Anthropic 推出 Claude Tag，构建人机协作团队

过去，与 AI 协作意味着一个人面对一个聊天窗口。随着时间推移，AI 在处理复杂、长时间运行的工作方面变得越来越强，比如编程、研究和财务分析。随之而来的是，我们看到了许多使用 AI 的新方式——从终端和 IDE 到电子表格和演示文稿——但这项工作在很大程度上仍然是一种“单人”体验：一个人与一个智能体协作来完成各自的任务。

随着 Claude Tag 等工具的发布，这种情况正在改变。如今，人类和智能体可以在同一个工作空间中协同工作，为团队共同的目标而协作。工作现在看起来更像一场 多人游戏，由人类团队制定策略，Claude 负责执行工作。

这涉及一些新的工作方式。在 Anthropic，过去几个月里我们一直在测试让人类-智能体团队取得成功所需的技术。在本文中，我们解释了什么是多人智能体，以及我们在构建它们时学到的经验。

什么是多人智能体？

“多人智能体”在这里指的是能够同时与许多不同人类协作的 AI 模型。与普通智能体非常相似，它们拥有自己的记忆和技能。但在其他方面，它们则相当不同。它们拥有自己的凭证，并且它们存在于工作发生的地方。在 Anthropic，那就是 Slack 这样的团队协作工具内部。

下面是一个人类-智能体团队在 Slack 中共同分析数据集的示例：

要让智能体高效地参与团队频道，它们需要具备以下特定能力：

• 持久记忆，以便它们能够记住目标并据此调整执行方式
• 不绑定于人类的凭证，以便它们能够在安全、可预测的护栏内运行
• 持续、广泛的信息访问权限，以便它们能够了解组织的运作方式，并采取行动执行任务，服务于团队的目标

这些能力构成了智能体在由众多人类组成的团队中高效参与所需的技术基础。然而，要让人类-智能体团队取得成功，仅有这些还不够：团队还需要特定的工作方式和共同规范。

经验一：公开工作，并给智能体提供广泛的上下文

Anthropic 的团队会主动、开放地共享信息。当团队中有智能体时尤其如此，因为智能体完全依靠团队开放可搜索的文本来建立理解：Slack、代码、文档和会议记录。私信、走廊闲聊和受限文档无法为智能体提供上下文。对智能体而言，如果没有被写下来并可访问，那它就等于不存在。

我们不是逐个文档或逐个 Slack 频道地决定哪些信息应对智能体开放，而是采用清晰定义的安全边界，适用于整个 Slack 工作区，以及会议记录和文档库。在安全边界之内，上下文流向每一位队友——无论是人类还是 AI。这不仅扩大了智能体和人类可访问的内容，也减少了关于什么可以共享、与谁共享的困惑。人类和智能体都很难驾驭逐项共享这种模糊边界：这个频道应该是公开还是私密？我能把这份文档分享给那个人吗？这个智能体可以查看那个会话串吗？少量清晰的工作区级边界，就能消除日常工作带来的决策疲劳。

高度的透明是有回报的。例如，能够读取团队会议决策的智能体，不会建议那些已被降低优先级的事项或项目。能够访问本团队之外产品规格的智能体，可以推荐其他团队已经成功的模式。而且，由于智能体阅读文本的速度和数量远超人类，它们常常能发现人类本来会错过的相关工作。在这个繁忙且快速变化的行业中，我们高度依赖智能体来保持信息灵通和协调一致。

在 Anthropic，公开工作体现在：

• 在公司内选定若干安全边界，并创建与每个安全边界相匹配的工作区和文档共享设置
• 将新的沟通渠道在组织内默认为公开，并确保每一次决策都落在渠道、文档和会议纪要中
• 撰写工作产出物和会议纪要时要让智能体能够找到它们，因为智能体如今已成为团队文档的主要使用者
• 确保 AI 能够访问完成其工作所需的正确工具和信息

将信息默认为内部公开可能需要文化上的转变。然而，拥有人机协作团队与没有的团队之间的差距太过悬殊，不容忽视。

当然，有些交互是敏感的，需要仅在单个用户与 AI 之间保持私密。对于这些情况，借助 Claude Tag，你可以向 @Claude 发送私信，也可以使用现有的 Claude.ai 和 Claude Cowork 应用。这些工具通过你的个人 MCP 连接器让 Claude 访问私密信息，同时你可以确信你的对话以及你与智能体分享的内容将保持私密。

