Claude Tag 如何将 AI 智能体带入团队的 Slack 频道

Cat Wu 问 Boris Cherny，日常使用 AI 的工作方式发生了什么变化。他回忆，自己最初使用代码补全：由他决定要写哪一行，工具帮助完成。模型后来能够处理函数、文件和功能；他说，Claude Tag 现在可以承担整个实验或数据分析。

Cherny 说，工作流也从一个人逐行工作，转向一个人管理多个 Claude 会话，再转向整个团队与一个更主动的智能体互动。

Cherny 将 Claude Tag 描述为加入频道的智能体。他说，它不需要每一步都接收新的提示，而是可以加入讨论、执行可能持续数天或数周的工作、进行跟进并记住指令。频道中的所有人都能看到并参与这项工作。

被问及哪些研究让这些能力成为可能时，Wu 说，Anthropic 多年来一直致力于让模型能够更长时间地自主工作。她引用 METR 的评估，说最新模型可以一次工作 16 小时。她说，在 Tag 中，智能体还可以为几天或几周后安排跟进。

Cherny 描述了自己的一个长期实验：一个 Tag 会话每天检查数据、报告结果，并偶尔提交漏洞修复。他说，自己的会话有的持续数天或数周，可能还有一个已运行了一个月。

Cherny 说，记忆是另一项重要能力。团队可以要求 Tag 只监控某些类别的问题；他说，它能记住这个频道偏好，并在另一位参与者扩大范围时作出调整。他说，团队在 Claude Code 上花了多年时间才让记忆功能好用。

Wu 问，团队如何避免智能体在每个讨论串中都插话。Cherny 说，Claude 经过训练，能够判断何时参与；用户也可以要求它更频繁或更少介入，它会记住这一偏好供以后使用。

谈到使用模式时，Cherny 说，客户连接相关工具后，正在尝试让它处理拉取请求、生产环境调试和数据分析。他描述了一个问答频道：智能体可以回答问题并将其标记为已处理；在另一个反馈频道中，它会着手修复问题。

Wu 说，她经常在共享频道中提出数据问题并标记 Claude，让它先进行初步处理。反复这样做之后，她改为要求它每次都响应。两位讲者认为，能够记住长期指令，改变了过去必须重复同一个提示的方式。

Wu 说，由于工作发生在公开频道中，同事可以观察有经验的用户，并把他们的方法带入新项目。她说，Anthropic 和客户都看到人们通过观察彼此而传播使用方法。

Cherny 说，人们看到早期用户使用 Claude Tag 后，它出现在公司更多的反馈和数据频道中。他将给出持续目标，例如为频道中的漏洞准备代码变更，与反复打开 AI 工具并逐一提出请求作了对比。

Cherny 和 Wu 说，共享会话让多人能够共同指导智能体，而不必把个人得到的回复复制给同事。Wu 说，团队可以提供反馈、向其他用户学习，并一起完善结果。

Cherny 说，频道界面可以降低参与代码贡献的门槛，帮助那些不熟悉终端、Git 和代码检出的人参与。Wu 说，公开频道也让 Tag 能够监控项目；作为产品经理，她会要求它提供多个功能的每日状态报告。

Wu 说，连接到公司权威文件的智能体还可以帮助新员工寻找常见法律或福利问题的答案。她说，人们需要信息时可以直接在频道中提问，而不必等待另一个团队。

Cherny 说，Tag 提高了内部生产力。他估计，它编写了 Anthropic 产品部门约 65% 的拉取请求，而且这一比例还在上升。他认为，部分价值来自用户可以让智能体工作，自己转而处理其他事情，而不必检查每个步骤。

Wu 问 Cherny 如何在 Tag 和 Claude Code 之间作出选择。他说，自己起初只用 Tag 处理小修复和简单数据问题，随着使用越来越顺手，开始委派更复杂的工作。他说，Tag 可以在远程沙箱中验证工作，并使用特定频道记住的偏好。

作为验证的例子，Cherny 说，Tag 可能修复一个漏洞并将视频发到 Slack。Wu 问接下来有什么计划；两位讲者说，Tag 已在 Slack 推出，他们希望将其带到包括 Microsoft Teams 在内的其他协作平台。

Wu 说，目标是让 Claude 更接近知识工作者已经开展协作的地方。Cherny 强调产品可以定制，并表示期待看到各组织如何让它适应自己的团队。