用它 。

关键的转折点是模型变强：早期迭代「不太像智能体」，只能吐回代码块；后来模型能长时间调用工具、在代码库上高效工作、保持目标导向，采用率才真正起飞 。由此得出的一条核心建议：为模型未来的位置构建，别为它们今天的位置构建 。Claude Tag 也是同样的逻辑——内部 PMF(产品市场契合)到了 65% PR 的程度，才推向外部 。

Anthropic 学到的教训：harness 会变小，记忆要够笨

Mukta 分享了两条花真金白银换来的经验：

• 新模型 ≠ 加更多提示和架构，往往是「少即是多」。每次新模型出来，Anthropic 都重新审视脚手架，主动删东西——模型变强了，原来塞进框架的行为它自己会做，框架随时间反而变小 。
• 记忆系统别过度设计。他们试过索引式记忆存储、专门规定读写方式的工具，结果发现模型被管得太死；换成托管智能体 API 里一个简单的记忆文件系统，让智能体用自己的文件系统和原生 bash、grep 工具去管理，效果反而更好 。

配套动作是持续评估：模型升级后要重跑评估，看哪些上下文、提示、技能现在反而是冗余的 。

整家公司跑在 Claude 的轨道上

一个有趣的数字：过去一年，Anthropic 全公司愿意委托给 Claude 的工作占比从 30% 翻倍到 60% 。非工程团队的例子：营销团队有人的第一天从搜索「终端是什么」开始，当天结束就把自己 30 分钟的工作流自动化成 30 秒 ;销售团队有 Claude 自动跑的每周简报，没人再熬夜做幻灯片 ;事件响应基础设施也靠 Claude 分诊、拉人、诊断代码问题 。

这背后有个刻意的文化设计：在 Slack 里极度公开地工作。Mukta 自己与 Claude Tag 的所有工作，除非真私密，都在公共频道做——结果是素未谋面的同事会来找他：「我看到你在做这个，能一起用吗？」。

架构上还有一个关键差异：Claude Code 代表你个人、用你的权限干活;Claude Tag 有自己的权限、自己的密钥，代表团队工作——这样更容易审计，也是实现多人模式必需的架构改动 。每个频道的权限范围(能用什么工具、什么 API 密钥、能看哪些频道)都可以精细配置 。

事件响应是高信任场景的样板：先让 Claude 试、同时保留传统流程对照，逐步加大委托；理想中，凌晨三点叫醒你的不再是「出事了快看」，而是「出事了，这是我认为能修的 PR、这是我跑过的验证测试、这是影响范围」——那这个 PR 就值得当场批准 。

「做梦」(Dreaming):让另一个智能体夜里整理记忆

这是 Anthropic 托管智能体产品上的研究预览功能。托管智能体帮你承担从框架、基础设施到可观测性的一切，让你快速组合和部署智能体 。智能体有记忆——从只能读的组织级上下文，到各自的草稿板 。

但记忆跑久了会烂：信息过时、缺失、写得莫名其妙 。Dreaming 的做法：按你定的节奏跑「做梦任务」，把记忆库和会话记录(智能体执行任务的痕迹)喂给另一个智能体，让它审差异——缺什么上下文本可以做得更好、有什么误导信息在拉低表现、怎么重组信息更好检索——并给出修改假设和证据所在的会话附件，由你决定采纳哪些 。

Mukta 认为这真正打开了持续学习的大门：今天跑智能体，做梦优化记忆，明天再跑，能实际看到它们变好；已有客户借此拿到明显的性能提升 。

本集带走

• 给 Claude Tag 设「每日简报」：让它汇总过去 24 小时的事(尤其是跨时区团队)，醒来面对一份精选简报而不是邮件和消息墙 。
• 让它主动盯关键频道：实时 ping 需要你关注的紧急事项 。
• 团队周报自动化：让 Tag 每周汇总团队学到、看到的东西，把知识在组织里摊开 。
• 为模型的未来构建，不是为今天：产品要赌能力曲线，新模型出来要敢于删框架、删上下文，少即是多 。
• 记忆系统从简单文件系统开始：别急着上索引和专用工具，模型自己管文件往往更好 。
• 信任是渐进建立的：先并行跑传统流程对照，设清楚人工关卡，再逐步加大委托 。
• 公开工作 + 给智能体独立身份：在 Slack 公共频道干活、让智能体用自己的权限代表团队，既放大协作也便于审计 。

自从我们开始在内部使用 Claude Tag 以来，我们的产品团队，比如产品工程团队，有 65% 的 PR 是由 Claude Tag 打开的。
Since we’ve started using Claude Tag internally, our product teams, um, like product engineering teams have 65% of their PRs are opened by Claude Tag.
—— Lamus Mukta · [10:35]

那个仪表图总是告诉我们，大约每四个月，智能体能够自主运行的时间量大约会翻倍。
So the the meter chart always shows us that roughly every four months, the amount of time that agents are able to run for autonomously is like doubling.
—— Lamus Mukta · [15:52]

我们总是对正在开发的人说的一件大事是：为模型未来所在的位置构建，不要为它们今天所在的位置构建，因为正如我们所说，这些东西变化得太快了。
So, one of the big things that we always say to people when they’re developing is like build for where the models are gonna be in the future, don’t build for where they are today, because as we’ve said, these things move so quickly.
—— Lamus Mukta · [28:10]