经验二：每个人和每个智能体都获得一个明确的角色，并配备完成工作所需的合适工具

人类-智能体团队共享同一份成员名册、同一套产物和同一个工作空间。智能体拥有自己的凭证、技能和工具访问权限。不同的智能体还承担不同的角色：例如，一个智能体可能负责某个项目的数据分析，另一个则持有并执行设计标准，第三个则负责研究综合。

当项目启动时，人类会与智能体交流，以确定该分配哪些角色，以及人类和智能体将如何协同工作。

一旦人类和智能体的职责明确，某个智能体可能会启动其他智能体，以确保特定任务由拥有正确记忆和适当访问权限的智能体来处理。重要的是，它们需要访问完成工作所需的所有工具：负责数据分析的智能体可能需要访问 BigQuery，而执行 QA 的智能体可能需要访问 Playwright MCP。

清晰界定的角色与职责为人类-智能体团队的成功奠定基础。人类通常在与智能体相同的线程中工作，但只担任只有人类才能担任的角色。这确保了所有环节协同运作，并将人类判断力应用于最重要的决策。如果没有清晰的角色划分，人们最终会在旁边各自运行一批个人 AI，造成工作重复并割裂团队的上下文。指标跟踪就是一个常见例子：一个多人智能体可以只做一次这项工作，让所有人都看到相同的数字。

在 Anthropic，人类-智能体团队中清晰界定的角色是这样的：

• 一套达成共识的任务集：团队中的人类与智能体就谁负责什么达成一致
• 人类与智能体在同一个共享线程中协作，因此任何人都可以从任何人停下的地方继续接手
• 人类与智能体都能访问合适的工具，以完成各自的工作
• 对智能体角色与职责范围的描述

Anthropic 的一个工程团队开始创建人员与智能体名册，以帮助将人类和智能体的角色明确成文，因为这让他们推动工作变得容易得多、也具体得多。以下是一些他们很早就想通的关键点：

• 明确的角色也有助于人类轻松追踪任务的职责归属，无论是个别任务还是一整个团队的职责集合
• 编写 技能文件来定义特定智能体的角色，有助于轻松实现专业化，并让公司上下的人都能快速搭建出同类型的其他智能体
• 当项目变得更加复杂时，团队会添加新的智能体来专注于新的领域。例如，他们添加了一个发布经理智能体来处理新的软件发布。

这些方法让人类对人类—智能体团队的心智模型能够随着智能体数量的增长而扩展。

经验三：设定北极星，让智能体更具主动性

尽管 Anthropic 的一些智能体只是完成被分配的任务，但最重要的那些智能体会主动提出新项目和新工作流。这通常发生在一个已经为智能体提供了丰富上下文和清晰角色的团队再添加一项指引之时：北极星。

北极星是雄心勃勃、覆盖广泛的长期目标，帮助团队判断哪些任务和工作流是正确的方向。在 Anthropic，北极星始终由人类设定，并扎根于业务的使命和目标。

一旦北极星被清晰地以书面形式阐明，人类就会将其分享给团队中的智能体。然后，重要的是，人类要选择哪些智能体应主动提出新的工作流，以帮助实现这一长期目标。（团队中并非每个智能体都具备成功主动提出工作所需的技能和信任基础。）

例如，一个内部工具团队的北极星是“让产品引导更有帮助”，该团队看到某个智能体主动建议修改引导流程错误提示的文案。这些改动在接下来一周内可量化地提升了引导成功率。

在 Anthropic，设定北极星的过程是这样的：

• 让人类为其人类-智能体团队讨论、辩论并记录一个宏大的北极星目标——这个目标要植根于公司的使命和业务目标
• 将北极星目标分享给团队中的智能体，并明确指出哪些智能体可以主动推荐新的工作流
• 在日历上保护高保真的人类时间，让会议聚焦于最重要的工作

一个清晰的北极星为智能体指明了持续努力的一致方向，也提供了主动支持团队工作的有意义的机会。

第 4 课：逐步建立信任

Anthropic 的各团队会根据智能体所展现出的可靠性，按比例授予其自主权，然后有意地逐步扩大这一权限。工程师们已成功让团队中的智能体独立处理 500 个 bug 修复，但事情一开始显然并非如此。

当一位新的人类同事加入团队时，评估其能力并建立起高效的工作习惯需要时间。通常要经过多轮反馈循环，才能把关于如何最好地完成任务的所有隐性信息外化出来。对智能体来说也是如此。用户必须尝试给智能体分配许多不同的任务，才能了解这个智能体能做什么、如何清晰地描述目标、它需要哪些技能文件，以及哪些提示词最能引出期望的行为。随着模型不断变化和改进，重新测试任务也很重要。提示词可能需要重新措辞，而那些曾经有用的防护措施，可能会限制一个更聪明的模型去探索更具创造性的解决方案。

值得注意的是，我们发现最出色的长时间运行智能体，在人类查看之前，都有许多不同的方式来验证自己的工作。代码当然有测试，但大多数其他工作同样可以被验证。例如，技术文档可以套用评分标准和风格指南。当人类设定标准，并确保分配给智能体的所有工作都能被审查时，质量就能保持在高水平，不会偏离最初的意图。另外，与人类一样，让一个智能体负责执行任务、另一个智能体负责检查第一个智能体的工作，往往也很有帮助。这通常被称为“执行者-验证者”智能体框架。

在 Anthropic，随着时间推移与智能体建立信任的过程是这样的：

• 一开始手动审查智能体的工作，以审核质量、提供反馈，并设计任务验证清单
• 让智能体在任务中使用一个“验证者”智能体来检查自己的工作
• 在循环中内建反思机制，让智能体回顾自身的失误，从而让工作随时间不断改进
• 追踪每个智能体已在哪些类型的任务上获得自主权，并在多次成功之后按任务类型逐步扩大其权限范围

Anthropic 的一位工程负责人接手了一个积压任务繁多的新团队。为了理清头绪，他邀请了几位人类和几个智能体来帮他梳理积压任务，并排定最重要事项的优先级。团队中的一组智能体通读了积压列表中的所有条目，查明是否有人在处理这些条目，并为无人认领的条目分配了复杂度评分。另一组智能体读取该列表，筛选出中低复杂度的条目，并创建代码变更。起初，人类会审查智能体做出的每一个决策，并标记出任何需要人类介入的决策。随后，人类教会智能体将这些决策直接呈交给人类，确保涉及艰难权衡的决策始终有人类参与其中。

每周，这位负责人和他的团队都会要求智能体编写一份周报，其中包含“经验与失误”，以便智能体持续记录错误，避免将来重蹈覆辙。随着时间推移，这位负责人能够交给智能体越来越复杂的代码变更，并花更少时间指导智能体的日常工作。

而当智能体变得更加独立之后，这位负责人引导它们把人类的注意力当作真正稀缺的资源来对待：将问题批量汇总以便一次性答复，重复关键上下文以便让人类快速进入状态，并限制每个人同时看到的事项数量。

帮助智能体良好沟通，能确保它们始终有用且高效。有些人在团队中配置了专门负责决定如何批量处理、并只把最重要的沟通事项上报给人类成员的智能体。另一些人则设定了护栏，限制智能体每天应完成的工作量，以便人类能够有意义地参与其中。这样的护栏能确保人类保持对自己重要的技能，并使需要人类审核的事项数量维持在可持续的水平。

值得提出的问题

在你为人类-智能体团队奠定基础时，请考虑以下问题：

1. 智能体和人类所需的所有信息和访问权限，是否都是公开且可广泛检索的？
2. 你能否写下团队的名单（人类和智能体），并说明每位成员负责什么？
3. 团队中的每个人类和智能体是否都能获得完成其工作所需的正确工具？
4. 你是否有供人类和智能体用来验证关键工作成果的评分标准或测试？
5. 你的团队是否有一个所有人都能参照的清晰北极星目标？

展望未来

这些模式并不新鲜——至少对人类来说并不新鲜。一个坚定的北极星目标、明确的角色分工、完善的文档、统一的质量标准，以及从错误中学习的空间，这些都是我们几十年前就已熟知的健康团队习惯。AI 智能体只是让不跳过这些环节变得更为重要。

那些从智能体中获得最大收益的团队，正是最有意识地去践行这些基本原则的团队。

致谢

本文由 Kristen Swanson 撰写，她是 Anthropic 教育团队的成员。她感谢 Matt Bell、Erik Olesund、Hasnain Lakhani、Shale Craig、Nolan Caudill、Mike Schiraldi、Aleks Todorova 和 Molly Vorwerck 对本文的贡献。

开始在 Claude Code 中使用智能体团队构建多智能体协作，或使用Claude Tag。